[发明专利]一种基于级联网络的肿瘤淋巴管浸润检测方法

权利要求书

1.一种基于级联网络的肿瘤淋巴管浸润检测方法，其特征在于，

S10，获取D2-40免疫组化数字病理全场图；

S20，对所述数字病理全场图进行数据预处理，并分割出预处理后图像上的多个独立组织区域；

S30，计算分割出的每个所述独立组织区域的外切矩形，以所述外切矩形框选的组织区域作为矩形子图；

S40，采用滑动窗口的方式对所述矩形子图进行小图化处理，将每个所述矩形子图拆分成固定大小且互不重叠的多个第一小图；

S50，检测每个所述第一小图的第一位置信息和第一细分类型，所述第一细分类型包括正常组织、癌栓以及淋巴管壁破损；

S60，根据所述第一位置信息，对检测到的可疑淋巴管浸润区域进行截取，所述可疑淋巴管浸润区域包括第一细分类型为癌栓和淋巴管壁破损的区域；

S70，对截取到的所述可疑淋巴管浸润区域进行二次确认，过滤其中的假阳性结果，输出淋巴管浸润区域；采用难分样本挖掘网络对截取到的所述可疑淋巴管浸润区域进行二次确认，难分样本挖掘网络的建立包括以下步骤：

1）获取1024*1024像素大小的属于正常组织区域的第二小图；

2）将所述第二小图送入淋巴管浸润检测模型，所述淋巴管浸润检测模型输出第二小图中存在的淋巴管浸润区域的第二位置信息和第二细分类别，所述第二细分类别包括正常组织、癌栓以及淋巴管壁破损；

3）根据所述第二位置信息，将第二细分类别为癌栓和淋巴管壁破损的区域截取出来作为第一类训练数据，所述第一类训练数据属于假阳类型；

4）获取1024*1024像素大小的属于淋巴管浸润区域的第三小图，作为第二类训练数据；

5）利用所述第一类训练数据和第二类训练数据训练一个分类模型，得到难分样本挖掘模型；

S80，计算所述淋巴管浸润区域在所述数字病理全场图中的位置，并在所述数字病理全场图中以矩形框的形式进行标注显示。

2.根据权利要求1所述的一种基于级联网络的肿瘤淋巴管浸润检测方法，其特征在于，所述S50，采用淋巴管浸润检测模型检测每个所述第一小图的第一位置信息和第一细分类型，所述淋巴管浸润检测模型的建立包括以下步骤：

1)选取1张D2-40免疫组化数字病理全场图，在所述病理全场图上标注出淋巴管浸润区域；

2)对1）中所述的免疫组化数字病理全场图进行缩放，使得所述病理全场图的MPP值为0.48；

3)以每个标注的淋巴管浸润区域为中心，截取1024*1024像素大小的小图作为训练数据；

4）以所述训练数据对FPN+Faster RCNN目标检测网络进行训练，得到淋巴管浸润检测模型。

3.根据权利要求2所述的一种基于级联网络的肿瘤淋巴管浸润检测方法，其特征在于，所述淋巴管浸润检测模型的预测结果中，首先截取所有在癌栓类或者淋巴管壁破损类上的预测概率大于0.6的建议区域，然后再输入所述难分样本挖掘模型中，根据所述难分样本挖掘模型输出的预测概率判断所述建议区域是否属于真正的淋巴管浸润区域，当所述难分样本挖掘网络输出的预测概率中，假阳类的预测概率小于0.5时，所述建议区域属于真正的淋巴管浸润区域。

4.根据权利要求1所述的一种基于级联网络的肿瘤淋巴管浸润检测方法，其特征在于，所述S10，选取低倍视野下的D2-40免疫组化数字病理全场图，所述数字病理全场图的MPP=3.84。

5.根据权利要求4所述的一种基于级联网络的肿瘤淋巴管浸润检测方法，其特征在于，所述S20，包括：

1)将所述数字病理全场图转化为灰度图；

2)计算大津法阈值；

3)将所述灰度图中像素值大于所述大津法阈值的像素值置1，像素值小于所述大津法阈值的像素值置0，从而生成组织区域的二值分割图像，其中组织区域的灰度值都为1，非组织区域的灰度值都为0；

4)对所述二值分割图像进行优化，删除部分零散且面积小于设定值的组织区域，获取独立组织区域；

5)通过边缘检测方法，获取所述独立组织区域中的轮廓坐标；

6)将所述轮廓坐标都乘以8，将所述独立组织区域坐标对应到MPP=0.48的图像上。