[发明专利]一种基于级联网络的肿瘤淋巴管浸润检测方法

说明书

本发明涉及一种基于级联网络的肿瘤淋巴管浸润检测方法，提出提出通过利用淋巴管浸润检测模型与难分样本挖掘网络级联的结构完成对D2‑40免疫组化数字病理全场图中淋巴管浸润区域的自动化检测，为了实现难分样本挖掘网络对检测网络输出结果进行过滤后，可以尽可能地降低假阳都的数量而真阳不发生漏检这一目的，难分样本挖掘网络需要学习假阳和真阳的特征，而深度学习网络是通过数据来学习特征的，所以重点就落在如何获取具有代表性的数据，也就是假阳过滤步骤中的S70中的3）、4）步对于训练数据的选取，通过选取的两类数据训练分类模型，得到难分样本挖掘模型。

技术领域

本发明涉及免疫组化图像处理领域，特别是涉及一种基于级联网络的肿瘤淋巴管浸润检测方法。

背景技术

时至今日，癌症仍是人类健康的“头号杀手”，也是中国人群重大的公共健康问题之一。根据2015年《中国癌症统计》的估算，我国癌症患者已高达429.2万，死亡癌症患者达281.4万。2018年，全球预计增加1810万癌症新病例，960万人因此死亡。癌症转移是癌症致死最重要的原因，恶性肿瘤转移的三大途径包括血道转移、淋巴道转移和直接蔓延，其中淋巴道转移又是癌转移的主要途径，而淋巴管浸润（Lymphatic Invasion,LI）又是淋巴道转移的重要表现形式之一，而且，LI早已被确定为大多数癌症的重要预后指标。LI是指在显微镜下发现肿瘤区组织切片的小淋巴管的管壁受侵、破坏或管腔内有癌栓形成。在临床中，通常采用免疫组化染色技术制作组织切片，其中，单克隆抗体D2-40可以选择性标记淋巴管内皮细胞，是一种可靠的免疫组化染色技术。

随着全切片图像的采集和处理方面技术的发展，高质量的数字病理切片逐渐在科研及临床中的应用改变了传统的病理阅片模式。与此同时，基于人工智能的定量分析算法以及深度学习算法在数字病理切片的分析中也展现出了巨大的潜力。相比于传统的病理诊断，人工智能辅助数字病理诊断具有诸多优势。首先，训练深度学习模型的时间和投入远小于培养有经验的病理医生，成本较低。其次，对于绝大多数的病理诊断，尤其是判读标准较主观的病变，常存在观察者间偏差和观察者内偏差，影响诊断结果的准确性，而人工智能辅助数字病理切片诊断具有诊断速度块、客观性强和准确率高等优点。此外，人工智能阅片具有较高的一致性和可重复性，并且通过学习更多的病例可以取得更好的性能。最后，人工智能辅助数字病理诊断，可以增强地区之间，不同病理医生之间的诊断一致性。

因为与常规的图片不同，一张数字病理切片的像素巨大，可以达到数十亿的大小，目前，普遍使用的方法是将全场数字病理切片子区域化，然后对每一块子区域分别进行分类来判断该子区域中是否包含待检测的目标。但是，这样的方法容易导致定位准确性的损失，医生只能得到一个模糊的位置信息。

发明内容

本发明的目的在于提出一种基于目标检测的分析方法，对于D2-40免疫组化全场数字病理切片，利用目标检测算法自动检测出其中的癌栓和淋巴管壁破损，实现切片的自动化分析。

本发明通过以下技术方案来实现上述目的：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，

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；