[发明专利]一种结直肠癌病理图像预后辅助预测方法及系统

说明书

本发明公开了一种结直肠癌病理图像预后辅助预测方法及系统，该方法包括以下步骤：背景分离步骤：划分为背景区域和组织区域；图像小块分割步骤：根据预设像素大小对组织区域进行分割图像小块；深度特征提取步骤：基于结直肠癌存活时间预测模型的卷积层和池化层对分割后的图像小块进行特征的提取得到图像小块特征，经过卷积层处理后对图像小块编码成一维数组形式；聚类步骤：基于K‑means聚类对图像小块特征进行聚类，划分肿瘤上皮组织、间质、粘液、正常组织和坏死部分；风险划分步骤：划分风险范围。本发明通过K‑means聚类对整张病理图像的图像小块进行自动分类后再选择不同类型的图像小块共同训练，使得对结直肠癌病人预后的患者存活时间预测更精确。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种结直肠癌病理图像预后辅助预测方法及系统。

背景技术

现有结直肠癌的预后分析主要需要医生对结直肠癌病人的病理TNM分期，从1～4期来确定病人的5年内生存情况，TNM主要包括肿瘤浸润情况，淋巴结数量和是否转移到别的部位来确定，TNM分期也在不断发展，目前关于病理切片中的肿瘤环境的研究表明病理中蕴含这许多和预后相关的信息，其中有大量的数据等待挖掘。

现有技术中的一种基于深度学习对病理图像预后预测的方法，该方法需要由有经验的病理科医生勾画出病理图像中的感兴趣区域(region of interest，ROI)，通常是病理图像的肿瘤部分，再从中截取一张图像小块，这张图像小块就代表这个病人，并赋予这个病人的标签，如生存时间，进入深度卷积神经网络去训练，得到一个深度卷积神经网络模型，从而预测病理图像的预后，其中该深度卷积神经网络包括3个卷积层，2个最大池化层和1个全连接层。

然而，目前对于医学成像设备所成的病理图像预后预测仍存在以下问题：(1)当病理科医生获得结直肠癌病理图像后，需要有经验的病理科医生勾画出肿瘤区域，并且面对呈指数增长的医学图像，人工处理速度慢、效率低，漏诊的情况时有发生，当病人很多的时候，医生的负担增加，当医生长时间勾画后，医生的处理速度会逐渐减慢。(2)仅根据肿瘤区域的图像小块进行预后预测，缺少足够精度。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提供一种结直肠癌病理图像预后辅助预测方法，辅助医生对结直肠癌病理图像进行预测患者存活时间，提供风险范围的辅助信息，减轻了医生的负担。

本发明的第二目的在于提供一种结直肠癌病理图像预后辅助预测系统。

本发明的第三目的在于提供一种计算机可读存储介质。

本发明的第四目的在于提供一种计算机设备。

为了达到上述第一目的，本发明采用以下技术方案：

本发明提供一种结直肠癌病理图像预后辅助预测方法，包括以下步骤：

背景分离步骤：分离病理图像的组织区域和背景区域，将病理图像的图片格式由RGB空间转换为HSV颜色空间，对HSV颜色空间中的饱和度通道部分进行自动阈值分割处理，划分为背景区域和组织区域；

图像小块分割步骤：根据预设像素大小对组织区域进行分割图像小块；

深度特征提取步骤：基于结直肠癌存活时间预测模型的卷积层和池化层对分割后的图像小块进行特征的提取得到图像小块特征，经过卷积层处理后对图像小块编码成一维数组形式；

聚类步骤：基于K-means聚类对图像小块特征进行聚类，划分肿瘤上皮组织、间质、粘液、正常组织和坏死部分；

风险划分步骤：基于结直肠癌存活时间预测模型的全连接层输出患者存活时间，设置多个预设风险阈值，根据患者存活时间结合预设风险阈值划分风险范围；

所述结直肠癌存活时间预测模型为使用多组数据通过机器学习训练得出，多组数据中的每组数据包括结直肠癌病理图像和标识该结直肠癌病理图像对应患者存活时间的标签信息。