[发明专利]基于多分辨率的全视野病理切片图像肿瘤快速定位方法

说明书

本发明提供一种基于多分辨率的全视野病理切片图像肿瘤快速定位方法，包括：构建图像块训练集；利用所述图像块训练集，获得两个分类模型；先后使用两个分类模型对全视野病理切片进行预测，获得定位结果。本发明在保证图像细节信息不充分损失的情况下，分别训练两种预设分辨率的模型，一个分类模型采用更快速的全卷积网络，另一个分类模型添加高效的特征提取模块。相比传统框架采用单一分辨率下进行定位，在保证定位精度的情况下，实现了快速定位全视野病理切片上肿瘤区域。

技术领域

本发明涉及深度学习与医学影像分析技术领域，具体涉及一种基于多分辨率的全视野病理切片图像肿瘤快速定位方法。

背景技术

近些年来随着深度学习的不断发展，深度学习与其他领域的结合成果越来越多。在医学影像分析任务中，病理图像上的肿瘤检测是在临床病理医生确诊的关键一步。而将这两者结合产生的自动化辅助病理检测系统能够极大程度的降低病理医生的误诊率和诊断时间。随着数字病理成像系统的不断发展，由全玻片数字扫描技术发展到高通量快速的全视野病理切片技术(WSI：whole slide image)，而在超大数字病理图像层面上定位一个肿瘤区域是非常耗时的，往往在临床应用阶段，一张150000*150000像素的数字病理图像医生需要花费5-10分钟，而现有的方法普遍较慢。由于病理图像检测是肿瘤诊断的“金标准”，所以对待这项技术而言需要非常谨慎的。因此设计的系统主要目的是为了辅助病理医生进行诊断，这就需要一种快速而准确的定位方法来辅助病理医生进行肿瘤的判断，进一步降低其工作负荷，提升诊断的准确率。

近期研究表明，通过卷积神经网络对全视野病理切片图像进行分析，在全视野病理切片中肿瘤定位任务中，广泛采用卷积神经网络作为特征提取方式，现有的方法将预先训练好最高放大倍率下的肿瘤特征，在推理过程中采用滑动窗的方式在最高放大倍率下切片图像上裁剪图像块输入至网络中进行肿瘤或非肿瘤的判断。但是最高放大倍率代表原始尺寸的分辨率图像，虽然图像细节情绪但在推理过程中滑动窗数量大，导致计算量巨大，从而造成推理时间无法满足临床需求。故需要设计一个在全视野病理切片的快速定位方法，能够同保证定位精度与定位速度。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于多分辨率的全视野病理切片图像肿瘤快速定位方法。

根据本发明的一个方面，提供一种基于多分辨率的全视野病理切片图像肿瘤快速定位方法，包括：

构建图像块训练集；

利用所述图像块训练集，获得两个分类模型；

先后使用两个分类模型对全视野病理切片进行预测，获得定位结果。

优选地，所述构建图像块训练集，包括：

读取全视野病理切片，通过大律法提取所述全视野病理切片的前景与背景；

在所述前景与背景区域，提取不同的放大倍率的预设大小的图像块，构造出不同分辨率的图像块数据集，并得到图像块数据集的类别标注。构建不同分辨率的数据集用于训练，并得到不同放大倍率下的模型特征参数。

优选地，所述两个分类模型均具备不同放大倍率下肿瘤与正常组织特征参数；所述两个分类模型包括低分辨率模型和高分辨率模型。

所述先后使用两个分类模型对全视野病理切片进行预测，获得定位结果，包括：

先使用低分辨率模型，对全视野病理切片进行预测，得到粗略定位概率图；

对于所述粗略定位概率图中异常像素点使用高分辨率模型判断，重新得到该像素位置的概率值，得到最终的定位概率图。

优选地，训练低分辨率模型包括：

使用所述低分辨率数据集训练全卷积分类网络，网络以Resnet18作为骨干网络；