[发明专利]胃癌神经浸润数字病理切片图像定位和分类方法及系统

权利要求书

1.一种胃癌神经浸润数字病理切片图像定位和分类方法，其特征在于，包括以下步骤：

步骤S1：将整张病理图像采用滑动窗口的方式，切分为小patch训练图像块；

步骤S2：构建由EfficientnNet-B3作为编码器、Unet++作为解码器的分割模型并将训练图像块输入进行训练，分割胃癌细胞区域并输出胃癌细胞生成掩模；并构建并将训练图像块输入DETR模型，检测神经区域，对神经进行定位和分类；

步骤S3：基于胃癌分割模型的输出结果和DETR网络输出结果，将胃癌分割掩膜和神经检测结果图输入神经浸润判别网络，对神经区域与胃癌区域进行像素级别的重叠判别，输出神经浸润的定位和分类结果；

步骤S4：将小patch图像块拼回原始大小图像输出。

2.根据权利要求1所述的胃癌神经浸润数字病理切片图像定位和分类方法，其特征在于：在步骤S1中，使用基于滑动窗口的采样策略，将大尺寸的WSI裁剪成较小的2048×2048块。

3.根据权利要求1所述的胃癌神经浸润数字病理切片图像定位和分类方法，其特征在于：在步骤S2中，EfficientnNet-B3编码器部分在数据集ImageNet上预先训练；在U-Net++解压器部分中，通过在解码器中使用并行挤压和激励SE块来提高性能，分割网络以分离胃癌各种基本病理切片的结构；所述SE块对不同的通道赋予不同的权值，以增强有用的特征，抑制无用的特征，每个中间层级连接到该层的起始节点，并将所有相关的特征图合并到该层的最终节点；最后，分割网络中连接层将前一层的转置卷积层与编码路径的匹配层的所有特征映射进行组合。

4.根据权利要求1所述的胃癌神经浸润数字病理切片图像定位和分类方法，其特征在于：在步骤S2中，将训练图像块输入DETR模型，检测神经区域对神经进行定位和分类的过程中，训练网络时添加若干正常的神经图像的训练数据集，根据胃癌的病理部分,使网络学习不同位置神经的特点，并提高检测网络识别的准确性；使用Resnet101作为骨架从图像中提取2D特征；位置编码模块使用不同频率的正弦和余弦函数对空间信息进行编码，将二维特征向量转换为一维特征图，转换后的一维特征图作为目标检测网络的输入，传输给6层编码器和解码器；在解码器输出后连接两个前向反馈网络，分别预测神经区域及其类别。

5.根据权利要求1所述的胃癌神经浸润数字病理切片图像定位和分类方法，其特征在于：在步骤S3中，所述神经浸润识别网络通过分割模型得到癌变区域的分割掩膜，通过检测神经网络DETR模型得到神经检测结果图，在分割模型和DETR模型的配合下，对两个网络的输出结果图进行像素级重叠区域的识别，若不存在重叠区域，则对该神经区域判别为正常神经区域，不对其进行定位和类别的呈现；若存在重叠区域，则判别是神经浸润，最终将神经浸润的定位和类别信息作为神经浸润判别网络的输出。

6.一种胃癌神经浸润数字病理切片图像定位和分类系统，其特征在于，基于计算机系统，包括：

图像切割模块，用于将整张病理图像采用滑动窗口的方式，切分为小patch训练图像块；

分割模块，由EfficientnNet-B3作为编码器、Unet++作为解码器，将训练图像块输入训练获得，用于分割胃癌细胞区域并输出胃癌细胞生成掩模；

检测模块，由训练图像块输入DETR模型训练获得，用于检测神经区域，对神经进行定位和分类；

神经浸润判别网络，用于基于分割模块的输出结果和检测模块的输出结果，将胃癌分割掩膜和神经检测结果图输入神经浸润判别网络，对神经区域与胃癌区域进行像素级别的重叠判别，若不存在重叠区域，则对该神经区域判别为正常神经区域，不对其进行定位和类别的呈现；若存在重叠区域，则判别是神经浸润，输出神经浸润的定位和分类结果；

图像拼接模块，用于将神经浸润判别网络输出的小patch图像块拼回原始大小图像输出。