[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

说明书

本发明提出一种胃癌神经浸润数字病理切片图像定位和分类方法及系统，首先将整张病理图像采用滑动窗口的方式切分小patch训练图像块；其次，构建并将训练图像块输入训练分割模型，分割胃癌细胞区域并输出胃癌细胞生成掩模，同时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；而后，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，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；最后，将小patch图像块拼回原始大小图像输出。

技术领域

本发明属于机器学习、医学图像处理技术领域，尤其涉及一种胃癌神经浸润数字病理切片图像定位和分类方法及系统。

背景技术

根据 2020 年全球癌症负担数据，胃癌是世界范围内发病率排名第五、病死率排名第四的恶性肿瘤。我国胃癌早期诊断率低，进展期占比大，导致胃癌5年生存率一直偏低，总体在35%左右，这主要与进展期胃癌易复发、转移有关。

TNM分期一直是胃癌预后评估的重要参考依据，但临床实践发现越来越不能满足临床需求，例如相同TNM分期的患者预后有时差异很大，或者不同分期的患者预后相似，这意味着除TNM分期外，还存在影响胃癌预后的其他因素。近年研究发现，神经旁浸润（perineural invasion，PNI）可能是胃癌继淋巴转移、血行转移和腹腔种植转移之后另一种重要的转移扩散途径，这种嗜神经侵袭特性与预后密切相关。

近年来计算机技术蓬勃发展，随着GPU算力的逐渐强大，人工智能已经走进各行各业，与人类生命健康息息相关的医疗行业也拥有潜力巨大的应用场景。基于智能化计算机技术的图像数据分析方法被广泛运用到医学领域的数据分析中，同时在深度学习的大背景下，算力和数据成为了算法领域的硬通货，一些国家部门和社会机构建立了不同的医学图像数据库，例如肝脏肿瘤数据库LiTS，肺结节数据库LIDC-IDRI，老年痴呆症数据库ADNI等，推动了很多科研学者专注于研究医学图像处理方法，并取得了诸多成果。

但机器学习在胃癌神经浸润的识别和定位的应用中，尚无深入的研究和成果，在现有的临床应用中，还需要人工肉眼去HE数字染色切片图像中寻找神经浸润的有效信息，过程耗时耗力，且准确性不容易保证。

发明内容

为了弥补现有技术的空白和不足，本发明提出一种胃癌神经浸润数字病理切片图像定位和分类方法及系统，实现输入一张病理切片，即可输出一张有着疑似神经浸润的神经定位和类别的识别结果图像，以自动化得到神经侵犯初步判读，能够大大减轻医生的阅片时间，提升医生的工作效率，具有非常重要的意义和广阔的前景。

为了实现上述目的，本发明方案首先将整张病理图像采用滑动窗口的方式，可以按照20倍镜视野切分为2048×2048的小patch训练图像块；其次，构建并将训练图像块输入训练分割模型，分割胃癌细胞区域并输出胃癌细胞生成掩模，同时构建并将训练图像块输入End-to-End Object Detection with Transformers(DETR)模型，检测神经区域对神经进行定位和分类；而后，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，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；最后，将小patch图像块拼回原始大小图像输出。

本发明具体采用以下技术方案：

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；