[发明专利]数字病理学图像中的感兴趣区域的基于神经网络的标识

摘要

CNN被应用于组织学图像以标识感兴趣区域。CNN根据相关类对像素进行分类，相关类包括指示兴趣水平的一个或多个类和指示缺乏兴趣的至少一个类。CNN在训练数据集合上被训练，训练数据集合包括已经记录病理学家如何与组织学图像的可视化进行交互的数据。在已训练CNN中，基于兴趣的像素分类用于生成限定感兴趣区域的分割掩码。掩码可以用于指示临床相关特征可能位于图像中的哪个位置。此外，它可以用于指导组织学图像的可变数据压缩。此外，它可以用于在客户端服务器模型或存储器高速缓存策略中控制图像数据的加载。此外，对已经用测试化合物处理过的组织类型的组织样本的组织学图像被图像处理，以检测可能已经发生对测试化合物的毒性反应的区域。自动编码器利用训练数据集合被训练，该训练数据集合包括具有给定组织类型但尚未用测试化合物处理的组织样本的组织学图像。已训练自动编码器被应用以通过它们与训练过程中学习到的组织类型中看到的正常变化的偏差来检测组织区域，从而构建图像的毒性图。然后可以使用毒性图指导毒理学病理学家检查自动编码器标识为位于组织类型的正常异质性范围之外的区域。这使得病理学家的查看更快且更可靠。毒性图也可以与指示感兴趣区域的分割掩码重叠。当感兴趣区域和区域被标识为位于组织类型的正常异质性范围之外时，将增加的置信度得分应用于重叠区域。