CN107028593A - 一种乳腺导管原位癌的辅助检测方法 - Google Patents

一种乳腺导管原位癌的辅助检测方法 Download PDF

Info

Publication number
CN107028593A
CN107028593A CN201710242892.XA CN201710242892A CN107028593A CN 107028593 A CN107028593 A CN 107028593A CN 201710242892 A CN201710242892 A CN 201710242892A CN 107028593 A CN107028593 A CN 107028593A
Authority
CN
China
Prior art keywords
dcis
myoepithelium
region
image
detection method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201710242892.XA
Other languages
English (en)
Inventor
蒲洋
向飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Vision Technology Co Ltd
Original Assignee
Chengdu Vision Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Vision Technology Co Ltd filed Critical Chengdu Vision Technology Co Ltd
Priority to CN201710242892.XA priority Critical patent/CN107028593A/zh
Publication of CN107028593A publication Critical patent/CN107028593A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4312—Breast evaluation or disorder diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Gynecology & Obstetrics (AREA)
  • Reproductive Health (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种乳腺导管原位癌的辅助检测方法：对乳腺癌数字化切片进行人工标注，获取DCIS及肌上皮区域图像；读入数字化切片文件图像，切割成小块，通过查询病理医师标注文件中的信息，得到该小块图像中是否包含DCIS或肌上皮区域图像，由此获得三类样本集；启动神经网络，建立识别模型;对数字化切片进行识别，找出DCIS和肌上皮区域，并记录相应的可能性概率；计算得出每个区域被认为是DCIS的概率。本发明利用CNN识别DCIS的方法，通过同时检测DCIS癌细胞和肌上皮组织，实现较高准确度的DCIS自动识别。

Description

一种乳腺导管原位癌的辅助检测方法
技术领域
本发明涉及一种乳腺导管原位癌的辅助检测方法。
背景技术
女性乳腺是由皮肤、纤维组织、乳腺腺体和脂肪组成的，乳腺癌是发生在乳腺腺上皮组织的恶性肿瘤。乳腺癌中99%发生在女性，男性仅占1%，乳腺癌是女性排名第一的常见恶性肿瘤。
全球乳腺癌发病率自20世纪70年代末开始一直呈上升趋势。美国8名妇女一生中就会有1人患乳腺癌。中国不是乳腺癌的高发国家，但不宜乐观，近年我国乳腺癌发病率的增长速度却高出高发国家1～2个百分点。
乳腺并不是维持人体生命活动的重要器官，原位乳腺癌并不致命；但由于乳腺癌细胞丧失了正常细胞的特性，细胞之间连接松散，容易脱落。癌细胞一旦脱落，游离的癌细胞可以随血液或淋巴液播散全身，形成转移，危及生命。
乳腺导管原位癌（Ductal Carcinoma In Situ，DCIS）是非浸润乳腺癌中最常见的一种，癌细胞位于乳腺导管内，尚未穿透导管壁，并未发生癌细胞扩散，因此DCIS并不致命，但DCIS被普遍认为是浸润性导管癌（Invasive Ductal Carcinoma, IDC）的前驱病变，DCIS不经治疗最终可能会发展为IDC。对最初误诊为良性病变而导致未能获得治疗的DCIS研究显示，从DCIS进展为IDC的比例为14%～53%。
乳腺癌的早期发现、早期诊断，是提高疗效的关键。应结合患者的临床表现及病史、体格检查、影像学检查、组织病理学和细胞病理学检查，进行乳腺癌的诊断与鉴别诊断，而最终确诊主要依靠病理活检。目前病理活检主要依靠病理医生在显微镜下观察病理组织样本，通过细胞形态学等经验知识予以诊断，存在极大的主观性，严重依赖于病理医生的经验积累，同时病理医生的工作量大，任务繁重。
随着数字病理学的发展，病理切片经过扫描转化为数字图像，进而可以采用计算机视觉技术辅助病理医生诊断。早期方法多采用数字图像处理中的滤波，边缘检测，形态学等技术，但由于乳腺癌细胞的异质性，常规方法的鲁棒性较差，检测效果不佳。近年来，以深度学习（Deep Learning，DL）为代表的神经网络获得了突破性进展，利用卷积神经网络（Convolutional Neural Network，CNN）进行图像识别获得了广泛应用。对于乳腺癌这种异质性较大的图像，可以利用CNN进行识别。根据文献记载，目前，病理医生人工检查IDC的准确度不到73.2%，利用CNN识别IDC的准确度约为84%。但是，由于IDC和DCIS从细胞形态上具有较高的相似性，因此仅从细胞形态上利用CNN神经网络进行区分具有较大难度，且准确度不高。
发明内容
本发明的目的在于针对现有技术中存在的不足，提供一种乳腺导管原位癌的辅助检测方法。
为实现上述目的，本发明解决其技术问题所采用的技术方案是：
一种乳腺导管原位癌的辅助检测方法，包括如下步骤：
A、病理医师对乳腺癌数字化切片进行人工标注，获取DCIS及肌上皮区域图像；
B、读入数字化切片文件图像，将图像切割成小块，通过查询病理医师标注文件中的信息，得到该小块图像中是否包含DCIS或肌上皮区域图像，由此获得三类样本集，即：DCIS，肌上皮，其它组织；
C、启动神经网络，开始训练，建立识别模型;
D、利用识别模型对数字化切片进行识别，找出DCIS和肌上皮区域，并记录相应的可能性概率；
E、分别对检测到的DCIS区域和肌上皮区域作连通性检查，将连接在一起的区域合并，标记为同一个区域；
F、将检测到的DCIS区域向外膨胀m个像素，若与某一个肌上皮区域交叠，则将膨胀前的DCIS区域和该肌上皮区域标记为同一区域；
G、计算得出每个区域被认为是DCIS的概率。
作为优选方式，所述步骤B中，将读入的数字化切片文件图像按照level(n)比例缩放，转换到HSV色彩空间，选定在Hue空间下利用最大类间方差法进行阈值计算，提取前景区和背景区，再经过图像腐蚀和膨胀操作，将图中的小面积干扰去掉并填满大区域中存在的小洞，最后，将level（n）缩放比例下的图映射回到指定比例下的图像；仅对前景区图像切割成小块，进行处理。
作为优选方式，所述步骤D中，利用识别模型对数字化切片前景区进行识别。
作为优选方式，所述步骤B中，将小块样本随机旋转，并做镜像操作，数据增强，最后划分训练集和验证集。
作为优选方式，所述步骤B中，将小块样本随机旋转90°、180°或270°。
进一步优选，所述步骤G中，得出的概率进行人工验证，并将结果返回到步骤A中。
本发明采用监督学习方式，通过病理医师对DCIS区域进行标注后，生成训练样本集和验证样本集，然后利用神经网络学习样本特征并予以分类识别。
本发明的有益效果在于：
本发明利用CNN识别DCIS的方法，通过同时检测DCIS癌细胞和肌上皮组织，实现较高准确度的DCIS自动识别。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
实施例1：一种乳腺导管原位癌的辅助检测方法，包括如下步骤：
A、病理医师对乳腺癌数字化切片进行人工标注，获取DCIS及肌上皮区域图像；
B、读入数字化切片文件图像，将图像切割成小块，通过查询病理医师标注文件中的信息，得到该小块图像中是否包含DCIS或肌上皮区域图像，由此获得三类样本集，即：DCIS，肌上皮，其它组织；
C、启动神经网络，开始训练，建立识别模型;
D、利用识别模型对数字化切片进行识别，找出DCIS和肌上皮区域，并记录相应的可能性概率；
E、分别对检测到的DCIS区域和肌上皮区域作连通性检查，将连接在一起的区域合并，标记为同一个区域；
F、将检测到的DCIS区域向外膨胀m个像素，若与某一个肌上皮区域交叠，则将膨胀前的DCIS区域和该肌上皮区域标记为同一区域；
G、计算得出每个区域被认为是DCIS的概率。
实施例2：一种乳腺导管原位癌的辅助检测方法，包括如下步骤：
A、病理医师对乳腺癌数字化切片进行人工标注，获取DCIS及肌上皮区域图像；
B、读入数字化切片文件图像按照level(n)比例缩放，转换到HSV色彩空间，选定在Hue空间下利用最大类间方差法进行阈值计算，提取前景区和背景区，再经过图像腐蚀和膨胀操作，将图中的小面积干扰去掉并填满大区域中存在的小洞，最后，将level（n）缩放比例下的图映射回到指定比例下的图像；通过查询病理医师标注文件中的信息，得到该小块前景区图像中是否包含DCIS或肌上皮区域图像，由此获得三类样本集，即：DCIS，肌上皮，其它组织；将小块样本随机旋转90°，180°或270°，并做镜像操作，数据增强，最后划分训练集和验证集；
C、启动神经网络，开始训练，建立识别模型;
D、利用识别模型对数字化切片前景区进行识别，找出DCIS和肌上皮区域，并记录相应的可能性概率；
E、分别对检测到的DCIS区域和肌上皮区域作连通性检查，将连接在一起的区域合并，标记为同一个区域；
F、将检测到的DCIS区域向外膨胀m个像素，若与某一个肌上皮区域交叠，则将膨胀前的DCIS区域和该肌上皮区域标记为同一区域；
G、计算得出每个区域被认为是DCIS的概率，将得出的概率进行人工验证，并将结果返回到步骤A中进行迭代。
实施例3：一种乳腺导管原位癌的辅助检测方法，包括如下步骤：
1）病理医师对乳腺癌数字化切片进行人工标注，获取DCIS及肌上皮区域图像；
2）读⼊WSI文件的level(n)缩放比例下的图像（如：n=5，即下采样5次，是原图⼤⼩的1/32），转换到HSV色彩空间，选定在Hue空间下利用最大类间方差法进行阈值计算，提取前景区和背景区，再经过图像腐蚀和膨胀操作，将图中的小面积干扰去掉并填满⼤区域中存在的小洞，最后，将level（n）缩放比例下的图映射回到指定比例下的图像，如：level0下的原图；
3）将前景区图像切割成小块(patch)处理，如：每个patch的尺寸为512x512像素，通过查询病理医师标注文件中的信息，得到该patch中是否包含DCIS或肌上皮区域图像，由此获得三类样本集，即：DCIS，肌上皮，其它组织；
4）将获得的patch样本随机旋转90°，180°或270°，并做镜像操作，以及增加色彩噪音进行数据增强，最后按照一定的比例，划分训练集和验证集；
5）启动神经网络（如：googLeNet），开始训练，建立识别模型；
6）利用生成的神经网络模型对WSI的前景区进行识别，找出DCIS和肌上皮区域，并记录相应的可能性概率；
7）分别对检测到的DCIS区域和肌上皮区域作连通性检查，将连接在一起的区域合并，标记为同一个区域；
8）将DCIS区域向外膨胀m个像素（如：m=512），若与某一个肌上皮区域交叠，则将膨胀前的DCIS区域和该肌上皮区域标记为同一区域；
9）计算同一区域内的DCIS平均概率：；
肌上皮区域平均概率：；
10）每个区域被认为是DCIS的概率：，
其中，w为加权系数，如w=0.5。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (6)

1.一种乳腺导管原位癌的辅助检测方法，其特征在于，包括如下步骤：
A、病理医师对乳腺癌数字化切片进行人工标注，获取DCIS及肌上皮区域图像；
B、读入数字化切片文件图像，将图像切割成小块，通过查询病理医师标注文件中的信息，得到该小块图像中是否包含DCIS或肌上皮区域图像，由此获得三类样本集，即：DCIS，肌上皮，其它组织；
C、启动神经网络，开始训练，建立识别模型;
D、利用识别模型对数字化切片进行识别，找出DCIS和肌上皮区域，并记录相应的可能性概率；
E、分别对检测到的DCIS区域或肌上皮区域作连通性检查，将连接在一起的区域合并，标记为同一个区域；
F、将检测到的DCIS区域向外膨胀m个像素，若与某一个肌上皮区域交叠，则将膨胀前的DCIS区域和该肌上皮区域标记为同一区域；
G、计算得出每个区域被认为是DCIS的概率。
2.根据权利要求1所述的一种乳腺导管原位癌的辅助检测方法，其特征在于：所述步骤B中，将读入的数字化切片文件图像按照level(n)比例缩放，转换到HSV色彩空间，选定在Hue空间下利用最大类间方差法进行阈值计算，提取前景区和背景区，再经过图像腐蚀和膨胀操作，将图中的小面积干扰去掉并填满大区域中存在的小洞，最后，将level（n）缩放比例下的图映射回到指定比例下的图像；仅对前景区图像切割成小块，进行处理。
3.根据权利要求2所述的一种乳腺导管原位癌的辅助检测方法，其特征在于：所述步骤D中，利用识别模型对数字化切片前景区进行识别。
4.根据权利要求1所述的一种乳腺导管原位癌的辅助检测方法，其特征在于：所述步骤B中，将小块样本随机旋转并做镜像操作，数据增强，最后划分训练集和验证集。
5.根据权利要求4所述的一种乳腺导管原位癌的辅助检测方法，其特征在于：所述步骤B中，将小块样本随机旋转90°、180°或270°。
6.根据权利要求1-5任一所述的一种乳腺导管原位癌的辅助检测方法，其特征在于：所述步骤G中，得出的概率进行人工验证，并将结果返回到步骤A中。
CN201710242892.XA 2017-04-14 2017-04-14 一种乳腺导管原位癌的辅助检测方法 Withdrawn CN107028593A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710242892.XA CN107028593A (zh) 2017-04-14 2017-04-14 一种乳腺导管原位癌的辅助检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710242892.XA CN107028593A (zh) 2017-04-14 2017-04-14 一种乳腺导管原位癌的辅助检测方法

Publications (1)

Publication Number Publication Date
CN107028593A true CN107028593A (zh) 2017-08-11

Family

ID=59535316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710242892.XA Withdrawn CN107028593A (zh) 2017-04-14 2017-04-14 一种乳腺导管原位癌的辅助检测方法

Country Status (1)

Country Link
CN (1) CN107028593A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108542390A (zh) * 2018-03-07 2018-09-18 清华大学 基于多对比度磁共振影像的血管斑块成分识别方法
CN109247914A (zh) * 2018-08-29 2019-01-22 百度在线网络技术（北京）有限公司 病症数据获取方法和装置
CN109255784A (zh) * 2018-09-13 2019-01-22 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN109461147A (zh) * 2018-10-26 2019-03-12 广州金域医学检验中心有限公司 应用于移动终端的fov图片的病理标注方法及装置
CN109740626A (zh) * 2018-11-23 2019-05-10 杭州电子科技大学 基于深度学习的乳腺癌病理切片中癌症区域的检测方法
WO2020107156A1 (zh) * 2018-11-26 2020-06-04 深圳先进技术研究院 乳腺医学超声图像的自动化分类方法及装置
CN112268732A (zh) * 2020-11-02 2021-01-26 河南省肿瘤医院 一种乳腺导管原位癌的辅助检测系统
CN112884724A (zh) * 2021-02-02 2021-06-01 广州智睿医疗科技有限公司 一种用于肺癌组织病理分型的智能判断方法及系统
CN115601557A (zh) * 2022-10-21 2023-01-13 扬州大学附属医院（Cn） 一种标注乳腺冰冻切片中肌上皮细胞空间分布的方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108542390A (zh) * 2018-03-07 2018-09-18 清华大学 基于多对比度磁共振影像的血管斑块成分识别方法
CN109247914A (zh) * 2018-08-29 2019-01-22 百度在线网络技术（北京）有限公司 病症数据获取方法和装置
CN109255784A (zh) * 2018-09-13 2019-01-22 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN109461147A (zh) * 2018-10-26 2019-03-12 广州金域医学检验中心有限公司 应用于移动终端的fov图片的病理标注方法及装置
CN109740626A (zh) * 2018-11-23 2019-05-10 杭州电子科技大学 基于深度学习的乳腺癌病理切片中癌症区域的检测方法
WO2020107156A1 (zh) * 2018-11-26 2020-06-04 深圳先进技术研究院 乳腺医学超声图像的自动化分类方法及装置
CN112268732A (zh) * 2020-11-02 2021-01-26 河南省肿瘤医院 一种乳腺导管原位癌的辅助检测系统
CN112268732B (zh) * 2020-11-02 2021-08-06 河南省肿瘤医院 一种乳腺导管原位癌的辅助检测系统
CN112884724A (zh) * 2021-02-02 2021-06-01 广州智睿医疗科技有限公司 一种用于肺癌组织病理分型的智能判断方法及系统
CN115601557A (zh) * 2022-10-21 2023-01-13 扬州大学附属医院（Cn） 一种标注乳腺冰冻切片中肌上皮细胞空间分布的方法

Similar Documents

Publication Publication Date Title
CN107028593A (zh) 一种乳腺导管原位癌的辅助检测方法
CN104657984B (zh) 三维超声乳腺全容积图像感兴趣区域的自动提取方法
CN106651827B (zh) 一种基于sift特征的眼底图像配准方法
Garg et al. Unsupervised curvature-based retinal vessel segmentation
CN109389584A (zh) 基于cnn的多尺度鼻咽肿瘤分割方法
CN109785310B (zh) 一种基于乳腺淋巴结全景图像计算的自动分期系统
CN109146854A (zh) 一种肺结节与肺部血管伴生关系的分析方法
Chen et al. Pathological lung segmentation in chest CT images based on improved random walker
CN106875409A (zh) 一种轻量型切口疝补片三维超声图像特征提取方法
CN112263217B (zh) 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法
CN107316311A (zh) 细胞核图像轮廓捕获设备及其方法
WO2023168981A1 (zh) 一种结直肠癌胶原评价和预后预测装置和存储介质
Ghantasala et al. Texture recognization and image smoothing for microcalcification and mass detection in abnormal region
CN113850328A (zh) 基于多视角深度学习的非小细胞肺癌亚型分类系统
CN114820663B (zh) 用于确定射频消融治疗的辅助定位方法
CN114627067A (zh) 一种基于图像处理的伤口面积测量及辅助诊疗方法
CN110390678B (zh) 一种结直肠癌ihc染色图像的组织类型分割方法
Ankita et al. Lung cancer image-feature extraction and classification using GLCM and SVM classifier
Hassan et al. Skin lesion segmentation using gray level co-occurance matrix
Fazilov et al. Improvement of Image Enhancement Technique for Mammography Images
Ramadijanti et al. Automatic breast tumor segmentation using hierarchical k-means on mammogram
CN103208114A (zh) 基于交互式分割的胃部脂肪组织提取方法
Mastouri et al. A morphological operation-based approach for Sub-pleural lung nodule detection from CT images
CN112801992A (zh) 基于3d残差网络的肺结节图像分类方法
CN104851103B (zh) 基于sd‑oct视网膜图像的脉络膜血管抽取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20170811

WW01 Invention patent application withdrawn after publication