CN107358611A - 一种全景扫描病理图像转移区域的自动分割方法 - Google Patents

一种全景扫描病理图像转移区域的自动分割方法 Download PDF

Info

Publication number
CN107358611A
CN107358611A CN201710507862.7A CN201710507862A CN107358611A CN 107358611 A CN107358611 A CN 107358611A CN 201710507862 A CN201710507862 A CN 201710507862A CN 107358611 A CN107358611 A CN 107358611A
Authority
CN
China
Prior art keywords
transport zone
region
pathological image
panoramic scanning
scanning pathological
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.)
Pending
Application number
CN201710507862.7A
Other languages
English (en)
Inventor
徐军
徐海俊
蔡程飞
周超
郎彬
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201710507862.7A priority Critical patent/CN107358611A/zh
Publication of CN107358611A publication Critical patent/CN107358611A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种全景扫描病理图像转移区域的自动分割方法，包括：对全景扫描病理图像进行预处理，提取有组织区域；获取训练样本集，标记转移部分和非转移部分；构建深度卷积网络模型并进行模型训练，采用训练完成的深度卷积网络模型识别全景扫描病理图像中的转移区域和非转移区域；用热值图表示全景扫描病理图像。本发明方法能够为医生提供定量化的诊断信息，减小依靠经验观测切片图像所带来的主观误差，能够缩短病情分析的等待过程，为病人提供宝贵的治疗时间。

Description

一种全景扫描病理图像转移区域的自动分割方法
技术领域
本发明涉及一种全景扫描病理图像转移区域的自动分割方法，属于医疗图像处理技术领域。
背景技术
乳腺癌是危害妇女健康的主要恶性肿瘤之一，也是我国近几年发病率增长较快的恶性肿瘤之一。传统的乳腺癌转移检测方法主要是依靠病理医生对组织病理切片的诊断，不仅工作量大，而且每个医生的评价标准存在较大的不一致性。由于近年来计算机的存储性能和计算性能的大幅度提高，借助计算机进行诊断已经慢慢流行开来。但是在我国图像处理的技术研究仍然很少，所以研究一套针对病理图像的分析工具十分重要。
研究计算机辅助系统(CAD)的目标不是为了完全代替医生，而是为了向医生提供更加准确的客观建议从而提高医生的工作效率，得到更加准确的诊断结果。虽然计算机辅助诊断具有诸多优势，但由于病理组织图像呈现出高度的复杂性使得病理组织图像的自动分析仍然是一个极具有挑战性的研究领域。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种全景扫描病理图像转移区域的自动分割方法，解决现有技术中肿瘤转移区域的划分存在判定费时费力、判定结果准确率不高的技术问题。
为解决上述技术问题，本发明所采用的技术方案是：一种全景扫描病理图像转移区域的自动分割方法，包括如下步骤：
步骤一：对全景扫描病理图像进行预处理，提取有组织区域；
步骤二：获取训练样本集，标记转移部分和非转移部分；
步骤三：构建深度卷积网络模型并进行模型训练，采用训练完成的深度卷积网络模型识别全景扫描病理图像中的转移区域和非转移区域；
步骤四：用热值图表示全景扫描病理图像。
步骤一的具体方法如下：
将全景扫描病理图像在低倍分辨率下利用Ostu阈值法，排除背景区域，然后将低倍镜下有组织区域对应在全扫描40镜倍下的目标区域提取出来。
步骤二的具体方法如下：
基于滑动窗口法在全景扫描病理图像中选取转移区域小块和非转移区域小块，将转移区域小块标记为正样本1，非转移区域小块标记为负样本0，获取训练样本集。
所述转移区域小块和非转移区域小块为大小相同的图像模块，边长为256*256像素。
步骤三的具体方法如下：
将步骤二得到的训练样本集作为深度卷积网络模型的输入，经过迭代，测试损失与分类准确率，调整神经网络的权值，得到存储网络权值系数的第一深度卷积网络模型；
对于病理医生和第一深度卷积网络模型判定的转移区域不一致的，认定为误判区域或识别困难区域，在误判区域和识别困难区域重新获取训练样本集，构建第二深度卷积网络模型，根据第二深度卷积网络模型得到二分类器，再次识别转移区域和非转移区域。
步骤四的具体方法如下：
建议一个滑动窗，步长设置为227，每一次窗口滑动判断一次是否为转移区域，用红色表示转移区域，蓝色表示非转移区域，生成热值图。
与现有技术相比，本发明所达到的有益效果是：
为医生提供定量化的诊断信息，减小依靠经验观测切片图像所带来的主观误差，能够缩短病情分析的等待过程，为病人提供宝贵的治疗时间。
附图说明
图1是本发明的流程图。
图2是本发明方法中采用深度卷积网络模型获取热值图像的流程图。
图3为误判区域和识别困难区域的判定方法图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1～2所示，本发明提供的全景扫描病理图像转移区域的自动分割方法，包括如下步骤：
步骤一：对全景扫描病理图像进行预处理，提取有组织区域，具体方法如下：
为了减少计算时间，避免在大量白色背景区域进行过多计算，首先将全景扫描病理图像在低倍分辨率下利用Ostu阈值法，排除背景区域；
然后将低倍镜下有组织区域对应在全扫描40镜倍下的目标区域提取出来。
步骤二：获取训练样本集，标记转移部分和非转移部分，具体方法如下：
基于滑动窗口法在全景扫描病理图像中选取转移区域小块和非转移区域小块，转移区域小块和非转移区域小块选用大小相同的图像模块，边长为256*256个像素。将转移(阳性)区域小块标记为正样本1，非转移(阴性)区域小块标记为负样本0，获取训练样本集。
步骤三：构建深度卷积网络模型并进行模型训练，采用训练完成的深度卷积网络模型识别全景扫描病理图像中的转移区域和非转移区域，具体方法如下：
将步骤二得到的训练样本集作为深度卷积网络模型的输入，经过迭代，测试训练样本集的损失与分类准确率，调整神经网络的权值，最后获得一个准确率较高、损失值较小的权值系数，得到一个存储网络权值系数的第一深度卷积网络模型(D-I)。为了解决由于假阳性问题引起部分转移区域和非转移区域识别困难的问题，重新构建一个深度卷积网络模型，具体为：在误判区域和识别困难区域重新获取训练样本集，构建第二深度卷积网络模型，根据第二深度卷积网络模型得到二分类器，再次识别转移区域和非转移区域。
第一个深度卷积网络模型可以生成一个预测热值图，将这张预测热值图和病理医生给标记的图作对比，如图3。如果病理医生标记为转移区域，而第一深度卷积网络模型判定为非转移区域；或者病理医生标记为非转移区域，而第一深度卷积网络模型判定为转移区域，则这部分区域就被称为误判区域或者识别困难区域。转移附近区域只是模型识别错误的概率大，所以也归于误判区域或识别困难区域。
第二深度卷积网络模型相当于对第一深度卷积网络模型做了一个补丁，从而在第一深度卷积网络模型的基础上识别转移区域和非转移区域，进一步提高准确率。为了增强数据集，提高数据集的鲁棒特性，将第二深度卷积网络模型的crop值设置为227。
步骤四：用热值图表示全景扫描病理图像，具体方法如下：
建议一个滑动窗，步长设置为227，每一次窗口滑动判断一次是否为转移区域，用红色表示转移区域，蓝色表示非转移区域，生成热值图。
本发明将深度学习领域的方法应用到现在的医疗领域，从而可以帮助病理医生提高诊断的准确率，防止由于医生的误诊和过度的治疗对病人造成的伤害。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种全景扫描病理图像转移区域的自动分割方法，其特征在于，包括如下步骤：
步骤一：对全景扫描病理图像进行预处理，提取有组织区域；
步骤二：获取训练样本集，标记转移部分和非转移部分；
步骤三：构建深度卷积网络模型并进行模型训练，采用训练完成的深度卷积网络模型识别全景扫描病理图像中的转移区域和非转移区域；
步骤四：用热值图表示全景扫描病理图像。
2.根据权利要求1所述的全景扫描病理图像转移区域的自动分割方法，其特征在于，步骤一的具体方法如下：
将全景扫描病理图像在低倍分辨率下利用Ostu阈值法，排除背景区域，然后将低倍镜下有组织区域对应在全扫描40镜倍下的目标区域提取出来。
3.根据权利要求2所述的全景扫描病理图像转移区域的自动分割方法，其特征在于，步骤二的具体方法如下：
基于滑动窗口法在全景扫描病理图像中选取转移区域小块和非转移区域小块，将转移区域小块标记为正样本1，非转移区域小块标记为负样本0，获取训练样本集。
4.根据权利要求3所述的全景扫描病理图像转移区域的自动分割方法，其特征在于，所述转移区域小块和非转移区域小块为大小相同的图像模块，边长为256*256像素。
5.根据权利要求3所述的全景扫描病理图像转移区域的自动分割方法，其特征在于，步骤三的具体方法如下：
将步骤二得到的训练样本集作为深度卷积网络模型的输入，经过迭代，测试损失与分类准确率，调整神经网络的权值，得到存储网络权值系数的第一深度卷积网络模型；
对于病理医生和第一深度卷积网络模型判定的转移区域不一致的，认定为误判区域或识别困难区域，在误判区域和识别困难区域重新获取训练样本集，构建第二深度卷积网络模型，根据第二深度卷积网络模型得到二分类器，再次识别转移区域和非转移区域。
6.根据权利要求5所述的全景扫描病理图像转移区域的自动分割方法，其特征在于，步骤四的具体方法如下：
建议一个滑动窗，步长设置为227，每一次窗口滑动判断一次是否为转移区域，用红色表示转移区域，蓝色表示非转移区域，生成热值图。
CN201710507862.7A 2017-06-28 2017-06-28 一种全景扫描病理图像转移区域的自动分割方法 Pending CN107358611A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710507862.7A CN107358611A (zh) 2017-06-28 2017-06-28 一种全景扫描病理图像转移区域的自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710507862.7A CN107358611A (zh) 2017-06-28 2017-06-28 一种全景扫描病理图像转移区域的自动分割方法

Publications (1)

Publication Number Publication Date
CN107358611A true CN107358611A (zh) 2017-11-17

Family

ID=60272603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710507862.7A Pending CN107358611A (zh) 2017-06-28 2017-06-28 一种全景扫描病理图像转移区域的自动分割方法

Country Status (1)

Country Link
CN (1) CN107358611A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107945181A (zh) * 2017-12-30 2018-04-20 北京羽医甘蓝信息技术有限公司 用于乳腺癌淋巴转移病理图像的处理方法和装置
CN109785310A (zh) * 2019-01-11 2019-05-21 南京信息工程大学 一种基于乳腺淋巴结全景图像计算的自动分期系统
CN109903284A (zh) * 2019-03-04 2019-06-18 武汉大学 一种her2免疫组化图像自动判别方法及系统
CN110111895A (zh) * 2019-05-15 2019-08-09 天津医科大学肿瘤医院 一种鼻咽癌远端转移预测模型的建立方法
CN111415352A (zh) * 2020-04-03 2020-07-14 南京信息工程大学 一种基于深度级联网络的癌转移全景病理切片分析方法
CN112508010A (zh) * 2020-11-30 2021-03-16 广州金域医学检验中心有限公司 数字病理切片目标区域的识别方法、系统、设备及介质
WO2024103250A1 (zh) * 2022-11-15 2024-05-23 中国农业大学 一种基于全景扫描的肌肉组织纤维总数的测定方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160249A (zh) * 2015-07-02 2015-12-16 哈尔滨工程大学 一种基于改进的神经网络集成的病毒检测方法
CN105550651A (zh) * 2015-12-14 2016-05-04 中国科学院深圳先进技术研究院 一种数字病理切片全景图像自动分析方法及系统
CN106326931A (zh) * 2016-08-25 2017-01-11 南京信息工程大学 基于深度学习的乳腺钼靶图像自动分类方法
CN106504232A (zh) * 2016-10-14 2017-03-15 北京网医智捷科技有限公司 一种基于3d卷积神经网络的肺部结节自动检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160249A (zh) * 2015-07-02 2015-12-16 哈尔滨工程大学 一种基于改进的神经网络集成的病毒检测方法
CN105550651A (zh) * 2015-12-14 2016-05-04 中国科学院深圳先进技术研究院 一种数字病理切片全景图像自动分析方法及系统
CN106326931A (zh) * 2016-08-25 2017-01-11 南京信息工程大学 基于深度学习的乳腺钼靶图像自动分类方法
CN106504232A (zh) * 2016-10-14 2017-03-15 北京网医智捷科技有限公司 一种基于3d卷积神经网络的肺部结节自动检测方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107945181A (zh) * 2017-12-30 2018-04-20 北京羽医甘蓝信息技术有限公司 用于乳腺癌淋巴转移病理图像的处理方法和装置
CN109785310A (zh) * 2019-01-11 2019-05-21 南京信息工程大学 一种基于乳腺淋巴结全景图像计算的自动分期系统
CN109903284A (zh) * 2019-03-04 2019-06-18 武汉大学 一种her2免疫组化图像自动判别方法及系统
CN109903284B (zh) * 2019-03-04 2022-07-05 武汉大学 一种her2免疫组化图像自动判别方法及系统
CN110111895A (zh) * 2019-05-15 2019-08-09 天津医科大学肿瘤医院 一种鼻咽癌远端转移预测模型的建立方法
CN111415352A (zh) * 2020-04-03 2020-07-14 南京信息工程大学 一种基于深度级联网络的癌转移全景病理切片分析方法
CN112508010A (zh) * 2020-11-30 2021-03-16 广州金域医学检验中心有限公司 数字病理切片目标区域的识别方法、系统、设备及介质
WO2022110396A1 (zh) * 2020-11-30 2022-06-02 广州金域医学检验中心有限公司 数字病理切片目标区域的识别方法、系统、设备及介质
WO2024103250A1 (zh) * 2022-11-15 2024-05-23 中国农业大学 一种基于全景扫描的肌肉组织纤维总数的测定方法

Similar Documents

Publication Publication Date Title
CN107358611A (zh) 一种全景扫描病理图像转移区域的自动分割方法
CN107748900B (zh) 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质
CN108464840B (zh) 一种乳腺肿块自动检测方法及系统
CN111488921B (zh) 一种全景数字病理图像智能分析系统及方法
CN111428709B (zh) 图像处理方法、装置、计算机设备和存储介质
CN109858540B (zh) 一种基于多模态融合的医学图像识别系统及方法
TWI667996B (zh) 乳房腫瘤輔助檢測模型及乳房腫瘤輔助檢測系統
CN109389584A (zh) 基于cnn的多尺度鼻咽肿瘤分割方法
CN111028206A (zh) 一种基于深度学习前列腺癌自动检测和分类系统
CN111553892B (zh) 基于深度学习的肺结节分割计算方法、装置及系统
CN112991295B (zh) 基于深度学习的淋巴结转移影像分析系统、方法及设备
Zhao et al. DSU-Net: Distraction-Sensitive U-Net for 3D lung tumor segmentation
CN111798424B (zh) 一种基于医学图像的结节检测方法、装置及电子设备
Bai et al. Automatic segmentation of cervical region in colposcopic images using K-means
CN114565761A (zh) 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法
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
CN104732520A (zh) 一种胸部数字影像的心胸比测量算法及系统
CN112270667B (zh) 一种基于ti-rads的集成深度学习多标签识别方法
CN112102343A (zh) 基于超声图像的ptc诊断系统
Zhang et al. LungSeek: 3D Selective Kernel residual network for pulmonary nodule diagnosis
Wen et al. Pulmonary nodule detection based on convolutional block attention module
CN117152433A (zh) 一种基于多尺度跨层注意力融合网络的医学图像分割方法
CN112529900B (zh) 匹配乳腺图像中roi的方法、装置、终端与存储介质
CN116862836A (zh) 一种泛器官淋巴结转移癌检测系统及计算机设备
Sun et al. Liver tumor segmentation and subsequent risk prediction based on Deeplabv3+

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20171117

RJ01 Rejection of invention patent application after publication