CN111986802A - 一种肺腺癌病理分化等级的辅助判定系统及方法 - Google Patents
一种肺腺癌病理分化等级的辅助判定系统及方法 Download PDFInfo
- Publication number
- CN111986802A CN111986802A CN202010819859.0A CN202010819859A CN111986802A CN 111986802 A CN111986802 A CN 111986802A CN 202010819859 A CN202010819859 A CN 202010819859A CN 111986802 A CN111986802 A CN 111986802A
- Authority
- CN
- China
- Prior art keywords
- lung adenocarcinoma
- image
- pathological
- tissue growth
- digital
- 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
Links
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 title claims abstract description 138
- 201000005249 lung adenocarcinoma Diseases 0.000 title claims abstract description 136
- 230000001575 pathological effect Effects 0.000 title claims abstract description 102
- 230000004069 differentiation Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000008467 tissue growth Effects 0.000 claims abstract description 74
- 238000002372 labelling Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000003909 pattern recognition Methods 0.000 claims abstract description 16
- 210000004881 tumor cell Anatomy 0.000 claims abstract description 14
- 230000007170 pathology Effects 0.000 claims description 33
- 230000007773 growth pattern Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 11
- 230000001464 adherent effect Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000012010 growth Effects 0.000 description 25
- 206010028980 Neoplasm Diseases 0.000 description 13
- 210000001519 tissue Anatomy 0.000 description 8
- 201000011510 cancer Diseases 0.000 description 4
- 239000004530 micro-emulsion Substances 0.000 description 4
- 239000007787 solid Substances 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 210000004907 gland Anatomy 0.000 description 2
- 230000000762 glandular Effects 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000009599 head growth Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 210000002445 nipple Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种肺腺癌病理分化等级的辅助判定系统及方法，涉及深度学习技术领域，包括：图像获取模块，用于获取若干早期肺腺癌患者的数字病理图像；图像标注模块，用于分别对各数字病理图像进行标注得到数字病理标注图像；模型训练模块，用于训练得到肺腺癌组织生长模式识别模型；图像预测模块，用于将待预测数字病理图像输入肺腺癌组织生长模式识别模型得到各病灶区域对应的预测肺腺癌组织生长模式；病理分化模块，用于计算各预测肺腺癌组织生长模式的肿瘤细胞占比，为医生对进行肺腺癌病理分化等级的判定提供辅助参考。有益效果是有效避免肺腺癌病理分化等级的判定过于依赖医生的经验以及诊断一致性差，有效提升医生的工作效率。
Description
技术领域
本发明涉及深度学习技术领域，尤其涉及一种肺腺癌病理分化等级的辅助判定系统及方法。
背景技术
肺癌是全世界范围内发病率及死亡率均居于首位的恶性肿瘤，新发病例约占所有肿瘤新发病例的13％，死亡病例则占所有肿瘤死亡病例的18％。其中肺腺癌约占50％左右，肺腺癌是一种恶性程度较高，易复发、转移的恶性肿瘤，超过50％的患者确诊即为晚期。肿瘤的分化程度主要是通过组织病理学分化分级来反映。作为临床病理报告中最重要的传统组成部分之一，一般认为WHO肿瘤组织学分化分级具有重要预后意义，其中低分化患者常比高、中分化患者更容易发生局部复发和淋巴结转移，可为患者提供更个性化的系统治疗和肿瘤管理方案。此外组织学亚型异质性高是肺腺癌特征之一，在不同类型的肺腺癌甚至是同一类型内都可能存在形态学异质性。
但是在实际工作中，单一的肿瘤组织内常含有多种组织学亚型，肿瘤的次要结构或者最高级别结构均可能对肿瘤生物学行为以及预后产生重要影响。基于此，国际肺癌研究协会病理委员会2020年正式将与预后相关的多变量均纳入，将肿瘤高级别分化定义为实性成分、微乳头成分或者复杂腺体生长模式，提出早期肺腺癌病理新分化分级系统：1.高分化：贴壁成分为主合并高级别分化生长模式占比<20％；2.中分化：腺泡或乳头成分为主合并高级别分化生长模式<20％；3.低分化：高级别分化生长模式占比≥20％。
然而常规的肿瘤分化等级多是基于分析肿瘤或可疑肿瘤组织中的细胞和组织标本，通过分析细胞的形态特征，比如，染色后细胞的形状，大小，性状的改变，分化的程度以及组织结构的不规则性确定。因此癌症病理诊断除了专业知识背景之外很大程度上取决于临床病理医师的主观判断。除此之外，各机构之间标准目前依旧无法统一，病理行业人才的稀缺导致了日常工作量巨大，流水线的工作无法保证各病理学家之间的诊断一致性。为了提升临床对肺腺癌病理分化等级的区分一致性，减少可重复性高的工作对医师工作效率的影响，采用人工智能辅助医生进行肺腺癌病理分化等级判定的辅助判定系统是迫切需要的。
发明内容
针对现有技术中存在的问题，本发明提供一种肺腺癌病理分化等级的辅助判定系统，具体包括：
图像获取模块，用于获取若干早期肺腺癌患者的数字病理图像；
图像标注模块，连接所述图像获取模块，用于根据肺腺癌组织生长模式分别对各所述数字病理图像进行标注，得到标注有若干病灶区域以及各所述病灶区域对应的真实肺腺癌组织生长模式的数字病理标注图像；
模型训练模块，连接所述图像标注模块，用于以所述数字病理标注图像为输入，以所述真实肺腺癌组织生长模式为输出训练得到肺腺癌组织生长模式识别模型；
图像预测模块，连接所述模型训练模块，用于将待预测数字病理图像输入所述肺腺癌组织生长模式识别模型得到所述待预测数字病理图像中各所述病灶区域对应的预测肺腺癌组织生长模式；
病理分化模块，连接所述图像预测模块，用于计算所述待预测数字病理图像中各所述预测肺腺癌组织生长模式的肿瘤细胞占比，为医生对所述待预测数字病理图像进行肺腺癌病理分化等级的判定提供辅助参考。
优选的，还包括一数据预处理模块，分别连接所述图像标注模块和所述模型训练模块，用于分别将各所述数字病理标注图像分割为若干图像块，并对各所述图像块进行数据增强处理；
所述模型训练模块将经分割和所述数据增强处理后的所述数字病理标注图像作为输入训练得到所述肺腺癌组织生长模式识别模型。
优选的，采用像素尺寸为256像素*256像素的网格将各所述数字病理标注图像分割为若干所述图像块。
优选的，所述图像增强处理包括对各所述图像块进行多角度旋转，和/或增强锐化，和/或图片翻转。
优选的，所述真实肺腺癌组织生长模式为贴壁生长模式，或腺泡生长模式，或乳头生长模式，或高级别分化生长模式。
一种肺腺癌病理分化等级的辅助判定方法，应用于上述的肺腺癌病理分化等级的辅助判定系统，所述辅助判定方法包括：
步骤S1，所述辅助判定系统获取若干早期肺腺癌患者的数字病理图像；
步骤S2，所述辅助判定系统根据肺腺癌组织生长模式分别对各所述数字病理图像进行标注，得到标注有若干病灶区域以及各所述病灶区域对应的真实肺腺癌组织生长模式的数字病理标注图像；
步骤S3，所述辅助判定系统以所述数字病理标注图像为输入，以所述真实肺腺癌组织生长模式为输出训练得到肺腺癌组织生长模式识别模型；
步骤S4，所述辅助判定系统将待预测数字病理图像输入所述肺腺癌组织生长模式识别模型得到所述待预测数字病理图像中各所述病灶区域对应的预测肺腺癌组织生长模式；
步骤S5，所述辅助判定系统计算所述待预测数字病理图像中各所述预测肺腺癌组织生长模式的肿瘤细胞占比，为医生对所述待预测数字病理图像进行肺腺癌病理分化等级的判定提供辅助参考。
优选的，执行所述步骤S3之前还包括：
所述辅助判定系统分别将各所述数字病理标注图像分割为若干图像块，并对各所述图像块进行数据增强处理；
则所述步骤S3中，所述辅助判定系统将经分割和所述数据增强处理后的所述数字病理标注图像作为输入训练得到所述肺腺癌组织生长模式识别模型。
优选的，采用像素尺寸为256像素*256像素的网格将各所述数字病理标注图像分割为若干所述图像块。
优选的，所述图像增强处理包括对各所述图像块进行多角度旋转，和/或增强锐化，和/或图片翻转。
优选的，所述真实肺腺癌组织生长模式为贴壁生长模式，或腺泡生长模式，或乳头生长模式，或高级别分化生长模式。
上述技术方案具有如下优点或有益效果：通过训练得到的肺腺癌组织生长模式识别模型对数字病理图像中的肺腺癌组织生长模式进行识别和分类，并计算各肺腺癌组织生长模式的肿瘤细胞占比，为医生进行肺腺癌病理分化等级的判定提供辅助参考，有效避免肺腺癌病理分化等级的判定过于依赖医生的经验以及诊断一致性差等问题，有效提升医生的工作效率。
附图说明
图1为本发明的较佳的实施例中，一种肺腺癌病理分化等级的辅助判定系统的结构示意图；
图2为本发明的较佳的实施例中，一种肺腺癌病理分化等级的辅助判定方法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式，只要符合本发明的主旨，则其他实施方式也可以属于本发明的范畴。
本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种肺腺癌病理分化等级的辅助判定系统，如图1所示，具体包括：
图像获取模块1，用于获取若干早期肺腺癌患者的数字病理图像；
图像标注模块2，连接图像获取模块1，用于根据肺腺癌组织生长模式分别对各数字病理图像进行标注，得到标注有若干病灶区域以及各病灶区域对应的真实肺腺癌组织生长模式的数字病理标注图像；
模型训练模块3，连接图像标注模块2，用于以数字病理标注图像为输入，以真实肺腺癌组织生长模式为输出训练得到肺腺癌组织生长模式识别模型；
图像预测模块4，连接模型训练模块3，用于将待预测数字病理图像输入肺腺癌组织生长模式识别模型得到待预测数字病理图像中各病灶区域对应的预测肺腺癌组织生长模式；
病理分化模块5，连接图像预测模块4，用于计算待预测数字病理图像中各预测肺腺癌组织生长模式的肿瘤细胞占比，为医生对待预测数字病理图像进行肺腺癌病理分化等级的判定提供辅助参考。
具体地，本实施例中，根据早期肺腺癌病理新分化分析系统的要求，在数字病理图像中的肿瘤细胞结构具有以贴壁生长模式为主且高级别分化生长模式占比小于20％的结构特征时，医生将该数字病理图像对应的肺腺癌患者的肺腺癌病理分化等级判定为高分化等级，在数字病理图像中的肿瘤细胞结构具有以腺泡生长模式或乳头生长模式为主且高级别分化生长模式占比小于20％的结构特征时，医生将该数字病理图像对应的肺腺癌患者的肺腺癌病理分化等级判定为中分化等级，在数字病理图像中的肿瘤细胞结构具有高级别分化生长模式占比不小于20％的结构特征时，医生将该数字病理图像对应的肺腺癌患者的肺腺癌病理分化等级判定为低分化等级，上述高级别分化生长模式包括实性成分生长模式、微乳头成分生长模式以及复杂腺体生长模式。现有技术中通常依赖于医生的经验进行上述判定，且由于肺腺癌不同组织生长模式之间对比度低，医生进行判定时很有可能造成误诊或漏诊。
本实施例中，通过训练得到的肺腺癌组织生长模式识别模型进行肺腺癌组织生长模式的识别和分类，有效避免肺腺癌病理分化等级的判定过于依赖医生的经验以及诊断一致性差等问题的同时有效提升医生的工作效率。在进行肺腺癌组织生长模式识别模型训练之前，首先需要获取相应的训练数据，作为优选的实施方式，可以由医院预先建立的肺腺癌数字病理切片库中进行提取，该肺腺癌数字病理切片库中包含若干肺腺癌患者的经脱敏处理后的数字病理图像以及临床特征数据，为数据分析提供基础数据的同时有效保护肺腺癌患者的隐私。上述临床特征数据包括但不限于肺腺癌患者的临床T分期，根据该临床T分期可以筛选出早期肺腺癌患者，进而由肺腺癌数字病理切片库中提取若干早期肺腺癌患者的数字病理图像作为训练数据。
进一步地，本发明根据肺腺癌组织生长模式对获取的早期肺腺癌患者的数字病理图像进行标注，该标注优选为对具有不同肺腺癌组织生长模式的各病灶区域进行分别标注，以便于后续对不同肺腺癌组织生长模式的肿瘤细胞占比进行计算。上述肺腺癌组织生长模式包括贴壁生长模式、腺泡生长模式、乳头生长模式、实性成分生长模式、微乳头成分生长模式以及复杂腺体生长模式，在标注时，可以分别对具有上述肺腺癌组织生长模式分别进行标注，进而后续训练得到的肺腺癌组织生长模式识别模型能够输出上述各肺腺癌组织生长模式的预测结果。作为优选的实施方式，由于医生在进行最终判定时只需要对贴壁生长模式、腺泡生长模式、乳头生长模式以及高级别分化生长模式进行肿瘤细胞占比统计，因此，作为优选的实施方式，在标注时，也可以只标注上述四种肺腺癌组织生长模式，换言之，可以将具有实性成分生长模式、微乳头成分生长模式以及复杂腺体生长模式的病灶区域统一标注为高级别分化生长模式，以进一步减少标注工作量。
在标注完成后，随后进行肺腺癌组织生长模式识别模型的训练，优选首先将标注完成的各数字病理标注图像中的60％作为训练集，将各数字病理标注图像中的20％作为验证集，将各数字病理标注图像中的20％作为测试集，随后根据训练集中的各数字病理标注图像进行模型训练，根据验证集中的各数字病理标注图像进行模型优化，根据测试集对训练得到的肺腺癌组织生长模式识别模型进行效能评估。
在训练得到肺腺癌组织生长模式识别模型后，可以对待预测数字病理图像中的各肺腺癌组织生长模式进行识别，进而计算对应的各肺腺癌组织生长模式的肿瘤细胞占比，为医生对待预测数字病理图像进行肺腺癌病理分化等级的判定提供辅助参考，有效提升医生的工作效率。本发明的较佳的实施例中，还包括一数据预处理模块6，分别连接图像标注模块2和模型训练模块3，用于分别将各数字病理标注图像分割为若干图像块，并对各图像块进行数据增强处理；
模型训练模块3将经分割和数据增强处理后的数字病理标注图像作为输入训练得到肺腺癌组织生长模式识别模型。
本发明的较佳的实施例中，采用像素尺寸为256像素*256像素的网格将各数字病理标注图像分割为若干图像块。
本发明的较佳的实施例中，图像增强处理包括对各图像块进行多角度旋转，和/或增强锐化，和/或图片翻转。
具体地，本实施例中，上述多角度旋转包括但不限于将各图像块进行90度旋转，180度旋转，270度旋转等，通过图像增强处理能够增加训练数据的规模和多样性，进而提升模型训练的准确性。
本发明的较佳的实施例中，真实肺腺癌组织生长模式为贴壁型，或腺泡型，或乳头型，或高级别分化生长模式型。
一种肺腺癌病理分化等级的辅助判定方法，应用于上述的肺腺癌病理分化等级的辅助判定系统，如图2所示，辅助判定方法包括：
步骤S1，辅助判定系统获取若干早期肺腺癌患者的数字病理图像；
步骤S2，辅助判定系统根据肺腺癌组织生长模式分别对各数字病理图像进行标注，得到标注有若干病灶区域以及各病灶区域对应的真实肺腺癌组织生长模式的数字病理标注图像；
步骤S3，辅助判定系统以数字病理标注图像为输入，以真实肺腺癌组织生长模式为输出训练得到肺腺癌组织生长模式识别模型；
步骤S4，辅助判定系统将待预测数字病理图像输入肺腺癌组织生长模式识别模型得到待预测数字病理图像中各病灶区域对应的预测肺腺癌组织生长模式；
步骤S5，辅助判定系统计算待预测数字病理图像中各预测肺腺癌组织生长模式的肿瘤细胞占比，为医生对待预测数字病理图像进行肺腺癌病理分化等级的判定提供辅助参考。
本发明的较佳的实施例中，执行步骤S3之前还包括：
辅助判定系统分别将各数字病理标注图像分割为若干图像块，并对各图像块进行数据增强处理；
则步骤S3中，辅助判定系统将经分割和数据增强处理后的数字病理标注图像作为输入训练得到肺腺癌组织生长模式识别模型。
本发明的较佳的实施例中，采用像素尺寸为256像素*256像素的网格将各数字病理标注图像分割为若干图像块。
本发明的较佳的实施例中，图像增强处理包括对各图像块进行多角度旋转，和/或增强锐化，和/或图片翻转。
本发明的较佳的实施例中，真实肺腺癌组织生长模式为贴壁生长模式，或腺泡生长模式，或乳头生长模式，或高级别分化生长模式。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
Claims (10)
1.一种肺腺癌病理分化等级的辅助判定系统，其特征在于，具体包括：
图像获取模块，用于获取若干早期肺腺癌患者的数字病理图像；
图像标注模块，连接所述图像获取模块，用于根据肺腺癌组织生长模式分别对各所述数字病理图像进行标注，得到标注有若干病灶区域以及各所述病灶区域对应的真实肺腺癌组织生长模式的数字病理标注图像；
模型训练模块，连接所述图像标注模块，用于以所述数字病理标注图像为输入，以所述真实肺腺癌组织生长模式为输出训练得到肺腺癌组织生长模式识别模型；
图像预测模块，连接所述模型训练模块，用于将待预测数字病理图像输入所述肺腺癌组织生长模式识别模型得到所述待预测数字病理图像中各所述病灶区域对应的预测肺腺癌组织生长模式；
病理分化模块，连接所述图像预测模块，用于计算所述待预测数字病理图像中各所述预测肺腺癌组织生长模式的肿瘤细胞占比，为医生对所述待预测数字病理图像进行肺腺癌病理分化等级的判定提供辅助参考。
2.根据权利要求1所述的肺腺癌病理分化等级的辅助判定系统，其特征在于，还包括一数据预处理模块，分别连接所述图像标注模块和所述模型训练模块，用于分别将各所述数字病理标注图像分割为若干图像块，并对各所述图像块进行数据增强处理；
所述模型训练模块将经分割和所述数据增强处理后的所述数字病理标注图像作为输入训练得到所述肺腺癌组织生长模式识别模型。
3.根据权利要求2所述的肺腺癌病理分化等级的辅助判定系统，其特征在于，采用像素尺寸为256像素*256像素的网格将各所述数字病理标注图像分割为若干所述图像块。
4.根据权利要求2所述的肺腺癌病理分化等级的辅助判定系统，其特征在于，所述图像增强处理包括对各所述图像块进行多角度旋转，和/或增强锐化，和/或图片翻转。
5.根据权利要求1所述的肺腺癌病理分化等级的辅助判定系统，其特征在于，所述真实肺腺癌组织生长模式为贴壁生长模式，或腺泡生长模式，或乳头生长模式，或高级别分化生长模式。
6.一种肺腺癌病理分化等级的辅助判定方法，其特征在于，应用于如权利要求1-5中任意一项所述的肺腺癌病理分化等级的辅助判定系统，所述辅助判定方法包括：
步骤S1，所述辅助判定系统获取若干早期肺腺癌患者的数字病理图像；
步骤S2，所述辅助判定系统根据肺腺癌组织生长模式分别对各所述数字病理图像进行标注，得到标注有若干病灶区域以及各所述病灶区域对应的真实肺腺癌组织生长模式的数字病理标注图像；
步骤S3，所述辅助判定系统以所述数字病理标注图像为输入，以所述真实肺腺癌组织生长模式为输出训练得到肺腺癌组织生长模式识别模型；
步骤S4，所述辅助判定系统将待预测数字病理图像输入所述肺腺癌组织生长模式识别模型得到所述待预测数字病理图像中各所述病灶区域对应的预测肺腺癌组织生长模式；
步骤S5，所述辅助判定系统计算所述待预测数字病理图像中各所述预测肺腺癌组织生长模式的肿瘤细胞占比，为医生对所述待预测数字病理图像进行肺腺癌病理分化等级的判定提供辅助参考。
7.根据权利要求6所述的肺腺癌病理分化等级的辅助判定方法，其特征在于，执行所述步骤S3之前还包括：
所述辅助判定系统分别将各所述数字病理标注图像分割为若干图像块，并对各所述图像块进行数据增强处理；
则所述步骤S3中，所述辅助判定系统将经分割和所述数据增强处理后的所述数字病理标注图像作为输入训练得到所述肺腺癌组织生长模式识别模型。
8.根据权利要求7所述的肺腺癌病理分化等级的辅助判定方法，其特征在于，采用像素尺寸为256像素*256像素的网格将各所述数字病理标注图像分割为若干所述图像块。
9.根据权利要求7所述的肺腺癌病理分化等级的辅助判定方法，其特征在于，所述图像增强处理包括对各所述图像块进行多角度旋转，和/或增强锐化，和/或图片翻转。
10.根据权利要求6所述的肺腺癌病理分化等级的辅助判定方法，其特征在于，所述真实肺腺癌组织生长模式为贴壁生长模式，或腺泡生长模式，或乳头生长模式，或高级别分化生长模式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010819859.0A CN111986802A (zh) | 2020-08-14 | 2020-08-14 | 一种肺腺癌病理分化等级的辅助判定系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010819859.0A CN111986802A (zh) | 2020-08-14 | 2020-08-14 | 一种肺腺癌病理分化等级的辅助判定系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111986802A true CN111986802A (zh) | 2020-11-24 |
Family
ID=73433970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010819859.0A Pending CN111986802A (zh) | 2020-08-14 | 2020-08-14 | 一种肺腺癌病理分化等级的辅助判定系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111986802A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115760858A (zh) * | 2023-01-10 | 2023-03-07 | 东南大学附属中大医院 | 基于深度学习的肾脏病理切片细胞识别方法及系统 |
| JP2023074997A (ja) * | 2021-11-18 | 2023-05-30 | 倍利科技股▲ふん▼有限公司 | Ａｉ自動支援型マーキングシステム及び方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
| CN108629777A (zh) * | 2018-04-19 | 2018-10-09 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 一种数字病理全切片图像病变区域自动分割方法 |
| CN109754879A (zh) * | 2019-01-04 | 2019-05-14 | 湖南兰茜生物科技有限公司 | 一种基于深度学习的肺癌计算机辅助检测方法及系统 |
| CN110648322A (zh) * | 2019-09-25 | 2020-01-03 | 杭州智团信息技术有限公司 | 一种子宫颈异常细胞检测方法及系统 |
| CN110660055A (zh) * | 2019-09-25 | 2020-01-07 | 北京青燕祥云科技有限公司 | 疾病数据预测方法、装置、可读存储介质及电子设备 |
| CN111127471A (zh) * | 2019-12-27 | 2020-05-08 | 之江实验室 | 一种基于双标签损失的胃癌病理切片图像分割方法及系统 |
| CN111369534A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院（上海市职业病防治院） | 一种预测肺癌病理图像中基因突变的辅助系统及方法 |
| CN111369573A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院（上海市职业病防治院） | 一种肺腺癌亚型的辅助鉴别系统及方法 |
-
2020
- 2020-08-14 CN CN202010819859.0A patent/CN111986802A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
| CN108629777A (zh) * | 2018-04-19 | 2018-10-09 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 一种数字病理全切片图像病变区域自动分割方法 |
| CN109754879A (zh) * | 2019-01-04 | 2019-05-14 | 湖南兰茜生物科技有限公司 | 一种基于深度学习的肺癌计算机辅助检测方法及系统 |
| CN110648322A (zh) * | 2019-09-25 | 2020-01-03 | 杭州智团信息技术有限公司 | 一种子宫颈异常细胞检测方法及系统 |
| CN110660055A (zh) * | 2019-09-25 | 2020-01-07 | 北京青燕祥云科技有限公司 | 疾病数据预测方法、装置、可读存储介质及电子设备 |
| CN111127471A (zh) * | 2019-12-27 | 2020-05-08 | 之江实验室 | 一种基于双标签损失的胃癌病理切片图像分割方法及系统 |
| CN111369534A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院（上海市职业病防治院） | 一种预测肺癌病理图像中基因突变的辅助系统及方法 |
| CN111369573A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院（上海市职业病防治院） | 一种肺腺癌亚型的辅助鉴别系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 朱剑等: "双源CT双能量成像在肺腺癌病理分级诊断中的应用价值", 《中国医学装备》, vol. 15, no. 12, pages 75 - 78 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2023074997A (ja) * | 2021-11-18 | 2023-05-30 | 倍利科技股▲ふん▼有限公司 | Ａｉ自動支援型マーキングシステム及び方法 |
| CN115760858A (zh) * | 2023-01-10 | 2023-03-07 | 东南大学附属中大医院 | 基于深度学习的肾脏病理切片细胞识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gertych et al. | Machine learning approaches to analyze histological images of tissues from radical prostatectomies | |
| CN110472616B (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
| CN109903284B (zh) | 一种her2免疫组化图像自动判别方法及系统 | |
| US9741112B2 (en) | Generating image-based diagnostic tests by optimizing image analysis and data mining of co-registered images | |
| WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
| CN111986150B (zh) | 一种数字病理图像的交互式标注精细化方法 | |
| US9159129B2 (en) | Generating image-based diagnostic tests by optimizing image analysis and data mining of co-registered images | |
| Mi et al. | Deep learning-based multi-class classification of breast digital pathology images | |
| CN110490892A (zh) | 一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法 | |
| CN111369573A (zh) | 一种肺腺癌亚型的辅助鉴别系统及方法 | |
| CN108648182B (zh) | 一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法 | |
| CN109785310B (zh) | 一种基于乳腺淋巴结全景图像计算的自动分期系统 | |
| US20070019854A1 (en) | Method and system for automated digital image analysis of prostrate neoplasms using morphologic patterns | |
| CN108320289B (zh) | 一种基于稀疏表示和形态学操作的骨髓细胞分割方法 | |
| CA2807144A1 (en) | Systems and methods for segmentation and processing of tissue images and feature extraction from same for treating, diagnosing, or predicting medical conditions | |
| 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 | |
| CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
| CN111986802A (zh) | 一种肺腺癌病理分化等级的辅助判定系统及方法 | |
| CN111784711A (zh) | 一种基于深度学习的肺部病理图像分类与分割方法 | |
| CN113222933A (zh) | 一种应用于肾细胞癌全链条诊断的图像识别系统 | |
| CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
| CN111415352A (zh) | 一种基于深度级联网络的癌转移全景病理切片分析方法 | |
| CN110544262A (zh) | 一种基于机器视觉的子宫颈细胞图像分割方法 | |
| CN113762395B (zh) | 一种胰胆管型壶腹癌分类模型生成方法及图像分类方法 | |
| CN115205588A (zh) | 基于人工智能的膀胱癌肌层浸润病理辅助诊断方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201124 |