格林森分级预测方法、装置、计算机设备和存储介质与流程

本申请涉及图像处理，特别是涉及一种格林森分级预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术：

1、目前，前列腺癌已成为男性癌症死亡的第二大原因，分别占癌症发病率和死亡率的7.1％和3.8％。前列腺癌虽然常见，但往往不具备侵蚀性，因此医生很难确定癌症是否对患者构成足够大的风险。格林森分级是一种被广泛采用的前列腺癌组织学分级的方法，由于格林森分级与生物学行为和预后关联良好，逐渐得到承认，使用日渐广泛，成为制定前列腺癌治疗方案的重要参考指标。

2、现有技术中，由经验丰富的病理专家利用显微镜对比前列腺病理组织细胞的形态与正常细胞组织的形态的相似度，从而确定前列腺病理组织的格林森分级。然而前列腺病理组织的格林森分级工作量大，依靠病理专家人工进行观察耗时过长，导致现有技术中存在前列腺病理组织的格林森分级效率太低的问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种格林森分级预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，以解决相关技术中存在的前列腺病理组织的格林森分级效率太低的问题。

2、第一个方面，本申请实施例了一种格林森分级预测方法，用于预测前列腺病理图像的格林森分级，所述方法包括以下步骤：

3、对待预测前列腺病理图像进行划分得到若干第一patch图像，组成待预测patch图像集；

4、对所述待预测前列腺病理图像进行缩放，得到与所述待预测patch图像集中的每个所述第一patch图像中心点相同、尺寸相同、且分辨率不同的图像，作为所述第一patch图像关联的第一图像对；

5、将所述待预测patch图像集中的每个所述第一patch图像及其关联的第一图像对，输入到训练完备的多分辨率分割网络模型，得到每个所述第一patch图像的格林森分级的预测结果；所述多分辨率分割网络模型用于对所述第一patch图像及其关联的所述第一图像对进行信息融合，得到所述第一patch图像的格林森分级；

6、将所述待预测patch图像集中的所有所述第一patch图像的格林森分级的预测结果进行拼接，得到所述待预测前列腺病理图像的格林森分级的预测结果。

7、在其中一个实施例中，在所述将所述待预测patch图像集中的每个所述第一patch图像及其关联的第一图像对，输入到训练完备的多分辨率分割网络模型之前，所述方法还包括：

8、从对待训练前列腺病理图像进行划分得到的若干第二patch图像中，筛选出标注区域大小满足预设要求的所述第二patch图像，并将标注区域大小满足所述预设要求的所述第二patch图像作为所述多分辨率分割网络模型的样本源；

9、遍历所有预设分辨率，按所述预设分辨率对所述待训练前列腺病理图像进行缩放，得到与所述样本源中的所述第二patch图像中心点相同、尺寸相同、且分辨率不同的图像，作为所述第二patch图像关联的第二图像对；

10、对所述样本源中的所述第二patch图像及其关联的所述第二图像对进行训练，生成所述多分辨率分割网络模型。

11、在其中一个实施例中，在所述从对待训练前列腺病理图像进行划分得到的若干第二patch图像中，筛选出标注区域大小满足预设要求的所述第二patch图像之前，所述方法还包括：

12、根据所述待训练前列腺病理图像的标签，确定所述待训练前列腺病理图像的标注区域所在位置以及所述标注区域的被标注等级。

13、在其中一个实施例中，所述对待预测前列腺病理图像进行划分得到若干第一patch图像，组成待预测patch图像集，包括以下步骤：

14、对所述待预测前列腺病理图像进行划分得到若干第一patch图像，从中筛选出存在组织区域的所述第一patch图像，组成所述待预测patch图像集。

15、在其中一个实施例中，在所述对待预测前列腺病理图像进行划分得到若干第一patch图像之前，所述方法还包括：

16、利用大津法对所述待预测前列腺病理图像进行组织区域检测，确定所述待预测前列腺病理图像的组织区域所在位置。

17、在其中一个实施例中，所述方法还包括：

18、采用混合损失函数训练所述多分辨率分割网络模型。

19、第二个方面，本申请实施例了一种格林森分级预测装置，所述装置包括划分模块、获取模块、计算模块和拼接模块；

20、所述划分模块，用于对待预测前列腺病理图像进行划分得到若干第一patch图像，组成待预测patch图像集；

21、所述获取模块，用于对所述待预测前列腺病理图像进行缩放，得到与所述待预测patch图像集中的每个所述第一patch图像中心点相同、尺寸相同、且分辨率不同的图像，作为所述第一patch图像关联的第一图像对；

22、所述计算模块，用于将所述待预测patch图像集中的每个所述第一patch图像及其关联的第一图像对，输入到训练完备的多分辨率分割网络模型，得到每个所述第一patch图像的格林森分级的预测结果；所述多分辨率分割网络模型用于对所述第一patch图像及其关联的所述第一图像对进行信息融合，得到所述第一patch图像的格林森分级；

23、所述拼接模块，用于将所述待预测patch图像集中的所有所述第一patch图像的格林森分级的预测结果进行拼接，得到所述待预测前列腺病理图像的格林森分级的预测结果。

24、第三个方面，在本实施例中提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述方法的步骤。

25、第四个方面，在本实施例中提供了计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一个方面所述的方法的步骤。

26、第五个方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一个方面所述的方法的步骤。

27、上述格林森分级预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，通过将待预测前列腺病理图像进行划分得到的若干第一patch图像及与第一patch图像存在上下文关联的第一图像对，输入到训练完备的多分辨率分割网络模型，实现对第一patch图像的格林森分级进行预测，之后将第一patch图像的格林森分级的预测结果进行拼接，得到待预测前列腺病理图像的格林森分级的预测结果，基于深度学习模型来预测前列腺病理图像的格林森分级，有效提高前列腺病理组织的格林森分级效率。

技术特征：

1.一种格林森分级预测方法，用于预测前列腺病理图像的格林森分级，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的格林森分级预测方法，其特征在于，在所述将所述待预测patch图像集中的每个所述第一patch图像及其关联的第一图像对，输入到训练完备的多分辨率分割网络模型之前，所述方法还包括：

3.根据权利要求2所述的格林森分级预测方法，其特征在于，在所述从对待训练前列腺病理图像进行划分得到的若干第二patch图像中，筛选出标注区域大小满足预设要求的所述第二patch图像之前，所述方法还包括：

4.根据权利要求1所述的格林森分级预测方法，其特征在于，所述对待预测前列腺病理图像进行划分得到若干第一patch图像，组成待预测patch图像集，包括以下步骤：

5.根据权利要求4所述的格林森分级预测方法，其特征在于，在所述对待预测前列腺病理图像进行划分得到若干第一patch图像之前，所述方法还包括：

6.根据权利要求1至5任一项所述的格林森分级预测方法，其特征在于，所述方法还包括：

7.一种格林森分级预测装置，其特征在于，所述装置包括划分模块、获取模块、计算模块和拼接模块；

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结
本申请涉及格林森分级预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，对待预测前列腺病理图像进行划分得到若干patch图像，组成待预测patch图像集；对待预测前列腺病理图像进行缩放，得到与待预测patch图像集中的每个patch图像中心点相同、尺寸相同、且分辨率不同的图像，作为patch图像关联的图像对；将待预测patch图像集中的每个patch图像及其关联的图像对，输入到多分辨率分割网络模型，得到每个patch图像的格林森分级的预测结果；将每个预测结果进行拼接，得到待预测前列腺病理图像的格林森分级的预测结果，有效提高前列腺病理组织的格林森分级效率。

技术研发人员：周奇明,姚卫忠,杜立辉
受保护的技术使用者：浙江华诺康科技有限公司
技术研发日：
技术公布日：2024/2/19