一种基于病理图像的肝癌区域自动勾画方法与流程

本发明涉及肝癌病理图像预测，更具体地说是一种基于病理图像的肝癌区域自动勾画方法。

背景技术：

1、肝癌是全球癌症相关死亡的第二大原因，其发病率在全球范围内一直在增长，这与大多数癌症的稳定发病率或下降趋势形成鲜明对比。肝细胞癌 (hcc) 占原发性肝癌的90%，可能导致全球重大健康问题。早期hcc（肝细胞癌）检测和诊断可以让患者更早接受治疗并获得更好的生存率；

2、基于此，在国家知识产权局专利公开号cn113034443a公开了一种基于多层次判别的肺癌病理切片图像处理方法及系统，仅用传统的组织学和组织切片来区分肝脏中组织学相似的结构，包括解剖结构、良性胆管病变或常见类型的肝转移瘤，可能具有挑战性，且对医生专业知识要求较高，具体的是病理图片较大，医生标注费时费力，并且存在误标、漏标以及标注不准确等问题；同时，病理学科学发现的快速发展促进了亚专业化的趋势，这种趋势导致专科医生在审查其重点领域之外的标本时专业知识不一致；在这种情况下，缺乏专科专业知识可能会减慢诊断周转时间，导致患者护理的延误并对临床结果产生潜在的不利影响。

3、因此，亟需利用深度学习训练肝癌预测模型勾画肝癌区域，并利用影像组学提取特征，提供预测服务。基于此，提出一种基于病理图像的肝癌区域自动勾画方法。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明提供一种基于病理图像的肝癌区域自动勾画方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于病理图像的肝癌区域自动勾画方法，包括以下步骤

3、步骤a.利用深度学习训练肝癌预测模型，并勾画出肝癌区域；

4、步骤b.利用影像组学提取特征并根据特征诊断预测。

5、作为本发明再进一步的方案：一种基于病理图像的肝癌区域自动勾画方法，所述步骤a包括

6、步骤a1：选取百名原发性肝癌全年龄段双性患者的术后病例数据，实现数据的收集；

7、步骤a2：选择asap标注工具标注全部病理数据后，利用spline工具标注出癌区的紫色轮廓区域，实现roi区域标注；

8、步骤a3：基于resnet50模型搭建pytorch包，并向pytorch包输入实现roi区域标注后的病理数据以生成图像，实现癌区识别；

9、步骤a4：利用大津阈值法生成黑白化图片文件，再从图片文件中提取patches进行训练和测试，实现数据预处理。

10、作为本发明再进一步的方案：一种基于病理图像的肝癌区域自动勾画方法，所述步骤b包括

11、步骤b1：采用病理癌区分割模型将病理切片进行训练，验证病理切片上的dice值；

12、步骤b2：对patches进行切取和拼接，并根据patches预测结果获取病理图片预测结果。

13、作为本发明再进一步的方案：所述resnet50模型内设有残差块结构单元，所述残差块结构单元内设有残差连接模式，所述残差块结构单元通过残差连接模式减轻深层网络中的梯度消失障碍。

14、作为本发明再进一步的方案：所述步骤a3包括

15、步骤a31：向pytorch包中输入图像信息以使输入图像通过resnet50模型进行处理；

16、步骤a32：图像经过模型中卷积核和最大池化层降维后输出若干个特征通道数；

17、步骤a33：所述残差块结构单元内包含两个卷积，模型中共包含三组残差块结构单元，若干个特征通道数通过三个所述残差块结构单元组成一个残差组；

18、步骤a34：所述残差连接模式通过平均池化层和全连接层对残差块结构单元进行分类，解决残差连接中梯度消失的问题。

19、作为本发明再进一步的方案：一种图片数据的预处理方法，所述步骤a4包括

20、步骤a41：通过大津阈值法在固定图像level的基础上分离病理图片前景和背景，生成针对整个组织的黑白二值化图片文件；

21、步骤a42：固定每个wsi提取的patch数量，并在病理图像的状态下对病理图片提取patches；

22、步骤a43：根据病理图片分析阳性wsi在癌区的patches和无癌区域的patches。

23、作为本发明再进一步的方案：一种基于病理图像的肝癌区域自动勾画方法，所述dice值的计算公式为

24、

25、其中，n为patches的预测值，v为patches真值。

26、作为本发明再进一步的方案：一种基于病理图像的肝癌区域自动勾画方法，所述步骤b2包括

27、步骤b21：所述resnet50模型通过瓦片式切分法对病理切片进行一次切取，获取一次切取的patches值；

28、步骤b22：所述resnet50模型对一次切取patches值进行切分，获取二次patches值并对该值进行预测；

29、步骤b23：所述resnet50模型将步骤b22中的预测结果应用到一次切取的patches值上；

30、步骤b24：所述resnet50模型拼接所有patches预测结果，获取最终病理图片预测结果。

31、本发明的技术效果和优点：

32、本申请基于肝癌病理图像建立了预测肝癌癌区的模型流程，并且模型效果较好，其中dice值达到0.92。

33、1.本申请构建了深度学习病理图片识别模型，具体的是通过深度学习勾画癌区、再利用影像组学提取特征并根据特征训练模型以及判别任务，具备步骤详细、方案清晰和预测准确的优点；

34、2.本申请解决了医生看病理图片费时标注癌区费力的问题，并且也避免出现假阳性患者浪费医疗资源，分析准确率高；

35、3.本申请通过预测时截取patches中心部分预测并应用于patches其他区域，有效节约了模型训练与预测的时间，同时模型训练与预测精度损失也较小。

技术特征：

1.一种基于病理图像的肝癌区域自动勾画方法，包括以下步骤，其特征在于：

2.根据权利要求1所述的一种基于病理图像的肝癌区域自动勾画方法，其特征在于：所述步骤a包括

3.根据权利要求2所述的一种基于病理图像的肝癌区域自动勾画方法，其特征在于：所述步骤b包括

4.根据权利要求3所述的一种基于病理图像的肝癌区域自动勾画方法，其特征在于：所述resnet50模型内设有残差块结构单元，所述残差块结构单元内设有残差连接模式，所述残差块结构单元通过残差连接模式减轻深层网络中的梯度消失障碍。

5.根据权利要求4所述的一种基于病理图像的肝癌区域自动勾画方法，其特征在于：所述步骤a3包括

6.根据权利要求5所述的一种基于病理图像的肝癌区域自动勾画方法，其特征在于：所述步骤a4包括

7.根据权利要求3所述的一种基于病理图像的肝癌区域自动勾画方法，其特征在于：所述dice值的计算公式为

8.根据权利要求3所述的一种基于病理图像的肝癌区域自动勾画方法，其特征在于：所述步骤b2包括

技术总结
本发明公开了一种基于病理图像的肝癌区域自动勾画方法，具体涉及肝癌病理图像预测技术领域。本申请基于肝癌病理图像建立了预测肝癌癌区的模型流程，并且模型效果较好，其中dice值达到0.92，具体的是构建了深度学习病理图片识别模型，具体的是通过深度学习勾画癌区、再利用影像组学提取特征并根据特征训练模型以及判别任务，具备步骤详细、方案清晰和预测准确的优点；解决了医生看病理图片费时标注癌区费力的问题，并且也避免出现假阳性患者浪费医疗资源，分析准确率高；通过预测时截取patches中心部分预测并应用于patches其他区域，有效节约了模型训练与预测的时间，同时模型训练与预测精度损失也较小。

技术研发人员：马鹏程,刘燕波,聂瑞,许娟,高剑伟,王剑仲,梁大柱,张佳乐,王瑞国,吴玉杰,史文钊
受保护的技术使用者：神州医疗科技股份有限公司
技术研发日：
技术公布日：2024/2/21