CN112927215B 一种消化道活检病理切片自动分析方法 （麦克奥迪(厦门)医疗大数据有限公司）

炬园新丰三路3号麦克奥迪大厦二楼US2017236271A1,2017.08.17本发明公开了一种消化道活检病理切片自像分类模型对各特征矩阵中的各个特征向量进换算法对各特征矩阵中的各个特征向量进行距于图卷积网络模型对各组织结构图进行分类预2基于预先构建的图像分类模型对所述特征矩阵F(a)中的各个特征向量进行分类，得到基于距离变换算法对所述特征矩阵F(a)中的各个特征向量进行距离量化，得到距离量基于所述融合特征矩阵F(e)和所述病变概率矩阵P(a)，生成当前诊断子区域a的组织结基于预先训练好的图卷积网络模型对当前诊断子区域a的所述组织结构图G(a)进行分所述基于距离变换算法对所述特征矩阵F(a)中的各个特征向量进行距离量化，得到距特征矩阵F(e),包括：基于距离变换法求取当前诊断子区域中任一图像块的特征向量Fij在特征矩阵F(a)中距离0向量或边界的最短坐标距离dij；FyeR"r,表示第i行第j列窗口对应的长度为df的特h分别将当前诊断子区域中的各个图像块特征向量Fij和距获得各个图像块的融合特征向量Fiy,其长度为d＝df+dh；3对所述闭运算结果进行联通区域检测，以每个联通区域的外于所述融合特征矩阵F(a)和所述病变概率矩阵P(a)，生成当前诊断子区域a的组织结构图Ggg4apq表示邻接矩阵A中的任一元素；distance(F,,FY)表示融合特征向量F,和FY在原始上式中，N表示当前诊断子区域中包含的图像块数量；Nmax表利用下式计算滑窗第i行第j列窗口图像块在C个病变类型上的预测概率Pij和病变概率获取训练样本集，并利用滑窗法对所述训练样本集进行预处基于训练好的所述图卷积网络模型对当前诊断子区域a的所述组织结构图进行分类，5c于预先训练好的图卷积网络模型对当前诊断子区域a的所述组织结构图进行分类预测，并基于各个子区域的病变概率矩阵中的概率值，逐一生成各个9.根据权利要求8所述的一种消化道活检病理切片自动分析方法，其特征在于，还包按照预设规则整理并输出各个所述子区域的诊断结果和/或诊断区域图；利用下式表6[0001]本发明涉及医学图像处理技术领域，更具体的说是涉及一种消化道活检病理切[0003]由于数字病理图像分辨率远高于自然场景图像，计算机视觉算法难以直接处理[0005]该策略将切片所包含图像块的分类结果看作对全切片类别的投票，直接将获票[0007]该策略将图像块分类结果或图像块特征按照所在全切片中的位置关系排列成三[0009]该策略在完成图像块分类后，按照一定的规则(例如选取分类置信度高于阈值T[0010]为解决现有全切片分类策略所存在的问题，如何提供一种能够有效对胃肠道活7[0016]基于预先构建的图像分类模型对所述特征矩[0017]基于距离变换算法对所述特征矩阵F(a)中的各个特征[0018]基于所述融合特征矩阵和所述病变概率矩阵P(a)，生成当前诊断子区域a的[0019]基于预先训练好的图卷积网络模型对当前诊断子区域a的所述组织结构图G(a)进[0025]对所述闭运算结果进行联通区域检测，以每个联通区域的外接矩形为边界从所[0029]上式中，FiyER"r,表示第i行第j列窗口对应的长8[0034]基于距离变换法求取当前诊断子区域中任一图像块的特征向量Fij在特征矩阵F[0037]上式中，aye(0,1],表示当前图像块靠近组织区域边界的程度，τ[0042]分别将当前诊断子区域中的各个图像块特征向量Fij和距离量化特征向量Hij进[0043]基于各个图像块的融合特[0051]将网络采样集合χgrid与置信度采样集合χconf进行并集，得到集合χ,集合χ的表示9原始特征矩阵F(a)坐标空间的欧式距离；(ip,jp)和(iq,jq)表示F,和FY在原始特征矩阵[0065]利用下式计算滑窗第i行第j列窗口图像块在C个病变类型上的预测概率Pij和病[0068]对滑窗所得所有图像块的病变概率{rij}按照从大到小排序，获得集合{r'1,r并按照预设规则整理并输出各个所述子区域的诊断结果；当前诊断子区域a的诊断结果c[0076]基于训练好的所述图卷积网络模型对当前诊断子区域a的所述组织结构图进行[0085]按照预设规则整理并输出各个所述子区域的诊断结果和/或诊[0093]本发明能够对消化道活检病理进行分类，同时能够在全切片图像中以热力图的[0094]本发明利用网格采样与置信度采样相结合的方式平衡不同尺寸组织区域的信息[0095]本发明通过在组织区域分类中引入组织边界量化距离，用于表示特征在组织中[0096]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或[0100]图4附图为本发明提供的训练样本集中某一张病理切片的病理切片区域、医生标本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其[0108]S6、基于预先训练好的图卷积网络模型对当前诊断子区域a的组织结构图G(a)进于记录图像中每个像素点对应的病变类别编号，lk表示所标注切片的总体诊断结果的类集表示为Dae={(Tnyn)In=1,2,…,N},其中yn的取值经Yn中所有数值进行大多数[0129]对图像块训练集Daie中的任一图像块Tn提取图像特征可表示为公式：[0130]fn=Fi[0132]在上述图像特征向量fn基础上建立图像分类模型，对图像块的病变类别进行分CNN结构中最后的全连接-Softmax结构用作分类模型Fas,除分类层外的整个网络用作特[0139]将上述图像分类模型Fas作用于F(a)中的任一Fij,获得当前诊断子区域a的病变概率概率矩阵其中矩阵元素PYE"即为第i行第j列窗口中的图[0141]为了描述局部组织区域在组织块中的位置，本发明在图像块特征提取环节加入[0142]为了使距离编码对组织区域边界部分(对应组织病理中可能的上皮部分)更敏[0144]上式中，dye(0,11,表示当前图像码ijk表示Hij中第k个元素的取值。[0152]分别将当前诊断子区域中的各个图像块特征向量Fij和距离量化特征向量Hij进[0155]考虑到病理图像组织区域尺寸差异巨大，极端情况下组织区域可能包含数十万于构图(graphconstruction)[0163]2)χgrid只考虑了空间结构上的图像块数量削减，为了保证切片中对分类起到决[0167]将网络采样集合χgrid与置信度采样集合χconf进行并集，得到集合χ,集合χ的表示[0175]为了便于表述，将由特征矩阵[0177]搭建用于图分类预测的图卷积网络模型S,用于对组织区域图G进行病变类型分[0190]由筛查病理切片图像所有子区域(有时分布在多个全切片中)的预测结果z(a)整理为矩阵z=[ZI),z2),.,z)]eR其中na表示病例中包含子区域的