[发明专利]一种病理切片中非常规细胞的识别方法

说明书

本发明公开了一种病理切片中非常规细胞的识别方法，包括：将电子扫描病理切片预处理得到有效判别区域，输入全卷积网络预训练，再使用全连接层代替全卷积网络头部微调网络，使全卷积网络具有提取非常规细胞特征的能力，进而确定非常规细胞位置，更加有效地对有效判别区域进行分类；通过结合多个普通分类网络的预测结果投票，输出更加稳定的分类结果。本发明的识别方法能够自动判别病理切片中每一个20×放大的视野中存在非常规细胞的概率，输出概率值在0.5以上的非常规细胞作为识别结果，大量减轻人工筛查病理切片中非常规细胞的工作量，快速准确的筛选出非常规细胞。

技术领域

本发明属于医疗影像领域，具体涉及一种病理切片中非常规细胞的识别方法。

背景技术

传统病理切片中非常规细胞(或称非正常形态细胞)由人工进行筛查：在显微镜下，由专业的病理医生通过切片的移动，进而肉眼扫描整个切片，寻找整个切片是否存在非常规细胞，这种工作繁重而耗时，并且随着阅片时间的增长，错误率也随之提高。

随着科技的不断发展，病理切片中非常规细胞的识别可以借助计算机的帮助进行初步筛查。

基于卷积神经网络(Convolutional Neural Network，CNN)算法的VGGNet，ResNet，DenseNet等网络改进结构不断更新迭代的计算机视觉，在自然图像上，其准确率已经超过人眼。图像语义分割(Semantic Segmentation)是计算机视觉的一个重要研究方向，其任务是通过计算机算法完成对单张图像每个像素进行分类。在医疗影像中，语义分割常常被用于分割图像中的器官、组织或细胞等，以便于后续分类。

Jonathan Long提出在全卷积神经网络(Fully Convolutional Networks，FCN)中使用卷积与反卷积(Deconvolution)进行语义分割任务替代传统的全连接语义分割方法为语义分割模型的主要方法之一，U-Net是一种典型的全卷积网络，其主要思想是将网络分成下采样层与上采样层，上采用使用普通的卷积，池化层，上采样使用双线性插值或反卷积放大特征图是指能够与浅层特征图大小一致并连接。通过浅层的特征图跳跃连接与深层特征图拼接，得到最终的特征图。

发明内容

本发明的目的是提供一种病理切片中非常规细胞的识别方法，大量减轻人工筛查病理切片中非常规细胞这一繁重工作的工作量，快速准确的筛选出非常规细胞。

本发明所述的常规细胞为人体正常细胞，非常规细胞与人体正常细胞相对应，为人体非正常形态细胞。

本发明技术方案的工作原理：

将电子扫描病理切片进行预处理为多个区域，通过转换为LAB通道后A通道的均值作为依据判断区域是否有效，得到该病理切片中的所有有效判别区域，通过将使用重分布与zscore方法预处理后有效判别区域输入全卷积网络预训练，再使用全连接层代替全卷积网络头部微调网络，能够使全卷积网络具有提取非常规细胞特征的能力，进而确定非常规细胞位置，因此更加有效地对有效判别区域进行分类。通过结合多个普通分类网络的预测结果投票，输出更加稳定的分类结果，能够自动判别切片中每一个20×放大的视野中存在非常规细胞的概率。

一种病理切片上非常规细胞的识别方法，包括：

(1)对电子扫描病理切片进行预处理，得到该病理切片中的有效判别区域，所述的有效判别区域中非常规细胞像素区域为正样本，常规细胞像素区域为负样本；

(2)对步骤(1)得到的正、负样本采用全卷积网络算法进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，得到收敛的切片分割模型；

(3)在步骤(2)得到的切片分割模型基础上，将其头部分割器替换为分类器，使用含有非常规细胞的判别区域作为正例，完全不含非常规细胞的判别区域作为负例，微调网络参数使之适应分类任务，得到分割预训练分类模型；