[发明专利]组织图像中的伪像移除

说明书

本发明涉及一种用于生成被配置为从数字组织图像中移除伪像的程序逻辑的数字病理方法。该方法包括：通过在原始图像中的每个原始图像上应用第一图像伪像生成逻辑，针对多个原始图像中的每个原始图像生成第一人工降级图像；以及通过训练第一机器学习逻辑的未训练版本来生成程序逻辑，该第一机器学习逻辑在原始图像及其分别生成的第一降级图像上编码第一伪像移除逻辑；以及将训练的第一机器学习逻辑作为程序逻辑或作为其组件返回。第一图像伪像生成逻辑是A)图像采集系统特定的图像伪像生成逻辑或B)组织染色伪像生成逻辑。

技术领域

本发明涉及图像分析，且更具体地涉及组织图像中的伪像(artifact)移除。

背景技术

在数字病理学中，从图像中提取在组织载玻片的数字图像中编码的信息，以回答各种生物医学问题，例如用于协助医疗保健专业人员进行疾病的诊断和治疗。数字病理学领域目前被认为是诊断医学最有希望的途径之一，以便实现更好、更快和更便宜的癌症和其它重要疾病的诊断、预后和预测。数字病理学技术还广泛用于药物开发环境中，以协助病理学家了解肿瘤的微环境，了解患者的反应，药物的作用方式以及可从组织图像获得的其它信息。

扫描的数字组织图像，特别是在高放大率下，倾向于具有与染色过程和扫描过程二者相关的几种类型的噪声。这些噪声伪像给手动和自动分析二者都带来了问题。伪像可显著影响和限制自动算法的结果以及专家病理学家的手动评分，或者至少使此类手动或自动评分非常困难且不一致。

存在用于预处理组织图像以从图像中移除或减少噪声伪像的各种方法。例如，Jain等人(Jain Viren和Sebastian Seung的“Natural image denoising withconvolutional networks”，神经信息处理系统的进展，2009年)建议应用卷积神经网络，Xie等人(Xie Junyuan、Linli Xu和Enhong Chen的“Image denoising and inpaintingwith deep neural networks”，神经信息处理系统的进展，2012年)使用堆叠式稀疏自动编码器进行图像降噪，Agostenelli等人(Agostinelli Forest、Michael R.Anderson和Honglak Lee的“Adaptive multi-column deep neural networks with application torobust image denoising”，神经信息处理系统的进展，2013年)使用自适应多列深度神经网络进行图像降噪。还描述了基于小波和马尔可夫随机域的其它方法。

US 2017/0213321 A1描述了一种用于对图像数据进行降噪的计算机实现的方法。该方法包括计算机系统接收包括噪声图像数据的输入图像，并使用包括顺序收集的多个多尺度网络的深度多尺度网络对输入图像进行降噪。每个相应的多尺度网络执行降噪处理，该降噪处理包括将输入图像划分为多个图像块，并使用基于阈值的降噪处理在多个分解级别上对那些图像块进行降噪。基于阈值的降噪处理使用阈值对每个相应的图像块进行降噪，该阈值根据在相应图像块中存在的噪声的估计进行缩放。噪声处理进一步包括通过对图像块进行平均来组装降噪图像。

RUOHAN GAO ET AL：“On-demand Learning for Deep Image Restoration”，2017IEEE国际计算机视觉大会(ICCV)，2017年8月(2017-08)描述了对传统“固定(fixated)”模型的弱点的考察，并证明了训练处理任意程度的损坏的通用模型不是易事。此外，还描述了一种按需学习算法，用于采用深度卷积神经网络训练图像恢复模型。主要思想是利用反馈机制自生成最需要的训练实例，从而学习可以跨难度级别进行概括的学习模型。