[发明专利]一种基于双标签损失的胃癌病理切片图像分割方法及系统

说明书

本发明公开了一种基于双标签损失的胃癌病理切片图像分割方法及系统，包括：1)利用少量真实胃癌病理切片标注样本进行模型预训练，并基于预训练模型得到未标注切片的预标注；2)将预标注切片交于医生，让医生在此基础上进行标注的修改，得到切片的真实标注；3)基于切片和两种“标注”构建新的损失函数和数据集；4)基于新的数据集和新构造的损失函数进行训练得到新模型；5)通过新模型即可预测得到切片对应的标注图像。本发明解决了实际应用中胃癌病理切片辅助看片效果不佳的问题。

技术领域

本发明属于医疗图像处理技术领域，具体地说，涉及一种基于双标签损失的胃癌病理切片图像分割方法及系统。

背景技术

随着深度学习技术的迅猛发展，结合深度学习技术进行医疗辅助成为了越来越多的人努力的目标和方向。就目前医院病理切片的查看方式来看，主要利用显微镜人工地慢慢观察整个切片的病变情况，由于整个切片样本很大，而单个视野能观察到的面积则很小，需要先小倍数观察整个切片，再放大倍数不断切换视野观察细节，以此得到整个切片的样本状况。观察完整个样本所要耗费的时间随着样本难度的增加，时间更会大大加长。若能将深度学习技术与病理切片的查看结合起来，为医生提供一个预先的辅助判断，将大大降低其观察切片工作量，更能让医生有足够的时间投入到更为复杂的工作当中。

而如何辅助医生进行切片的查看，我们初始目标可以简化为为医生提供一张切片的感兴趣区域，也就是图像分割的过程。

从理论上来说，深度神经网络中的一个主要大方向就是图像分割，从20世纪初期感知器的提出，到卷积神经网络(LeNet)在90年代末期的首次提出，到2012年深度学习快车的出发，都为图像分割提供了技术基础和发展潜力。传统的处理图像分割的方法是对于待处理图像中的每一点，形成一个图像块，并进行该块的分类而得到该点分割的值，通过遍历整图即可得到整图的分割效果图。该传统方法很好地贯彻执行了图像分割要得到图像中的每个像素点的类别标签的目标，但随着图像的增大，运算量增大，时间急剧增多，且对于目标的分割效果有限。随着全卷积神经网络(FCN)的提出，图像分割成为了一个端到端的编码解码网络，使得输入图像大小等于输出图像大小，则输出即为分割效果图。目前很多改进工作(U-Net，DCAN,GCN等)都是在此基本框架上的优化改进，与传统算法相比，速度更快、效果更好。针对不同的应用场景，我们还需要做的就是要针对不同应用场景克服不同的困难点。

正是由于数字病理切片尺寸很大这一特殊性，在执行模型的时候，我们需要切成固定大小的patch，然后对patch进行分割，最后将所有patch的分割结果拼凑成全切片的分割图。由于各方面的因素，少量标注数据训练得到预训练模型之后，得到的预标注全切片分割图在某种程度上肯定存在一定的瑕疵和错误的地方，但我们先尽可能地逼近医生所标注的真实图像，同时也想加快医生标注的速度，故而先由少量标注数据训练得到的预训练模型产生预标注，再由预标注经医生修改得到真实标注，最后根据两者的区别之处在这些切片上进行模型微调，得到更为准确的结果，其中关键之处就在于如何利用预标注和真实标注图像之间的差异性，并且在损失函数的构造中强调这种差异性，来突出模型对于差异性(难点)区域的学习，如何将这个关键之处构造好，用以提升图像分割的效果是本发明需要解决的问题。

发明内容

本发明针对现有的技术的不足，提供一种基于双标签损失的胃癌病理切片图像分割方法及系统，解决实际应用中胃癌病理切片分割预测不够准确，与真实标注存在差异的问题。

为了实现上述目的，本发明提供一种基于双标签损失的胃癌病理切片图像分割方法，包括以下步骤：

1)扫描胃癌病理切片得到数字病理全切片图像；

2)通过医生标注的少量切片样本的预训练得到预训练模型，并通过预训练模型预测得到未标注切片的预标注；

所述预训练模型可以采用卷积神经网络分割模型，因为训练样本仅有单一标签，因此损失函数可以采用交叉熵损失函数；