[发明专利]一种基于深度学习的肺部病理图像分类与分割方法

说明书

本发明涉及医学影像分析技术领域，具体涉及一种用于肺部病理图像分类与分割的方法。具体方法为：输入全切片的病理图像；使用滑动窗口对病理图像进行切分获得图像块；使用病灶类型分类模型依次对前景图像块进行分析，识别前景图像块内组织区域的病灶类型；输出病灶类型分类结果；将前景图像块病灶区域分割结果依照对应前景图像块在病理图像中的相对位置进行拼接，背景图像块区域填充背景，可得病理图像病灶区域分割结果。本发明实现了在对肺部病理图像进行准确病灶类型识别的同时分割出病灶区域的具体边界。

技术领域

本发明涉及医学影像分析技术领域，具体涉及一种基于深度学习的肺部病理图像分类与分割方法。

背景技术

肺癌是发病率和死亡率增长最快，对人群健康和生命威胁最大的恶性肿瘤之一。肿瘤细胞和组织在显微镜下观察表现出一定的异于正常细胞和组织的结构特征，也叫病理组织学特征。从病理学图像中准确地分割病灶区域是一项十分耗时的工作。

近几年来，随着深度学习技术的发展，基于深度学习的医学影像分析成为一个热门的研究方向。病理图像包含了丰富的病灶信息，有大量关于病理图像的研究工作。已知的图像分类技术，是通过提取细胞区域间的特征关系对病灶类型进行识别。但是通过这种方法得出的辅助分类结果较为粗粒度，无法提供相应病灶所在区域等更为细粒度的信息。另一种方法是把病理图像分类问题转换为语义分割问题，对病理图像进行像素级分类得到病灶区域分割结果。但是这种方法需要将病理图像切割成无缝隙的图像块再逐个进行分析，使得最后的病灶区域分割结果无法综合全局的语义信息耦合细胞间关系。

针对上述问题，本发明实现一种面向肺部病理图像的分类与分割方法。

发明内容

(一)解决的技术问题

针对现有肺部病理图像的分类与分割的缺陷，本发明提出了一种基于深度学习的肺部病理图像分类与分割方法。该方法将图像分类与语义分割进行结合，使用分类模型识别图像块的病灶类型，最后综合所有图像块的分类结果，通过病灶类型分类结果选择对应的病灶分割模型进行病灶区域分割。

(二)技术方案

本发明公开了一种基于深度学习的数字病理图像的分类与分割方法，主要包括以下步骤:

一种基于深度学习的肺部病理图像分类与分割方法，其特征在于包括以下步骤:

步骤S1：输入全切片的病理图像；

步骤S2：使用滑动窗口对病理图像进行切分获得图像块；

步骤S3：使用病灶类型分类模型依次对前景图像块进行分析，识别前景图像块内组织区域的病灶类型；

步骤S4：输出病灶类型分类结果；

步骤S5：根据病灶类型分类结果选择对应的病灶区域分割模型；

步骤S6：使用病灶区域分割模型依次对前景图像块内的病灶区域进行分割，得到病灶区域分割结果；

步骤S7：输出病灶区域分割结果。

所述步骤S2包括：利用滑动窗口将病理学图像切分为尺寸相同的图像块，通过图像块筛选算法保留含有组织区域的前景图像块，过滤背景图像块；

所述图像块筛选算法步骤包括：计算每张图像块的灰度二值图像，使用 Canny边缘轮廓检测算法提取出图像块的边缘轮廓，计算图像块中属于边缘轮廓的像素区域数量，将数量占比大于等于0.01％的图像块分类为目标图像块，小于0.01％的图像块为背景图像块，大于0.01％的图像块为前景图像块。

所述步骤S3，利用病灶类型分类模型对前景图像块中的病灶类型进行分类，得到前景图像块的病灶类型识别结果；