[发明专利]一种数字病理图像的交互式标注精细化方法

说明书

本发明提供了一种数字病理图像的交互式标注精细化方法，其特征在于，包括以下步骤：构建并训练Resnet弱监督分类模型；获得实时输入的数字病理图像，对数字病理图像进行预处理，获得与数字病理图像的组织区域相对应的尺寸及染色标准化后的Patch切片数据；将Patch切片数据输入训练好的Resnet弱监督分类模型中，获得每个patch切片的良恶性分类，根据patch切片的良恶性分类生成在原始的数字病理图像上的XML的矢量图标注，得到预标注病灶区域；在预标注病灶区域上，再获得精细化后的标注轮廓。本发明提出一种数字病理图像的交互式标注精细化方法，通过自动预标注和轮廓精细化处理提高医生的标注效率。

技术领域

本发明涉及数字病理图像处理领域，特别涉及一种数字病理图像的交互式标注精细化方法。

背景技术

数字病理图像是患者病变部位的组织切片，通常利用WSI技术获得数字病理图像尺寸非常大，由于数字病理图像能够直接反映组织内部的病变情况，因此，临床医生需要在不同倍率下寻找组织区域并勾画出具体的病变组织区域位置，作为疾病诊断的重要依据。例如，癌症诊断中需要提取病灶的活体组织做成病理切片，并对数字化的病理图像进行观察确定其病理特性。

专业的病理学医生的数量存在严重缺口，无法满足日常需求，数字病理图像的标注也极大的增加了医生的负担。目前，也有一些相关技术用于解决此问题，但操作过程负责，仍需要医生做大量的预设值工作，并且需要对整张数字病理图像进行观察，工作量大，没有直接聚焦于病理组织区域上。例如，中国专利CN105608319B，该发明专利提供了一种数字病理切片的标注方法，需要用户选择标注点、标注图形类型信息，观察对象是整张数字病理图像；中国专利CN105404896B，该发明专利主要利用相似度作为自动检测标注的结果，因此并不适合对数字病理图像标注。

发明内容

本发明要解决的技术问题是：数字病理图像的标注极大地增加了医生的负担。

为了解决上述技术问题，本发明的技术方案是提供了一种数字病理图像的交互式标注精细化方法，其特征在于，包括以下步骤：

步骤1、获得样本数字病理图像，对样本数字病理图像进行预处理，获得与每张样本数字病理图像的组织区域相对应的尺寸及染色标准化后的Patch切片数据，Patch切片数据只有样本数字病理图像的良、恶性类别标注，没有病灶位置的标注；

步骤2、按照样本数字病理图像的类别给经过预处理后得到的Patch切片数据标上分类标签，将若干个相同分类的Patch切片数据组合为Patch包，每个Patch包的类别标签是其中包含的单一种类的Patch切片数据的标签；

步骤3、将Patch包中的所有Patch切片数据输入进Resnet弱监督分类模型中，先由Resnet网络做特征提取，再由全连接网络对Patch切片进行分类，经过Sigmoid激活函数后得到每个Patch切片是恶性的概率，Resnet弱监督分类模型选择Patch切片集合中概率最大的Patch切片，若该Patch切片是恶性的概率大于0.5，则整个Patch包的类别为恶性，否则整个Patch包的类别为良性，并用来和标签计算损失；

步骤4、获得实时输入的数字病理图像，对数字病理图像进行预处理，获得与数字病理图像的组织区域相对应的尺寸及染色标准化后的Patch切片数据；

步骤5、将步骤4获得的Patch切片数据输入通过步骤3训练好的Resnet弱监督分类模型中，获得每个patch切片的良恶性分类，根据patch切片的良恶性分类生成在原始的数字病理图像上的XML的矢量图标注，得到预标注病灶区域；

步骤6、在预标注病灶区域上，医生再进行人工标注，然后在人工标注病灶边缘线两侧设定N个像素的区域作为边缘收敛候选区域，计算边缘收敛候选区域内每个像素之间的梯度值，最后选择梯度最大处作为修正后的病灶边缘，获得精细化后的标注轮廓。