[发明专利]针对用于细胞判别的神经网络模型输出结果的修正方法

说明书

本发明涉及一种针对用于细胞判别的神经网络模型输出结果的修正方法，通过标注出颜色最浅阳性肿瘤细胞，重新界定神经网络模型（或叫深度学习模型）预测出的阴性肿瘤细胞和阳性肿瘤细胞，减少背景像素对于最终判断结果的影响，从而使最终的KI67指数更接近真实数值。具体包括，将镜下病理图像输入训练好的神经网络模型，神经网络模型识别出所述病理图像上的肿瘤细胞，输出标记有肿瘤细胞位置和肿瘤细胞类别的病理图像，所述肿瘤细胞类别包括阳性肿瘤细胞和阴性肿瘤细胞，以所述神经网络模型输出的颜色最浅的阳性肿瘤细胞作为标准细胞，根据所述标准细胞与其他肿瘤细胞的颜色对比修正所述神经网络模型输出的肿瘤细胞类别。

技术领域

本发明涉及医疗技术领域，特别是涉及一种针对用于细胞判别的神经网络模型输出结果的修正方法。

背景技术

人工智能辅助医生判读KI67免疫组化病理切片图像算法能够将镜下视野图像上的所有细胞进行定位、分类和计数。专利CN201610710869.4Ki67指数自动分析方法，公开了一种Ki67指数自动分析方法，其包括以下步骤：S10、图像预处理；S20、热点区域筛选；S30、细胞数计算；S40、结果输出。该发明的Ki67指数自动分析方法具有较好的重现性，通过计算机自动批量分析Ki67的数字图像，稳定高效的获得Ki67指数，并在数字图像中通过不同颜色标记阴性和阳性细胞核，通过算法快速识别热点区域和对热点区域中的阴阳性细胞核计数，帮助医学工作者更准确的分析组织病理相关特征。然而此算法无法准确地区分阴性肿瘤和阳性肿瘤。这是因为颜色信息是病理医生在区分阴阳肿瘤时用到的主要信息。在KI67免疫组化病理图像中，偏蓝颜色的肿瘤细胞一般被认为是阴性肿瘤细胞，偏红颜色的肿瘤细胞一般被认为是阳性肿瘤细胞。然而在不同数据来源和不同光照条件下的图像差异很大，深度学习算法无法很好地习得阴阳肿瘤细胞的颜色边界。这会导致KI67指数偏离实际数值，影响诊断精度。

发明内容

为了解决上述技术问题，提出了本申请。本申请提供了一种针对用于细胞判别的神经网络模型输出结果的修正方法，通过标注出颜色最浅阳性肿瘤细胞，重新界定神经网络模型(或叫深度学习模型)预测出的阴性肿瘤细胞和阳性肿瘤细胞，减少背景像素对于最终判断结果的影响，从而使最终的KI67指数更接近真实数值。

根据本申请的一个方面，提供了一种针对用于细胞判别的神经网络模型输出结果的修正方法，包括，将镜下病理图像输入训练好的神经网络模型，神经网络模型识别出所述病理图像上的肿瘤细胞，输出标记有肿瘤细胞位置和肿瘤细胞类别的病理图像，所述肿瘤细胞类别包括阳性肿瘤细胞和阴性肿瘤细胞，以所述神经网络模型输出的颜色最浅的阳性肿瘤细胞作为标准细胞，根据所述标准细胞与其他肿瘤细胞的颜色对比修正所述神经网络模型输出的肿瘤细胞类别。

进一步地，以所述标准细胞的中心点的中心，以细胞平均半径的估计值R为半径做第一膨胀操作得到第一膨胀区域，获取所述第一膨胀区域的红通道像素均值；

根据所述肿瘤细胞位置获取肿瘤细胞的预测中心点，判断所述预测中心点是否处在当前细胞边缘，对处在当前细胞边缘的预测中心点，以细胞平均半径的估计值R为半径做第二膨胀操作，剔除第二膨胀区域中处于当前细胞周边的背景颜色信息，获取第二膨胀区域剩余区域的红通道像素均值；对未处在当前细胞边缘的预测中心点，以细胞平均半径的估计值R为半径做第三膨胀操作，获取所述第三膨胀区域的红通道像素均值；以所述第一膨胀区域的红通道像素均值为阈值，根据所述第二膨胀区域剩余区域的红通道像素均值、第三膨胀区域的红通道像素均值的大小，对所述第二膨胀区域、第三膨胀区域对应的当前细胞的细胞类别进行修正。

进一步地，判断所述预测中心点是否处在当前细胞边缘的方法是，计算所述标准细胞中心点的自信息和所有预测中心点的自信息，以所述标准细胞中心点的自信息为阈值，倘若预测中心点的自信息大于所述标准细胞中心点的自信息，则该预测中心点处在当前细胞边缘，为边缘预测点。

进一步地，包括：