[发明专利]基于多级迭代的乳腺癌病理图像中有丝分裂自动检测方法

说明书

本发明公开了一种基于多级迭代的乳腺癌病理图像中有丝分裂自动检测方法，含步骤：S1：筛选有丝分裂与非有丝分裂候选集；S2：对训练集中的有丝分裂候选集进行数据增强；S3：搭建深度神经网络模型，随机初始化参数；S4：将S2的训练集放入S3搭建的模型中L轮训练，保存验证集F1值最高一轮的值及参数；S5：将前一步保存的参数作为初始化参数重新放入S3搭建的模型中再次训练L轮，保存该次最高的F1值及参数；S6:比较前两步保存的F1值，若后者提高，重复S5，直至验证集中F1值不再提高。本发明实现了高准确性的乳腺癌组织病理图像中有丝分裂自动检测功能，辅助病理医生对病人快速诊断。

技术领域

本发明涉及深度学习模型在医学图像分析中的应用技术领域，具体涉及一种基于多级迭代的乳腺癌病理图像中有丝分裂自动检测方法。

背景技术

癌症到目前为止仍然是人类尚未攻克的世界难题，根据世界卫生组织(WorldHealth Organization,WHO)国际癌症研究机构(International Agency for Research onCancer,IARC)法国里昂总部与美国癌症学会亚特兰大总部的全球癌症(GLOBOCAN)统计报告显示，癌症的发病率近年来依然逐渐增加，而乳腺癌的发病率占所有癌症的11.6％，位于第二位。乳腺癌99％发生在女性中，根据国际癌症研究中心2018年公布的数据显示，乳腺癌的发病率在女性癌症中已从原来的第二升至第一的位置，并且发病率一直在不断增加。由此可见乳腺癌已经成为危害女性健康的重要因素，针对乳腺癌诊断的研究任务刻不容缓。

在临床上，乳腺癌的诊断方式一般有x光检查、超声检测、红外线检测、病理检查等，而病理检查是公认的诊断癌症的金标准。在病理检查中，病理医生对乳腺癌进行分类分级，分类实现肿瘤类型的确定，分级可明确乳腺癌的分化程度，根据分级的结果确定患者的治疗方案。目前临床上主要根据世界卫生组织推荐的诺丁汉分级系统(Nottinghamgrading system)进行乳腺癌病理分级，诺丁汉分级系统中根据腺管的形成、细胞核多样性以及有丝分裂的个数进行1～3的分值打分，按总分3～9分的幅度分为I、II、Ⅲ等级，分级越高，分化越低，恶性程度越高，预后越差。因为癌细胞的增殖是通过细胞的大量有丝分裂会使癌细胞实现的，因此有丝分裂的记数成为评定肿瘤分级的重要依据。组织病理图像是医生通过活检取材、切片，然后用苏木精-伊红染色法(hematoxylin-eosin staining)对切片进行染色制作而成，其中苏木精将细胞核内的染色质与胞质内的核酸着紫蓝色，伊红将细胞质和细胞外基质中的成分着红色。病理医生通过在40倍高视野的区域下对有丝分裂进行人工计数，这是非常耗时耗力的一项工作，长时间的阅片会影响医生对图片结果的判断。数字病理的出现为计算机技术应用到病理图像中提供了契机借助计算机技术研究开发一套有丝分裂自动检测方法对能使病理医生使从人工阅片的工作中解放出来，辅助病理医生快速诊断。

近年来，深度学习技术在图像方面取到非常好的应用效果，特别是应用到自然图像中，但医学图像与自然图像相比，医学图像具有更困难的区分难度，对于旨在统计有丝分裂数量的病理图像而言更是如此。首先，有丝分裂分为前期、中期、后期、末期四个阶段，每个阶段都有不一样的形状；其次，由于有丝分裂具有生物多变性，在大多数情况下，发生有丝分裂的细胞核与没有发生有丝分裂的细胞核在外观上非常相似，难于区分。再次，在有丝分裂后期，有丝分裂的细胞核分为两部分，但并没有分为两个细胞，该种情况应判断为一个有丝分裂。最后，组织病理图像的染色与制作等不同也使得有丝分裂的检测困难。基于上述种种困难，目前深度学习在乳腺癌组织病理图像中的有丝分裂检测效果仍有比较大的进步空间。

发明内容

本发明针对上述背景技术中存在的现有乳腺癌有丝分裂图像中自动检测方法准确率不高的问题，在深度学习的基础上进行了改进，提出了一种基于多级迭代的乳腺癌病理图像中有丝分裂自动检测方法。该方法可以实现对组织病理图像中有丝分裂进行自动检测，不仅能减轻病理医生的工作负担，为医生提供一个客观的诊断结果，更是为病人争取更早的治疗时间。