[发明专利]一种病理图像的分类系统、终端及计算机可读存储介质

说明书

本发明公开一种病理图像的分类方法、病理图像的分类系统、终端及计算机可读存储介质。首先从组织切片病理图像上随机选取m个大小为h×w的图像块，组成“微视野集”(bag‑of‑patches,BoP)；然后基于此“微视野集”训练疾病分类模型和/或预后估计模型；使用时，在待分类的组织切片病理图像上随机提取大小为h×w，数量满足m的整数倍的图像块，利用疾病分类模型进行疾病类型预测，和/或，利用预后估计模型进行预后预测。本申请的技术方案能够在无需人工标注的情况下即可进行疾病分类及预后估计，对所有病种的组织切片病理图像均适用，此方法高效、快速、准确，有效弥补了病理专业医生的缺口与不足。

技术领域

本发明涉及计算机辅助诊断领域，尤其涉及一种病理图像的分类方法、病理图像的分类系统、终端及计算机可读存储介质。

背景技术

临床工作中，病理诊断是绝大多数疾病分类的重要方法，也是金标准，特别是癌症与非癌症的分类诊断至关重要。这不仅仅因为不同的癌症之间存在不同的病因、生物学行为，即便是同一类癌症的不同病理类型也存在着显著的临床差异，如肝细胞癌和肝内胆管癌均属原发性肝癌，但这两大类癌症在病因、流行病学、生物学行为、临床特征、治疗方法等多个方面均存在明显差异。因此有效进行癌症的分类诊断不仅仅是医生做出正确诊断，也是进行治疗方法选择与决策的重要依据，更是为患者做出预后判断的基石。显然，高效快速与准确的病理分类诊断十分重要。

现今的病理诊断模式是专业的病理医生通过对伊红染色的病理图像进行阅片，同时结合特别是免疫组织化学染色检查等综合分析后做出最终的病理诊断。但免疫组织化学染色费时长，成本高。在传统的病理诊断体系中仅靠伊红染色图像，做出及时、高效、准确的诊断是一项十分具有挑战的任务，其诊断准确性往往受到病理专科医生个人的经验和水平制约，同时较大的工作负担会使病理医生阅片疲劳，可能造成误诊与漏诊。且目前国内的病理专科医生缺口是十分巨大，同时存在专业水平差异大、不均衡的现状。因此，能否创造一种能够快速、高效、准确的分类诊断方法，同时弥补病理专业缺口和诊断中的缺陷，是一个巨大的挑战。

人工智能的进步与发展，为解决这一问题提供了基础和机会，它完全可能突破病理专科医生的局限，完全可能识别病理科医生能够识别的病理学特征，同时也完全可能识别病理科医生不能或难以设别的病理学特征，因此也为实现这一目标提供了可能。

实际上，基于深度学习发展的大量定量分析算法的产生，让人工智能在医疗领域的应用大放异彩，已有研究表明人工智能对全切片数字化病理图像进行学习以及定量分析，在对仅仅进行伊红染色，没有免疫组织化学染色的组织切片病理图像可自动化进行分类诊断、分级以及预后的判断，部分研究结果显示人工智能的诊断准确性可媲美专业的病理医生，而仅根据图像特征判断预后则是病理医生无法做到的，更加凸显人工智能独特的价值与优势。

当前在病理图像上开发的智能诊断模型均受到如下约束：1)病理图像需要专业的医生标注；2)可以采集到的病理图像总数通常在几百例，不利于训练深度学习模型；3)一张病理图像可以具有数十亿个像素点，比自然图像要大1000倍以上，因此有效表示和计算一张病理图像变得非常有挑战。总体而言，目前已有的基于病理图像智能诊断和预后模型通常需要的医生资源和计算资源投入大，且预测时不够高效。

针对上述问题，中国专利CN111462042A公开了一种通用的癌症病理图像的分析方法，但是仅关注预后分析，而且还需要使用滑窗法进行检测，滑窗法的缺点是需要在整张图上进行大量的滑动判断，计算效率比较低，此外，滑窗的尺寸选择需要人为干预，长宽比的选择也和物体尺寸有关。其他的现有专利，例如CN108717554A和CN111274903A只限定用于某一种癌症且病理图像检测的方法路线也有很大不同。

综上，现有技术中缺少一种算法更加简洁、高效、准确、快速，且适用于所有病理图像特别是癌症病理图像的疾病分类及预后估计的技术方案。

发明内容