[发明专利]一种基于小样本学习的结直肠癌的计算机辅助诊断方法

说明书

本发明公开一种基于小样本学习的结直肠癌的计算机辅助诊断方法，包括步骤：通过两个结构相同的骨干网分别抽取出预处理之后的查询图像与支持图像集的特征；对上述特征经余弦相似度计算后将得到所有支持像素间的最大相似度作为响应值进行归一化后转换成图像大小，得到相似度矩阵corr作为响应值特征图；利用响应值特征图与查询图像的特征及支持图像的特征，传递给后续的卷积网络得到分割与诊断结果，计算出相应损失，再将误差反向传播对网络参数进行优化更新。本发明采用最大相似度响应值特征图，对分割的指导作用更精简，更有效，而且还利用了医学诊断方面的先验知识做约束，提升模型在诊断方面的专业性与准确度。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于小样本学习的结直肠癌的计算机辅助诊断方法。

背景技术

病理切片图像是医学图像领域的范畴，在光镜下细胞核的形态表现仍然是目前肿瘤诊断的主要依据。癌症是人类难以攻克的顽疾，而结直肠癌作为消化道疾病中常见的一种恶性肿瘤，相关数据表明其发病率、致死率都在我国癌症前三位，严重影响着人们的生活和健康，而结直肠癌的早期检测对提高其治愈率有着很大的帮助。

目前的检测方法多是依赖显微镜与病理学家们的个人经验，使得检测结果具有主观性与差异性。随着图像处理技术的发展，有关病理图像计算机辅助检测系统应运而生，结直肠癌病理切片显微图像的自动分割与诊断是一个亟待解决的关键问题，好的分割诊断算法能够给病理学家提供客观精确的“第二意见”。

自20世纪中后期起，研究人员就开始进行医学图像分割相关技术的研究,希望通过计算机辅助技术减轻病理学家的沉重负担，但是这些算法通常鲁棒性较差，过程复杂且无法提供方便人类理解的语义信息。

众所周知，大多数视觉任务的深度学习网络模型都需要大规模的标注数据来训练。而与自然图像相比，医学图像的数据样本相对较少，且精细的图像标注往往需要大量的专家进行人工操作，费时耗力，高昂的人工标注成本也限制着深度学习在医学图像分割领域的应用。因此，实现基于小样本学习的结直肠癌诊断技术不仅可以挽救无数患者的生命，而且对于节约医疗资源成本,缓解医患矛盾等问题也有重大意义。

发明内容

本发明的目的是为了尽量减少标注工作，实现计算机辅助医师实现结直肠癌的诊断，而提供一种基于小样本学习的结直肠癌的计算机辅助诊断方法，能同时实现细胞核分割，良恶性的判别，分化程度的诊断，为病理学家实现辅助诊断的目的。

为实现本发明的目的所采用的技术方案是：

一种基于小样本学习的结直肠癌的计算机辅助诊断方法，包括步骤：

通过两个结构相同的骨干网分别抽取出预处理之后的查询图像与支持图像集的特征；

对上述特征经余弦相似度计算后将得到所有支持像素间的最大相似度作为响应值进行归一化后转换成图像大小，得到相似度矩阵corr，作为响应值特征图；

利用响应值特征图与查询图像的特征及支持图像的特征，传递给后续的卷积网络得到分割与诊断结果，通过损失函数计算出相应的损失，再将误差反向传播对网络参数进行优化更新。

本发明提出的基于小样本学习的结直肠癌的计算机辅助诊断方法，通过利用支持图像与支持图像掩码的信息和诊断结果之间相关的医学诊断先验知识，模型在小样本数据集上也能实现准确的分割与诊断，减少了人工标注的高昂成本；在分割结直肠癌病理切片显微图像中的细胞核的同时，能根据细胞核形态表现判断结直肠癌的良恶性，并给出细胞的分化程度，能自动地为病理学家和诊断人员标记出不同形态表现的细胞核，给出该结直肠癌病理切片的良恶性与分化程度结果，为病理学家和诊断人员提供客观可参考的病理诊断意见，实现计算机辅助诊断的目的；不仅减轻了病理学家的负担，为病理学家提供客观精确的参考意见，且在小样本数据的基础上还能够提升模型的准确性和泛化性。