[发明专利]基于自适应比例学习的肿瘤组织病理分类系统及方法

说明书

本发明公开了一种基于自适应比例学习的肿瘤组织病理分类系统及方法，本发明首先获取若干病理切片并进行数字化扫描，将扫描后的病理图像按照分类任务目标类别进行人工标注，构建数据集；然后利用RGB通道和灰度值的差值分布特征分割组织前景，构建包含多级放大倍数的图像块的训练数据组；最后进行多级放大倍数整合，组合了各级放大倍数和整合放大倍数的交叉墒函数形成损失函数，实现多放大倍数整合学习；通过自适应比例学习，对图像全局比例标签和未达到最低比例的图像块训练权重的动态调整，扩大数据利用率，实现快速收敛。本发明在日常肿瘤组织的病理检查中，在尽可能低地增加额外工作负担的基础上，最大限度地提升检出率。

技术领域

本发明涉及医疗图像处理及机器学习领域，尤其涉及一种基于自适应比例学习的肿瘤组织病理分类系统及方法。

背景技术

病理检查作为癌症诊疗的第一步，提供的组织病理信息对于癌症患者病情判断至关重要。但由于病理医生缺口大，较多的病理指标无法在日常病理检查中得到完整详细的调查，一些罕见的肿瘤分化如果未被病理医生识别则仅报告为中分化或低分化。胚胎发育来源接近的消化系统中，肝脏以外的器官肿瘤也有可能出现肝样分化，没有鳞状上皮分布但也可能出现鳞状细胞癌分化，以及较为常见的神经内分泌分化等等，这些类别分化的出现可能会影响患者预后。现有的病理报告中对相关类型分化的描述缺失，不利于精准的个性化医疗的开展，因此需要额外的识别方法或工具对其进行识别，有效补充病理报告。

现有方案包括两类，一类是人工阅片，一类是机器阅片。人工阅片，即由医生对病理样本制片染色后的切片图像进行检查，根据细胞分化形态将肿瘤细胞分为高、中、低等不同分化等级，以及根据细胞间的组织形态分为腺体状、巢状、实性片状等生长模式。但在病理检查采样多、病理图像尺寸大的客观条件下，病理医生无法完成不遗漏每一区域的详尽检查，容易遗漏一些罕见但倾略性较高的分化亚型。

机器阅片即利用机器学习算法（包括深度学习模型在内）根据病理图像特征与图像标签进行模型训练，当模型测试的准确性达到一定程度时可应用于病理特征识别。模型训练多采用监督学习的方式，即每一个训练最小单位都需要有类标签，为达到较高的识别准确率则需要大量的训练数据及标签，标注成本过高。目前针对是否为癌的分类模型较为常见，利用多示例学习可以有效降低标签成本，同时大规模的弱监督学习可以提升识别准确性。比例标签学习则利用数据包内类别所占比例进行机器学习，但在病理图像领域，精确的比例标签的获取成本约等同于监督学习，失去了弱监督学习低标签成本的优势。现有技术有如下缺点：

1. 人工阅片耗时耗力，且存在个体间和个体内的差异性，难以覆盖整张病理切片，无法获取较细粒度的分化差异；

2. 由于样本制备、染色标准、扫描设备的不同，数字病理切片图像的数据质量差异较大，且易存在包括笔迹、边缘伪影在内的非实质组织区域，在去除这些质量问题前不适合模型训练与直接应用，在进行自动化识别前应进行质量控制，保证数据质量；

3. 现有机器学习方法标注成本过高：监督学习需要大量像素级别或图像块级别的标注标签；多示例学习难有绝对的完全标签，且训练约束太少，模型效果不佳；全尺寸病理图像的客观比例标签获取成本同监督学习。

4. 现有模型通常仅用单一放大倍数或不规定放大倍数进行建模，而绝大多数肿瘤分化需要综合不同放大倍数的形态特征以得到准确判断。

发明内容

本发明目的在于针对现有技术的不足，提出一种基于自适应比例学习的肿瘤组织病理分类系统及方法。

本发明的目的是通过以下技术方案来实现的：一种基于自适应比例学习的肿瘤组织病理分类系统，该系统包括比例标签标注模块、前景分割与图像块定位模块和自适应多放大倍数整合比例学习模块；

所述比例标签标注模块获取若干肿瘤组织病理切片并进行数字化扫描，将扫描后的病理图像按照分类任务目标类别进行人工标注，构建数据集；