[发明专利]一种HE染色切片图像中异常组织的分割方法和装置

说明书

本发明公开了一种HE染色切片图像中异常组织的分割方法和装置，通过构建特征缓存模块来存储异常组织编码特征与正常组织编码特征，并结合域自适应对比损失来引导分割模型忽略样本间的染色域差异，专注正常组织样本和异常组织样本之间的特征差异，以解决切片间染色域不同导致的预测效果差的问题，从而能够提高分割模型的异常区域的预测准确率；同时还充分利用正常组织样本进行模型训练，降低模型对专家标注的过分依赖。

技术领域

本发明属于医疗图像处理领域，具体涉及一种HE染色切片图像中异常组织的分割方法和装置。

背景技术

随着规范化诊断的推行和精准医学的发展，现阶段对病理诊断报告要求越来越精细化，分子病理知识更新节奏快，病理医生面临着报告复杂性增加、报告所需用时长增加与标本量日益增长的矛盾间的挑战。

深度学习模型由于它们高通量、同质性、定量化的优势，正在逐步成为解决上述难题的有效途径。如U-Net，Res-UNet、deeplabv3+等深度学习网络已经被提出专门用于执行各种医学图像分割任务。这些方法在许多的数据集上有优异的表现。它们证明了目前以编码器-解码器为主要架构的深度学习模型在从医疗图像中学习有效特征并用于器官或组织分割是十分可靠的。但是，如果想要将这些方法有效地应用于组织切片图像上，现有的方法仍然面临两个重要的困难问题。

HE染色是苏木精-伊红染色法 ( Hematoxylin-Eosin staining )的简称。苏木精染液为碱性，可以将组织的嗜碱性结构染成蓝紫色；伊红为酸性染料，可以将组织的嗜酸性结构染成粉红色，使整个细胞组织的形态清晰可见，便于观察。作为病理检验工作中使用最广泛的技术方法之一，几乎所有的病理科送检样本都会经过HE染色后成片。但由于送检机构、送检组织、检测年份等外部条件的不同，每张切片的染色条件有可能存在差异。

第一困难问题在于，染色条件不一致导致的各个切片的色域分布有所差异。如果训练集中样本的染色域不一致，会导致模型过度关注颜色上的差异从而学习到错误的特征。如果测试集样本的染色域与训练集中的不一致，会极大程度降低模型在预测时的表现。在实际场景中，要保持样本的染色域始终一致是十分困难的，因此如何让模型忽略样本间的染色域差异就显得尤为重要。

第二困难问题在于，组织切片的数字扫描图像往往拥有超大的分辨率，这导致专家进行精细标注的时间成本极高，进而使得可训练的异常组织样本数据十分稀缺。与之相反，正常组织样本由于不需要进行标注且数量居多，因此较容易获取。如何克服数据集中两类样本的极度不均衡，利用大量正常组织样本进行有效的模型训练是目前亟待解决的一个问题。

专利文献CN108447062A公开了一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法，该方法通过基于多尺度混合分割模型能够实现对非常规细胞的分割，减轻病理医生频繁的工作量，但是由于模型训练过程中没有忽略染色体之间的差异，导致模型预测精度低。

专利文献CN109035269A公开了一种宫颈细胞病理切片病变细胞分割方法及系统，通过，在深度残差网络的基础上引入多尺度空洞卷积构造的语义分割网络并训练该语义分割模型，应用训练好的语义分割模型在待识别单元中分割出不同类型的病变细胞；结合病理细胞形态特征，建立轮廓形变模型，进一步优化语义分割结果；根据切片中分割出的不同病变类型的细胞数量和置信程度，对整张切片的病变类别进行预测，该方法的语义分割模型和轮廓形变模型训练过程中没有忽略染色体之间的差异，导致预测精度低。

发明内容

鉴于上述，本发明的目的是提供一种HE染色切片图像中异常组织的分割方法和装置，以实现组织切片图像中异常组织的快速准确分割，并降低分割模型构建过程中对专家标注的过分依赖。

为实现上述发明目的，实施例提供了一种HE染色切片图像中异常组织的分割方法，包括以下步骤：

获取异常器官和正常器官的HE染色切片图像并进行预处理，以构建正常组织样本集和异常组织样本集，其中，异常组织样本带有标注标签；