[发明专利]一种全视野数字切片组织病理图片中的细胞核分类方法

说明书

本发明涉及一种全视野数字切片组织病理图片中的细胞核分类方法，包括：对患者的组织病理学WSI进行预处理，并根据处理后的WSI中细胞核的核质心到像素的经验密度对虚拟类别进行分层，并获取训练集和验证集；以空间区域为目标，对类不平衡的影像提升分类F1水平，并提取核特征；核特征提取后，采用Hovernet中的三个独立的密集连接解码器分别执行核检测、像素到核质心的水平和垂直距离估计以及对核预测进行分类；采用拥有多个目标函数组合的成本函数最小化目标函数，获取最终细胞核分类结果。与现有技术相比，本发明具有显著提高MSE，有助于模型对类进行更好地学习，以及提升分类结果准确度等优点。

技术领域

本发明涉及计算机辅助医学图像处理技术领域，尤其是涉及一种全视野数字切片组织病理图片中的细胞核分类方法。

背景技术

随着数字病理学的快速发展，通过评估微组织环境以进行细胞核分类的方法得到了极大的改进。由于肿瘤内的异质性，定性技术通常很困难，并且会导致假阴性诊断，而深度学习方法已经为不同组织区域中的许多类型的细胞核提供了具有竞争力和准确的分类结果。取决于组织区域，细胞核经常形成簇的形式；在细胞类别不平衡数据集中，这给深度学习模型带来挑战，因此非常需要模型来合并这些空间特征。

细胞核分割是细胞分类模型中的关键步骤，因为分割的性能直接影响分类性能。具有密集细胞区域的图像通常会导致细胞核聚集和重叠，当聚集的细胞核具有相似的形态特征时，这使得分割变得困难。分水岭模型(watershed)一直是分割模型的常用方法，但是当使用数据增广时，图像中的局部最小值导致过度分割。专注于形态和空间意识的模型可以更好地分割相重叠的细胞核。聚集在一起的细胞核会展现出强度对比，因此当成本函数包含细胞核的梯度时，分割结果会有提升。近年，基于空间感知的生物医学图像方法在具有空间结构特性差异的恶性细胞核正常细胞核的辨别中取得了进展。然而，许多模型专注于细胞核密集区域，对于细胞核分布很不平衡的病理图像则效果欠佳。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种全视野数字切片组织病理图片中的细胞核分类方法。

本发明的目的可以通过以下技术方案来实现：

一种全视野数字切片组织病理图片中的细胞核分类方法，该方法包括：

对患者的组织病理学WSI进行预处理，并根据处理后的WSI中细胞核的核质心到像素的经验密度对虚拟类别进行分层，并获取训练集和验证集；

以空间区域为目标，对类不平衡的影像提升分类F1水平，并提取核特征；

核特征提取后，采用Hovernet中的三个独立的密集连接解码器分别执行核检测、像素到核质心的水平和垂直距离估计以及对核预测进行分类；

采用拥有多个目标函数组合的成本函数最小化目标函数，获取最终细胞核分类结果。

进一步地，所述预处理包括对患者的组织病理学WSI依次进行的裁剪处理、颜色标准化处理和数据增强处理。

所述裁剪处理为对患者的组织病理学WSI裁剪成大小270x270的重叠块，并对裁剪后的重叠块中提取信息后进行下采样。

所述颜色标准化处理为采用Macenko的染色归一化算法归一化裁剪处理后的染色图像块。

所述数据增强处理的具体内容为：

对归一化的图像块通过旋转、镜像、缩放、平移、高斯模糊、中值模糊、混合图像、切割图像以及调整亮度、对比度和饱和度进行数据增强。

进一步地，对虚拟类别进行分层的过程中，利用k折交叉验证将80/20％的样本分成训练集和验证集。

对虚拟类别进行分层的表达式如下：

v₀：r≤0.01，