[发明专利]一种肝脏病理切片图像的脂肪含量分析装置和方法

说明书

本发明提供了一种肝脏病理切片图像的脂肪含量分析装置和方法。基于人工智能多示例学习的卷积神经网络联结分类器进行肝脏脂肪变性分级，通过采集图像、识别筛选参数、用CNN训练模型训练等模块与步骤，实现了肝脏病理切片图像的脂肪含量检测、分级和定量，在医学图像处理领域具备广泛的应用。

技术领域

本发明属于医学图像处理和计算机辅助图像分析领域，具体涉及对肝脏病理切片数字化图像中的脂肪含量进行分级和定量的装置和方法。

背景技术

非酒精性脂肪性肝病(non-alcohol fatty liver disease,NAFLD)是全球最常见的慢性肝病。在普通成人中，非酒精性脂肪性肝病的患病率介于6.3％～45％，其中10％～30％为非酒精性脂肪性肝炎(non-alcoholic steatohepatitis,NASH)。随着生活质量的不断提高，营养摄入过剩使得这个疾病的发病率一直呈现升高趋势。

肝脏病理切片是病理科医生诊断病患是否存在NASH的临床金标准，其中通过肝脏病理切片图像判断肝脏脂肪变性(liver steatosis)程度是需要医生拥有丰富的诊断经验；所以一般在标准临床诊断流程下，只有经过培训并获得认证的医生才可以发诊断报告。在诊断过程中，由于长时间、大量重复性阅片的人工识别操作使得这些经验丰富的医生面临判断疲劳，导致诊断结果的偏差失稳加大，严重将产生误诊，而其他次级医院没有培训认证的医生更无法提供病理诊断服务，导致该机构医疗资源严重缺失。目前仅凭借医生对肝脏病理切片图像的人工精准诊断是不稳定的、低通量的，并且协助医生进行客观、高通量分析诊断的辅助工具也是严重缺乏的。

近年来，计算机视觉用于对图像、视频等数字化媒体材料进行目标的检测、识别以及分割，作为开发医疗影像处理技术的一个重点研究方向，医学图像分割工具可以辅助医生对患者的病理切片进行合理评估，这对于医生的临床诊断和病情评估以及后续相应的给药决策有极具价值的辅助指导作用。目前诊断肝脏脂肪变性程度有侵入式的病理切片图像诊断方法和非侵入式的图像诊断方法，例如核磁共振波谱(MRI)、计算机断层扫描(CT)和多普勒超声等非侵入式的图像诊断方法，但肝脏病理切片仍是诊断NASH的临床金标准。当前已有利用深度学习领域的神经网络模型方法分析医学图像信息来实现肝脏小区域内的脂肪变性程度的分级，但尚未有肝脏病理全景切片图像中脂肪含量的分级和定量方法。

发明内容

为了客观评估肝脏病理切片中的脂肪含量程度分级，用来自动化辅助诊断脂肪肝程度，本发明提出一种基于人工智能多示例学习的卷积神经网络联结分类器进行肝脏脂肪变性分级的分析装置和分析方法。

本发明公开了一种肝脏脂肪变性分级的分析装置，其特征在于，包括：

(1)图像获取及储存模块：用于获取肝脏组织病理切片的全扫描数字化图像并存储，获得所述切片的全景数字化图像，记为样本数据；并将样本数据按常规的80％：20％比例分为人工智能学习的训练集和测试集；

(2)图像识别与分割模块：用于设定切割图像的识别筛选参数使得计算机自动选取背景空白区域不超过20％的小图像，将全景数字化图像按照前述方法分割成小图像；

(3)图像分级与标注模块：依照脂肪含量程度顺序分为正常、轻度、中度、重度四级，将模块(2)中属于训练集的全景数字化图像分割所得的小图像进行脂肪肝病程分级的标注，其分割后的小图像数据集所设置的分级标签与全景数字化图像所属的分级标签是相同的；

(4)神经网络训练模块：用Pytorch官方基于自然图像数据集预训练好的卷积神经网络(CNN)进行样本数据中属于训练集的小图像的病程分级训练，以获得训练后的CNN模型，并使用训练过的CNN模型进行预测样本数据中属于测试集的小图像的病程分级，获得小图像的预测分级标签；

(5)目标统计模块：将模块(4)中一张全景图分割所得的小图像的四级病程分级分别进行数量统计，获得此张全景图像分割为小图后的四个病程分级统计；