[发明专利]一种病理切片图像病变分级分类检测方法

说明书

本发明公开了一种病理切片图像病变分级分类检测方法，所述方法包括如下步骤：步骤一：利用基于归一化互信息配准的自动化标签标注方法对裁剪后的图像标注标签，生成数据集；步骤二：对DenseNet121网络进行改进，引入焦点损失函数平衡多个组织样本之间的权重；步骤三：在改进后的DenseNet121中的每一个稠密块和转换层中间加入混合注意力模块，并将局部监督函数加入到修改后网络的损失函数中；步骤四：将步骤二和步骤三中的两个改进网络系统结合，形成针对病变的分级分类检测方案。本发明能够提高病变图像的检出速度和准确率，从而降低人工识别成本，扩展医学图像分类领域应用前景。

技术领域

本发明属于医学图像处理领域，涉及一种医学病理图像分类检测方法，具体涉及一种基于结构优化和局部注意力监督的病理切片图像病变分级分类检测方法。

背景技术

病理诊断是癌症诊治中不可或缺的一环，其相比于超声、CT、核磁共振等有更客观、更准确的判断标准。现如今对癌症肿瘤的筛查方式除了基本的药物筛查以外，就是制作患者的病理切片，通过具备丰富专业知识和经验的病理专家对切片一一扫描，人眼观察判断患者的组织中是否含有病变组织。这种方法处理过程漫长，病理医生需要观察每一位患者的切片，而我国人口基数庞大，具有丰富经验和专业知识的医生又相当匮乏，在实际的就医过程中并不能保证给病理医生足够的阅片时间，这也是导致我国病变肿瘤筛查漏诊率高的原因之一。此外，肿瘤早期病变特征不明显，肉眼无法看出早期蛰伏在组织当中的病变特征变化，不同经验的医师对于同一病例还存在意见分歧，患者在病毒早期潜伏的情况下没有得到根本性的治疗，面对着种种癌症极高的致死率却无能为力。因此，现阶段的肿瘤筛查方式还存在着诸多的不足，很难满足现在甚至是未来大批量的患者需求，病理科的发展也受到限制。现阶段，我国基于组织形态学的病理筛查存在的最大困难就是偌大的患者群体与少量的专业医师之间医患比严重不对等的问题。据调查，一个医生平均每天要阅片700次以上，症状复杂的切片观察时间需要10分钟，面对组织病变分型较复杂的情况甚至还需要花更多的时间经由多个专业医生之间观察和定论，基于计算机辅助的检测工具亟待开发。

随着人工智能的不断发展，人工智能辅助医疗已是大势所趋，全球各大医疗产业积极投身于智能化的诊断方案。现如今，利用深度学习对医学病理图像进行分类已是随处可见，国内外越来越多的实践证明深度学习在图像分类领域有广阔的应用前景。然而，在对医学病理图像进行分类的时候，一个窗口中的病理图像往往不是单一的病变区域，一般周围还伴随着其他的正常组织，而这些组织并不是实际任务需要；此外，人工标记的方法很难精准地标注出医学图像中病变区域的分类标签，利用注意力机制可以通过学习区分组织形态学上病变组织与正常组织的特征差异从而重点关注病变组织区域，达到正常组织与病变组织分类的目的。

DenseNet分类模型具有通道特征的复用性，能够很好地学习到病理图像中的细微特征，该网络模型借鉴ResNet网络跳跃连接以及GoogleNet中Inception单元结构多尺度感知的思想，进一步将网络结构创新——不是在加深网络层数和网络宽度的基础上改进，而是从特征图入手，利用更少的参数将特征图利用到极致，从而达到更好的分类效果。DenseNet按照串联的方式将所有层连接起来，使得每一层的输入不止来源于上一层的输出，还来源于之前所有层的输出，这就是DenseNet网络的基本模块，又称为稠密块(DenseBlock)。为了降低模型的复杂度，网络中加入了转换层(Transition层)。该层由BN层、RELU激活函数、1×1卷积核以及2×2平均池化核组成，处于两个相邻Dense Block之间。

归一化互信息(Normalized Mutual Information，NMI)是信息论中用于衡量两个随机变量之间相互关系的一个度量，互信息越大，两个随机变量相互依赖的程度就越大。在图像中，互信息越大就代表两幅图像的相关性越大，因此可以利用归一化互信息来实现两幅图像的匹配。

发明内容