[发明专利]一种基于深度学习的食管癌病理图像处理方法

摘要

本发明的基于深度学习的食管癌病理图像处理方法，包括：a).病理切片扫描；b).圈注上皮区类型，将上皮区的正常区域、低级别和高级别癌前病变区域圈注出来；c).图像预处理，获取上皮小图像；d).卷积神经网络将每个上皮小图像沿其纵向均分为n个图像块，对每个图像块进行特征提取；e).长短期记忆网络LSTM，获取上皮小图像的特征向量；f).分类器分类；g).模型建立和调优，h).准确率计算。本发明的食管癌病理图像处理方法，经CNN、LSTM网络和分类器的处理后，获取每个上皮小图像为正常、低级别和高级别癌前病变类型的概率，为病理科食管癌全切片的科学利用提供了一种行之有效的数字图像处理方法，有益效果显著，适于应用推广。

主权项

1.一种基于深度学习的食管癌病理图像处理方法，其特征在于，具体通过以下步骤来实现：a).病理切片扫描，利用扫描仪对病理科足够数量的食管癌病理切片进行扫描，以获取食管癌的数字化病理图像；b).圈注上皮区类型，在步骤a)获取的食管癌数字化病理图像上，医生将上皮区的正常区域、低级别癌前病变区域和高级别癌前病变区域分别圈注出来，并在圈注区域添加对应的类型标签；c).图像预处理，为了降低病理切片染色和扫描过程的影响，首先对食管癌数字化病理图像进行染色标准化处理；然后，将上皮区的每个圈注区域按照“基底层位于下方、上皮层位于上方”进行方向调整，再将每个圈注区域沿横向切分为若干小图像，记为上皮小图像；最后，将有效信息不足的上皮小图像丢弃掉，余下的上皮小图像划归为训练集、验证集和测试集；d).卷积神经网络CNN的特征提取，卷积神经网络的数据输入层将上皮小图像沿其纵向均分为n个图像块，并按照从基底层至上皮层的方向顺序对图像块依次进行1至n的编号；卷积层把每个上皮小图像的n个图像块均作为独立的图像，对每个图像块进行特征提取；e).长短期记忆网络LSTM的特征提取，基底层与上皮层之间具有强关联性，同一上皮小图像的n个图像块中相邻编号的图像块之间具有强链接，利用长短期记忆网络LSTM提取同一上皮小图像中两相邻图像块之间的隐含关系；对于同一上皮小图像，经长短期记忆网络LSTM后，获取行列为1×3的特征向量；f).分类器分类，经步骤e)中获取的1×3的特征向量经过分类器分类，得到每个上皮小图像判别为正常区域、低级别癌前病变区域或高级别癌前病变区域的概率，并以最高概率对应的类型作为该图像的判别类型；g).模型建立和调优，步骤d)、e)和f)是持续迭代调优的过程，在模型建立时，设置loss值和模型的迭代次数，利用训练集中的图像数据建立模型，并利用验证集中的图像数据对卷积神经网络CNN和长期段记忆网络LSTM的参数持续调整，直到模型的loss值和迭代次数达到设定的阈值为止；h).准确率计算，在模型训练完成之后，利用测试集中的上皮小图像，统计圈注的类型与判别类型相一致的概率，即为模型的精度。