病理切片圖像智能分類方法及裝置制造方法及圖紙

本發(fā)明專利技術(shù)公開了一種病理切片圖像智能分類方法及裝置，方法包括：對預(yù)置的正常樣本及癌癥樣本中的每一幅病理切片圖像進(jìn)行圖像處理，得到正常樣本和癌癥樣本的訓(xùn)練數(shù)據(jù)，訓(xùn)練數(shù)據(jù)包含相似度指標(biāo)的均值集合、方差集合及信息熵集合，并基于訓(xùn)練數(shù)據(jù)對預(yù)置的機(jī)器分類模型進(jìn)行訓(xùn)練，以便利用訓(xùn)練后的機(jī)器分類模型確定待分類病理切片圖像的類型，通過引入信息熵作為圖像結(jié)構(gòu)混亂程度的一個(gè)獨(dú)立維度，則可達(dá)到定量描述腫瘤細(xì)胞或組織的分化程度的目的，且通過利用包含信息熵集合的訓(xùn)練數(shù)據(jù)對機(jī)器分類模型進(jìn)行訓(xùn)練，使得能夠有效提高病理切片圖像智能分類的準(zhǔn)確性。

Intelligent classification method and device for pathological slice image

The invention discloses a device and a smart, pathological image classification methods include: every piece of pathological images of normal and cancer samples preset in the sample image processing, normal and cancer samples samples of the training data, the training data contains similar mean index sets, variance set and information entropy set the classification of the training data, and machine preset model based on training, so that the use of machine classification model after training to determine the type of classification of pathological images, the information entropy is introduced as the image structure chaos degree of an independent dimension, it can achieve the quantitative description of the degree of differentiation of tumor cells or tissues for the purpose, and by by including training on machine classification model training data set information entropy, which can effectively improve the pathological images of wisdom Accuracy of classification.

【技術(shù)實(shí)現(xiàn)步驟摘要】
病理切片圖像智能分類方法及裝置
本專利技術(shù)涉及圖像處理領(lǐng)域，尤其涉及一種病理切片圖像智能分類方法及裝置。
技術(shù)介紹
正常細(xì)胞在個(gè)體發(fā)育中表現(xiàn)出來的形態(tài)結(jié)構(gòu)和功能上發(fā)生穩(wěn)定性的差異過程稱為細(xì)胞分化，分化程度越高，差異就越大。體內(nèi)部分細(xì)胞由于基因突變失去正常死亡調(diào)控，分裂增生失去控制，無序過度增殖等導(dǎo)致正常組織結(jié)構(gòu)遭受破壞，成為癌癥細(xì)胞。分化在腫瘤病理學(xué)中常指腫瘤細(xì)胞與其起源的正常細(xì)胞的相似程度，是腫瘤良惡性鑒別的主要依據(jù)，分化高的腫瘤具有良性行為，分化低的腫瘤多有惡性表現(xiàn)。病理切片圖像分析的主要任務(wù)就是甄別腫瘤細(xì)胞或組織在顯微鏡下表現(xiàn)出有別于正常細(xì)胞或組織的結(jié)構(gòu)特征，通常需要輔助予HE染色等標(biāo)記手段。光鏡觀察對細(xì)胞核形態(tài)只能作大致的描述，易帶主觀性，缺乏精確而更為客觀的定量標(biāo)準(zhǔn)。近年來，科技進(jìn)步促使病理學(xué)的研究手段已遠(yuǎn)遠(yuǎn)超越了傳統(tǒng)的形態(tài)觀察，而涌現(xiàn)出許多新方法、新技術(shù)，從根本上要求分析工作往客觀化、定量化的標(biāo)準(zhǔn)發(fā)展。形態(tài)定量分析量化反映組織和細(xì)胞的形態(tài)結(jié)構(gòu)，可排除主觀因素的影響，在腫瘤病理方面圖像分析主要是核形態(tài)參數(shù)的測定，區(qū)別癌前病變和癌，區(qū)別腫瘤的良惡性，腫瘤組織病理分級及判斷預(yù)后等。隨著電子計(jì)算機(jī)的發(fā)展，研究者開始嘗試把醫(yī)學(xué)模擬圖像轉(zhuǎn)化為數(shù)字圖像，開展了計(jì)算機(jī)輔助診斷的初步研究，試圖在一定程度上輔助醫(yī)生判讀醫(yī)學(xué)圖像，排除人為主觀因素，提高診斷準(zhǔn)確性和效率。光學(xué)成像技術(shù)的發(fā)展促使數(shù)據(jù)采集高維化，傳統(tǒng)的二維灰度值圖像已經(jīng)很難理解如此海量的信息。醫(yī)學(xué)圖像分析不再局限于過去具有明顯診斷特征的病種，開始擴(kuò)展到多種不同器官、解剖形態(tài)、功能過程的圖像，試圖利用自動精確定量的計(jì)算機(jī)輔助圖像分析，幫助臨床醫(yī)生和研究者高效準(zhǔn)確地處理海量圖像信息，然而，目前的技術(shù)還是難以實(shí)現(xiàn)有效的確定病理切片圖像是正常切片圖像還是癌癥切片圖像，準(zhǔn)確性較低。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的主要目的在于提供一種病理切片圖像智能分類方法及裝置，旨在解決現(xiàn)有技術(shù)中對病理切片圖像進(jìn)行分類的準(zhǔn)確性較低的技術(shù)問題。為實(shí)現(xiàn)上述目的，本專利技術(shù)第一方面提供一種病理切片圖像智能分類方法，所述方法包括：對預(yù)置的正常樣本及癌癥樣本中的每一幅病理切片圖像進(jìn)行圖像處理，得到所述正常樣本和所述癌癥樣本的訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)包含相似度指標(biāo)的均值集合、方差集合及信息熵集合；基于所述正常樣本和所述癌癥樣本的訓(xùn)練數(shù)據(jù)對預(yù)置的機(jī)器分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的機(jī)器分類模型；將待分類病理切片圖像輸入所述訓(xùn)練后的機(jī)器分類模型，且將所述訓(xùn)練后的機(jī)器分類模型輸出的類型作為所述待分類病理切片圖像的類型。為實(shí)現(xiàn)上述目的，本專利技術(shù)第二方面提供一種病理切片圖像智能分類裝置，該裝置包括：處理模塊，用于對預(yù)置的正常樣本及癌癥樣本中的每一幅病理切片圖像進(jìn)行圖像處理，得到所述正常樣本和所述癌癥樣本的訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)包含相似度指標(biāo)的均值集合、方差集合及信息熵集合；訓(xùn)練模塊，用于基于所述正常樣本和所述癌癥樣本的訓(xùn)練數(shù)據(jù)對預(yù)置的機(jī)器分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的機(jī)器分類模型；分類模塊，用于將待分類病理切片圖像輸入所述訓(xùn)練后的機(jī)器分類模型，且將所述訓(xùn)練后的機(jī)器分類模型輸出的類型作為所述待分類病理切片圖像的類型。本專利技術(shù)提供一種病理切片圖像智能分類方法，該方法包括：對預(yù)置的正常樣本及癌癥樣本中的每一幅病理切片圖像進(jìn)行圖像處理，得到正常樣本和癌癥樣本的訓(xùn)練數(shù)據(jù)，其中，訓(xùn)練數(shù)據(jù)包含相似度指標(biāo)的均值集合、方差集合及信息熵集合，并基于正常樣本和癌癥樣本的訓(xùn)練數(shù)據(jù)對預(yù)置的機(jī)器分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的機(jī)器分類模型，將待分類病理切片圖像輸入該訓(xùn)練后的機(jī)器分類模型，且將該訓(xùn)練后的機(jī)器分類模型輸出的類型作為該待分類病理切片圖像的類型。相對于現(xiàn)有技術(shù)，不僅使用了相似度指標(biāo)的均值及方差用于判別正常切片圖像和癌癥切片圖像之間的差異，還引入了信息熵作為圖像結(jié)構(gòu)混亂程度的一個(gè)獨(dú)立維度，則通過使用信息熵可達(dá)到定量描述腫瘤細(xì)胞或組織的分化程度的目的，且通過包含正常樣本和癌癥樣本的相似度指標(biāo)的均值集合、方差集合及信息熵集合的訓(xùn)練數(shù)據(jù)對機(jī)器分類模型進(jìn)行訓(xùn)練，并通過該機(jī)器分類模型對病理切片圖形進(jìn)行分類，使得能夠有效提高病理切片圖像智能分類的準(zhǔn)確性。附圖說明為了更清楚地說明本專利技術(shù)實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本專利技術(shù)的一些實(shí)施例，對于本領(lǐng)域技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本專利技術(shù)第一實(shí)施例中病理切片圖像智能分類方法的流程示意圖；圖2為本專利技術(shù)第二實(shí)施例中病理切片圖像智能分類方法的流程示意圖；圖3為本專利技術(shù)第三實(shí)施例中病理切片圖像智能分類裝置的功能模塊的示意圖；圖4為本專利技術(shù)第四實(shí)施例中病理切片圖像智能分類裝置的功能模塊的示意圖；圖5a為切片HE染色熒光壽命在均值μ、方差σ和熵值S構(gòu)成的三維空間分布；圖5b為切片HE染色熒光壽命在μ-σ平面內(nèi)的支持向量機(jī)線性判別；圖5c為切片HE染色熒光壽命在S-μ平面內(nèi)的支持向量機(jī)線性判別；圖5d為切片HE染色熒光壽命在S-σ平面內(nèi)的支持向量機(jī)線性判別。具體實(shí)施方式為使得本專利技術(shù)的專利技術(shù)目的、特征、優(yōu)點(diǎn)能夠更加的明顯和易懂，下面將結(jié)合本專利技術(shù)實(shí)施例中的附圖，對本專利技術(shù)實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本專利技術(shù)一部分實(shí)施例，而非全部實(shí)施例。基于本專利技術(shù)中的實(shí)施例，本領(lǐng)域技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本專利技術(shù)保護(hù)的范圍。由于現(xiàn)有技術(shù)中對病理切片圖像進(jìn)行分類的準(zhǔn)確性較低技術(shù)問題。為了解決上述技術(shù)問題，本專利技術(shù)提出一種病理切片圖像智能分類方法，該方法中，不僅使用了相似度指標(biāo)的均值及方差用于判別正常切片圖像和癌癥切片圖像之間的差異，還引入了信息熵作為圖像結(jié)構(gòu)混亂程度的一個(gè)獨(dú)立維度，則可達(dá)到定量描述腫瘤細(xì)胞或組織的分化程度的目的，且通過包含正常樣本和癌癥樣本的相似度指標(biāo)的均值集合、方差集合及信息熵集合的訓(xùn)練數(shù)據(jù)對機(jī)器分類模型進(jìn)行訓(xùn)練，并通過該機(jī)器分類模型對病理切片圖形進(jìn)行分類，使得能夠有效提高病理切片圖像智能分類的準(zhǔn)確性。請參閱圖1，為本專利技術(shù)第一實(shí)施例中病理切片圖像智能分類方法的流程圖，該方法包括：步驟101、對預(yù)置的正常樣本及癌癥樣本中的每一幅病理切片圖像進(jìn)行圖像處理，得到所述正常樣本和所述癌癥樣本的訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)包含相似度指標(biāo)的均值集合、方差集合及信息熵集合；在本專利技術(shù)實(shí)施例中，病理切片圖像智能分類方法由病理切片圖像智能分類裝置(以下簡稱為：分類裝置)實(shí)現(xiàn)。在本專利技術(shù)實(shí)施例中，需要先訓(xùn)練機(jī)器分類模型，以便使用機(jī)器分類模型對待分類病理切片圖像進(jìn)行分類。其中，為了對機(jī)器分類模型進(jìn)行訓(xùn)練，需要預(yù)先準(zhǔn)備訓(xùn)練樣本，該訓(xùn)練樣本包括正常樣本和癌癥樣本，其中，正常樣本中包含確診為正常的病理切片圖像，癌癥樣本中包含確診為已發(fā)生癌變的病理切片圖像。其中，分類裝置將預(yù)置的正常樣本及癌癥樣本中的每一幅病理切片圖像進(jìn)行圖像處理，得到正常樣本和癌癥樣本的訓(xùn)練數(shù)據(jù)，其中，正常樣本的訓(xùn)練數(shù)據(jù)中包含所有正常的病理切片圖像的相似度指標(biāo)的均值集合、相似度指標(biāo)的方差集合及信息熵集合，癌癥樣本的訓(xùn)練數(shù)據(jù)中包含所有癌變的病理切片圖像的相似度指標(biāo)的均值集合、相似度指標(biāo)的方差集合本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種病理切片圖像智能分類方法，其特征在于，所述方法包括：對預(yù)置的正常樣本及癌癥樣本中的每一幅病理切片圖像進(jìn)行圖像處理，得到所述正常樣本和所述癌癥樣本的訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)包含相似度指標(biāo)的均值集合、方差集合及信息熵集合；基于所述正常樣本和所述癌癥樣本的訓(xùn)練數(shù)據(jù)對預(yù)置的機(jī)器分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的機(jī)器分類模型；將待分類病理切片圖像輸入所述訓(xùn)練后的機(jī)器分類模型，且將所述訓(xùn)練后的機(jī)器分類模型輸出的類型作為所述待分類病理切片圖像的類型。

【技術(shù)特征摘要】
1.一種病理切片圖像智能分類方法，其特征在于，所述方法包括：對預(yù)置的正常樣本及癌癥樣本中的每一幅病理切片圖像進(jìn)行圖像處理，得到所述正常樣本和所述癌癥樣本的訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)包含相似度指標(biāo)的均值集合、方差集合及信息熵集合；基于所述正常樣本和所述癌癥樣本的訓(xùn)練數(shù)據(jù)對預(yù)置的機(jī)器分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的機(jī)器分類模型；將待分類病理切片圖像輸入所述訓(xùn)練后的機(jī)器分類模型，且將所述訓(xùn)練后的機(jī)器分類模型輸出的類型作為所述待分類病理切片圖像的類型。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對預(yù)置的正常樣本及癌癥樣本中的每一幅病理切片圖像進(jìn)行圖像處理，得到所述正常樣本及所述癌癥樣本的訓(xùn)練數(shù)據(jù)的步驟包括：對所述正常樣本及所述癌癥樣本中的每一幅病理切片圖像進(jìn)行以下處理：讀取病理切片圖像含結(jié)構(gòu)信息的三維圖像，所述三維圖像由各像素點(diǎn)的光子數(shù)分布構(gòu)成第三維度；提取所述三維圖像中由第三維度數(shù)據(jù)集決定的各像素點(diǎn)的相似度指標(biāo)；利用所述各像素點(diǎn)的相似度指標(biāo)計(jì)算所述病理切片圖像的相似度指標(biāo)的均值，方差及信息熵；所述步驟還包括：將所述正常樣本中所有病理切片圖像的相似度指標(biāo)的均值、方差及信息熵分別歸類為所述正常樣本的相似度指標(biāo)的均值集合、方差集合及信息熵集合，以作為所述正常樣本的訓(xùn)練數(shù)據(jù)，及將所述癌癥樣本中所有病理切片圖像的相似度指標(biāo)的均值、方差及信息熵分別歸類為至少一種類別的相似度指標(biāo)的均值集合、方差集合及信息熵集合，以作為所述癌癥樣本的訓(xùn)練數(shù)據(jù)。3.根據(jù)權(quán)利要求2所述的方法，其特征在于，若所述三維圖像為熒光壽命成像，則所述提取所述三維圖像中由第三維度數(shù)據(jù)集決定的各像素點(diǎn)的相似度指標(biāo)的步驟包括：利用采集到的各像素點(diǎn)對應(yīng)的時(shí)間衰減曲線進(jìn)行最小二乘擬合得到各像素點(diǎn)的熒光壽命，將所述各像素點(diǎn)的熒光壽命作為所述各像素點(diǎn)的相似度指標(biāo)；或者，利用預(yù)置的相位映射算法計(jì)算所述各像素點(diǎn)的熒光壽命，將所述各像素點(diǎn)的熒光壽命作為所述各像素點(diǎn)的相似度指標(biāo)。4.根據(jù)權(quán)利要求3所述的方法，其特征在于，若所述三維圖像為拉曼成像，則所述提取所述三維圖像中由第三維度數(shù)據(jù)集決定的各像素點(diǎn)的相似度指標(biāo)的步驟包括：利用預(yù)置的皮爾遜互相關(guān)算法對各像素點(diǎn)的拉曼光譜分別進(jìn)行兩兩互相關(guān)運(yùn)算，得到所述各像素點(diǎn)的拉曼光譜相關(guān)系數(shù)矩陣，將所述各像素點(diǎn)的拉曼光譜相關(guān)系數(shù)矩陣作為所述各像素點(diǎn)的相似度指標(biāo)。5.根據(jù)權(quán)利要求1至3任意一項(xiàng)所述的方法，其特征在于，所述機(jī)器分類模型是支持向量機(jī)神經(jīng)網(wǎng)絡(luò)模型，或者是基于貝葉斯的線性或...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：屈軍樂，陳秉靈，羅騰，林丹櫻，彭曉，
申請(專利權(quán))人：深圳大學(xué)，
類型：發(fā)明
國別省市：廣東,44