病理图片染色组织区域检测方法、检测系统及预后状态分析系统与流程

技术特征：
1.一种病理图片染色组织区域检测方法，其特征在于，包括如下步骤：s1，获取训练样本wsi图像i
n
，n为样本序号，n∈[n]，n为样本数，n取值为自然数；s2，获取第n个样本的多个wsi图像构成的图像块patch的集合，用词袋β
n
表示，每个词袋b∈β
n
的特征由一组图像块τ
b
表示，b为词袋序号，将图像块的特征向量映射为图像块的预测类别标签概率，并获取词袋的真实类别标签，对染色组织区域检测器进行训练，训练过程即求解损失函数的最小化过程：where:where:where:其中，损失函数定义为三种区域的真实类别标签和预测类别标签概率间的交叉熵的加权组合，l()是交叉熵函数，l
t
、l
b
、l
m
分别是染色组织区域、血液干扰区域、黏液干扰区域的真实类别标签，训练组织区域检测网络d
tissue
(patch,θ
d
)包括特征提取器d
tissue
(.；θ
df
)以及区域类别标签预测器d
tissue
(.；θ
dc
)，θ
d
为待分类的区域的可训练参数；θ
df
是组织区域检测网络中的特征集合，θ
dc
是区域类别标签预测器的可训练参数，x
i
为输入染色组织区域检测网络的图像块patch，是区域检测网络d
tissue
(patch,θ
d
)中的特征提取器d
tissue
(.；θ
df
)的可训练参数的迭代结果、区域类别标签预测器d
tissue
(.；θ
dc
)的可训练参数的迭代结果，是图像快x
i
通过区域检测网络d
tissue
(patch,θ
d
)后，获得的图像块类别标签，即该图像块属于染色组织区域、血液干扰区域、黏液干扰区域的预测类别标签概率三者中的最大者；α1*l
ts
、α2*l
bi
、α3*l
mi
项分别用于衡量染色组织区域、血液干扰区域、黏液干扰区域图像块类别标签预测的加权交叉熵损失函数，α
i
为权重，i为区域类型序号，i＝1，2，3；s3，获取待检测wsi图像，对wsi图像进行预处理，利用训练好的染色组织区域检测器对预处理后wsi图像的染色组织区域进行检测。2.根据权利要求1所述的病理图片染色组织区域检测方法，其特征在于，权重α
i
获取具体过程为：统计训练样本中k种类别的样本数量n1,n2,...,n
k
，其中n
k
是第k种类别的训练样本数量，所述训练样本的类别k为3，不同取值代表染色组织区域样本、血液干扰区域样本和黏液干扰区域样本；将权重分配给每个类别的训练样本，该权重与训练样本中该类别样本的数量成反比：
其中，α
j
是权重，分配给相应类别l
j
内的每个训练样本。3.根据权利要求1所述的病理图片染色组织区域检测方法，其特征在于，对wsi图像进行预处理的方法为：对wsi图像均匀分块，丢弃边缘部分的图像块，针对前景区域、空白背景区域进行语义分割，所述前景区域包括染色组织区域、血液干扰区域、黏液干扰区域，丢弃前景区域占比低于阈值t的图像块。4.一种病理图片染色组织区域检测系统，其特征在于，包括处理单元，所述处理单元包括图像预处理器和染色组织区域检测器；所述图像预处理器接收病理wsi图像并进行预处理；所述染色组织区域检测器接收预处理后的图像并对染色组织区域进行检测。5.一种预后状态分析系统，其特征在于，包括处理单元，所述处理单元包括图像预处理器、染色组织区域检测器和预后状态预测器；所述图像预处理器接收待分析病理wsi图像并进行预处理；所述染色组织区域检测器接收预处理后的图像并对染色组织区域进行检测；所述预后状态预测器获得染色组织区域对应的词袋类别标签，根据所述词袋类别标签，获得该样本的预后状态指标。6.根据权利要求5所述的预后状态分析系统，其特征在于，图像预处理器对wsi图像进行预处理的方法为：对wsi图像均匀分块，丢弃边缘部分的图像块，针对前景区域、空白背景区域进行语义分割，所述前景区域包括染色组织区域、血液干扰区域、黏液干扰区域，丢弃前景区域占比低于阈值t的图像块。7.根据权利要求5所述的预后状态分析系统，其特征在于，染色组织区域检测器的训练方法为：训练过程即求解损失函数的最小化过程，where:where:where:其中，损失函数定义为三种区域的真实类别标签和预测类别标签概率间的交叉熵的加权组合，l()是交叉熵函数，l
t
、l
b
、l
m
分别是染色组织区域、血液干扰区域、黏液干扰区域
的真实类别标签，训练组织区域检测网络d
tissue
(patch,θ
d
)包括特征提取器d
tissue
(.；θ
df
)以及区域类别标签预测器d
tissue
(.；θ
dc
)，θ
d
为待分类的区域的可训练参数；θ
df
是组织区域检测网络中的特征集合，θ
dc
是区域类别标签预测器的可训练参数，x
i
为输入染色组织区域检测网络的图像块patch，是区域检测网络d
tissue
(patch,θ
d
)中的特征提取器d
tissue
(.；θ
df
)的可训练参数的迭代结果、区域类别标签预测器d
tissue
(.；θ
dc
)的可训练参数的迭代结果，是图像快x
i
通过区域检测网络d
tissue
(patch,θ
d
)后，获得的图像块预测类别标签，即该图像块属于染色组织区域、血液干扰区域、黏液干扰区域的预测类别标签概率三者中的最大者；α1*l
ts
、α2*l
bi
、α3*l
mi
项分别用于衡量染色组织区域、血液干扰区域、黏液干扰区域图像块类别标签预测的加权交叉熵损失函数，α
i
为权重，i为区域类型序号，i＝1，2，3。8.根据权利要求7所述的预后状态分析系统，其特征在于，权重α
i
获取具体过程如下：统计训练样本中k种类别的样本数量n1,n2,...,n
k
，其中n
k
是第k种类别的训练样本数量，所述训练样本的类别k为3，不同取值代表染色组织区域样本、血液干扰区域样本和黏液干扰区域样本；将权重分配给每个类别的训练样本，该权重与训练样本中该类别样本的数量成反比：其中，α
j
是权重，分配给相应类别l
j
内的每个训练样本。9.根据权利要求5所述的预后状态分析系统，其特征在于，预后状态预测器利用训练样本进行训练，获得词袋类别标签获取模型，训练过程为：词袋bag
i
包含来自同一样本的多个图像块，以及该词袋对应样本的生理状况信息psy；以词袋对应样本的预后状况作为词袋类别标签，预测结果为：其中，预后状态标签预后状态分析网络p
state
(tissue,psy；θ
p
)，染色组织区域特征tissue，生理状况信息特征psy，θ
p
是可训练参数的集合，p
state
(tissue,psy；θ
p
)包括预后状态特征提取器p
state
(.；θ
pf
)，预后状态标签预测器p
state
(.；θ
pc
)，θ
pf
为预后状态特征提取器p
state
(.；θ
pf
)的可训练参数，θ
pc
为预后状态标签预测器p
state
(.；θ
pc
)的可训练参数，为预后状态分析网络的输出值，为预后状态分析网络的输出值的置信度；利用训练后的词袋类别标签获取模型对待分析wsi图像的染色组织区域进行分析，获取词袋的类别标签。10.根据权利要求5所述的预后状态分析系统，其特征在于，预后状态预测器依据每个
样本中所有词袋的类别标签进行训练，获得预后状态指标获取模型，具体训练方法为：将一个样本中所有词袋类别标签加权和最大的类别，作为该样本的预后状态类型，其中，参数集θ
p
的训练表示为以下最小化问题：where:where:where:损失函数包含三部分，即有癌词袋预测值与实际预后状态的交叉熵l
cancer
，无癌词袋预测值与实际预后状态的交叉熵l
free
，以及词袋内部图像块的特征距离l
dict
，β是调节词袋内部图像块的特征距离l
dict
对应的损失值权重；c
k
为图像块特征，c0为词袋中所有图像块的平均特征，f
d
(c
k
,c0)是词袋内图像块特征差异值，t为特征距离阈值，relu()为线性整流函数，l
dict
是词袋内部图像块的特征距离，β是调节词袋内部图像块的特征距离l
dict
的损失值权重，为预后状态分析网络p
state
(tissue,psy；θ
d
)中的特征提取器p
state
(.；θ
pf
)可训练参数的迭代结果，为预后状态标签预测器p
state
(.；θ
pc
)的可训练参数的迭代结果，l是设定的迭代次数；根据待分析wsi图像的词袋类别标签，利用训练后的预后状态指标获取模型进行分析，获取预后状态。

技术总结
本发明提出了一种病理图片染色组织区域检测方法、检测系统及预后状态分析系统。该预后状态分析系统包括处理单元，处理单元包括图像预处理器、染色组织区域检测器和预后状态预测器；图像预处理器接收待分析病理WSI图像并进行预处理；染色组织区域检测器接收预处理后的图像并对染色组织区域进行检测；预后状态预测器获得染色组织区域对应的词袋类别标签，根据所述词袋类别标签，获得该样本的预后状态指标。本发明只需完成对WSI图像中少量图像块区域的简单类型标注，无需对每个图像块区域进行精确类型标注，即可利用病理图像及其生理信息，完成病例的预后状态分析。降低了处理工作量，提高了分析效率。提高了分析效率。提高了分析效率。


技术研发人员：廖欣 郑欣 李清丽
受保护的技术使用者：四川大学华西第二医院
技术研发日：2021.08.18
技术公布日：2021/11/8