本發(fā)明屬于病理圖像處理，具體涉及一種gleason分級(jí)評(píng)分方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、前列腺癌是男性最常見的惡性腫瘤之一，其發(fā)病率逐年遞增。前列腺癌的診斷和治療依賴于對(duì)其病理圖像的準(zhǔn)確分析和分級(jí)，其中格里森評(píng)分系統(tǒng)（gleason?score）是目前最廣泛應(yīng)用和受認(rèn)可的前列腺癌分級(jí)方法。gleason分級(jí)通過觀察前列腺癌組織切片的染色圖像，根據(jù)腺體結(jié)構(gòu)和細(xì)胞形態(tài)特征將癌癥分為不同的級(jí)別，以評(píng)估癌癥的侵襲性和預(yù)后。

2、盡管它在臨床上得到了廣泛的應(yīng)用，但也存在一些缺陷和局限性。

3、第一，傳統(tǒng)的病理評(píng)估方法依賴于病理醫(yī)生的顯微鏡下觀察和主觀判斷，存在一定的誤差主觀性，gleason分級(jí)的可重復(fù)性會(huì)因病理學(xué)家掌握的尺度不同而有一定差異。

4、第二，傳統(tǒng)的病理評(píng)估方法缺乏自動(dòng)化，病理醫(yī)生必須借助顯微鏡，細(xì)致觀察組織切片的形態(tài)特征和細(xì)胞結(jié)構(gòu)，進(jìn)而提供精確的病理學(xué)評(píng)估。

5、第三，在前列腺病理切片分析中，不同腺體區(qū)域間的可能存在異質(zhì)性。然而，現(xiàn)有的研究方法往往未能對(duì)此進(jìn)行深入的細(xì)化分析。這種異質(zhì)性可能導(dǎo)致gleason評(píng)分預(yù)測的不一致性，進(jìn)而影響評(píng)分的準(zhǔn)確性。

6、第四，隨著人工智能的發(fā)展，一系列基于人工智能技術(shù)和病理圖像的分析方法開始涌現(xiàn)，一定程度上彌補(bǔ)了傳統(tǒng)方法的不足。而沒有充分考慮腫瘤的組織結(jié)構(gòu)和gleason分級(jí)的相關(guān)性，缺乏臨床意義上的可解釋性。

7、第五，gleason分級(jí)不僅和腺體結(jié)構(gòu)相關(guān)還可能和細(xì)胞結(jié)構(gòu)存在聯(lián)系，然而，現(xiàn)有的gleason分級(jí)方法僅僅在低分辨率圖像上或在高分辨率圖像上提取圖像塊進(jìn)行實(shí)驗(yàn)，并沒有將全局信息和局部信息進(jìn)行結(jié)合。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述技術(shù)問題，本發(fā)明提出了一種gleason分級(jí)評(píng)分方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

2、為了達(dá)到上述目的，本發(fā)明的技術(shù)方案如下：

3、第一方面，本發(fā)明公開一種gleason分級(jí)評(píng)分方法，包括：

4、步驟s1：收集前列腺癌患者的病理圖像及其對(duì)應(yīng)標(biāo)注信息；

5、步驟s2：將收集的病理圖像進(jìn)行預(yù)處理，形成圖像數(shù)據(jù)集；

6、步驟s3：利用圖像數(shù)據(jù)集訓(xùn)練自監(jiān)督學(xué)習(xí)模型，自監(jiān)督學(xué)習(xí)模型用于將圖像數(shù)據(jù)集中的每個(gè)病理圖像劃分為若干圖像塊，并提取每個(gè)圖像塊的塊編碼特征，形成塊編碼特征數(shù)據(jù)集；

7、步驟s4：利用塊編碼特征數(shù)據(jù)集訓(xùn)練腺體分割模型，腺體分割模型用于將病理圖像中的腺體分割出來，得到腺體分割圖像；

8、步驟s5：對(duì)腺體分割圖像中的每個(gè)單腺體進(jìn)行二次分割，得到若干單腺體圖像，形成單腺體數(shù)據(jù)集；

9、步驟s6：對(duì)單腺體數(shù)據(jù)集內(nèi)的每個(gè)單腺體圖像進(jìn)行采樣，得到不同分辨率下的單腺體圖像，并對(duì)其進(jìn)行特征提取及特征融合，得到若干腺體融合特征，形成融合特征數(shù)據(jù)集；

10、步驟s7：利用融合特征數(shù)據(jù)集訓(xùn)練腺體評(píng)分模型，腺體評(píng)分模型用于預(yù)測每個(gè)單腺體的gleason評(píng)分；

11、步驟s8：篩選病理圖像中腺體面積最大的單腺體區(qū)域作為主要分級(jí)區(qū)，主要分級(jí)區(qū)以外預(yù)測gleason評(píng)分最高的單腺體區(qū)域作為次要分級(jí)區(qū)；

12、步驟s9：將主要分級(jí)區(qū)的預(yù)測gleason評(píng)分和次要分級(jí)區(qū)的預(yù)測gleason評(píng)分相加，獲得最終gleason分級(jí)評(píng)分；

13、步驟s10：將訓(xùn)練好的模型應(yīng)用在待分析病理圖像，得到gleason分級(jí)評(píng)分。

14、在上述技術(shù)方案的基礎(chǔ)上，還可做如下改進(jìn)：

15、作為優(yōu)選的方案，步驟s2中的預(yù)處理操作包括以下一種或多種：去除圖像噪音、去除圖像偽影、數(shù)據(jù)增廣。

16、作為優(yōu)選的方案，步驟s6包括：

17、步驟s6.1：對(duì)單腺體數(shù)據(jù)集內(nèi)的任一個(gè)單腺體圖像進(jìn)行采樣，獲得不同高分辨率下的對(duì)應(yīng)單腺體圖像；

18、步驟s6.2：對(duì)原單腺體圖像進(jìn)行特征提取，獲得腺體全局特征；

19、步驟s6.3：將高分辨率下的單腺體圖像劃分為若干圖像塊，并提取每個(gè)圖像塊的腺體局部特征；

20、步驟s6.4：將所有的腺體局部特征進(jìn)行聚合，得到腺體結(jié)構(gòu)特征；

21、步驟s6.5：將腺體全局特征與腺體結(jié)構(gòu)特征進(jìn)行融合，得到腺體融合特征；

22、步驟s6.6：重復(fù)步驟s6.1-步驟s6.5，直至對(duì)單腺體數(shù)據(jù)集內(nèi)的每個(gè)單腺體圖像均進(jìn)行處理，得到對(duì)應(yīng)腺體融合特征。

23、作為優(yōu)選的方案，步驟s10包括：

24、步驟s10.1：收集待分析的前列腺癌患者的病理圖像；

25、步驟s10.2：將待分析的病理圖像進(jìn)行預(yù)處理；

26、步驟s10.3：利用訓(xùn)練好的自監(jiān)督學(xué)習(xí)模型提取預(yù)處理后的待分析病理圖像的塊編碼特征，形成塊編碼特征數(shù)據(jù)集；

27、步驟s10.4：基于步驟s10.3獲得的塊編碼特征數(shù)據(jù)集，利用訓(xùn)練好的腺體分割模型將待分析病理圖像中的腺體分割出來，得到腺體分割圖像；

28、步驟s10.5：對(duì)步驟s10.4獲得的腺體分割圖像中的每個(gè)單腺體進(jìn)行二次分割，得到若干單腺體圖像，形成單腺體數(shù)據(jù)集；

29、步驟s10.6：對(duì)步驟s10.5獲得的單腺體數(shù)據(jù)集內(nèi)的每個(gè)單腺體圖像進(jìn)行采樣，得到不同分辨率下的單腺體圖像，并對(duì)其進(jìn)行特征提取及特征融合，得到若干腺體融合特征，形成融合特征數(shù)據(jù)集；

30、步驟s10.7：利用訓(xùn)練好的腺體評(píng)分模型預(yù)測步驟s10.6獲得的融合特征數(shù)據(jù)集內(nèi)的每個(gè)單腺體的gleason評(píng)分；

31、步驟s10.8：篩選待分析病理圖像中腺體面積最大的單腺體區(qū)域作為主要分級(jí)區(qū)，主要分級(jí)區(qū)以外預(yù)測gleason評(píng)分最高的單腺體區(qū)域作為次要分級(jí)區(qū)；

32、步驟s10.9：將主要分級(jí)區(qū)的預(yù)測gleason評(píng)分和次要分級(jí)區(qū)的預(yù)測gleason評(píng)分相加，獲得最終gleason分級(jí)評(píng)分。

33、第二方面，本發(fā)明公開一種gleason分級(jí)評(píng)分裝置，包括：

34、病理圖像收集模塊，用于收集前列腺癌患者的病理圖像及其對(duì)應(yīng)標(biāo)注信息；

35、圖像預(yù)處理模塊，用于將收集的病理圖像進(jìn)行預(yù)處理，形成圖像數(shù)據(jù)集；

36、自監(jiān)督學(xué)習(xí)模型訓(xùn)練模塊，用于利用圖像數(shù)據(jù)集訓(xùn)練自監(jiān)督學(xué)習(xí)模型，自監(jiān)督學(xué)習(xí)模型用于將圖像數(shù)據(jù)集中的每個(gè)病理圖像劃分為若干圖像塊，并提取每個(gè)圖像塊的塊編碼特征，形成塊編碼特征數(shù)據(jù)集；

37、腺體分割模型訓(xùn)練模塊，用于利用塊編碼特征數(shù)據(jù)集訓(xùn)練腺體分割模型，腺體分割模型用于將病理圖像中的腺體分割出來，得到腺體分割圖像；

38、腺體二次分割模塊，用于對(duì)腺體分割圖像中的每個(gè)單腺體進(jìn)行二次分割，得到若干單腺體圖像，形成單腺體數(shù)據(jù)集；

39、腺體融合特征獲取模塊，用于對(duì)單腺體數(shù)據(jù)集內(nèi)的每個(gè)單腺體圖像進(jìn)行采樣，得到不同分辨率下的單腺體圖像，并對(duì)其進(jìn)行特征提取及特征融合，得到若干腺體融合特征，形成融合特征數(shù)據(jù)集；

40、腺體評(píng)分模型訓(xùn)練模塊，用于利用融合特征數(shù)據(jù)集訓(xùn)練腺體評(píng)分模型，腺體評(píng)分模型用于預(yù)測每個(gè)單腺體的gleason評(píng)分；

41、腺體區(qū)域劃分模塊，用于篩選病理圖像中腺體面積最大的單腺體區(qū)域作為主要分級(jí)區(qū)，主要分級(jí)區(qū)以外預(yù)測gleason評(píng)分最高的單腺體區(qū)域作為次要分級(jí)區(qū)；

42、分級(jí)評(píng)分計(jì)算模塊，用于將主要分級(jí)區(qū)的預(yù)測gleason評(píng)分和次要分級(jí)區(qū)的預(yù)測gleason評(píng)分相加，獲得最終gleason分級(jí)評(píng)分；

43、模型應(yīng)用模塊，用于將訓(xùn)練好的模型應(yīng)用在待分析病理圖像，得到gleason分級(jí)評(píng)分。

44、作為優(yōu)選的方案，圖像預(yù)處理模塊中的預(yù)處理操作包括以下一種或多種：去除圖像噪音、去除圖像偽影、數(shù)據(jù)增廣。

45、作為優(yōu)選的方案，腺體融合特征獲取模塊包括：

46、圖像采樣單元，用于對(duì)單腺體數(shù)據(jù)集內(nèi)的任一個(gè)單腺體圖像進(jìn)行采樣，獲得不同高分辨率下的對(duì)應(yīng)單腺體圖像；

47、腺體全局特征提取單元，用于對(duì)原單腺體圖像進(jìn)行特征提取，獲得腺體全局特征；

48、腺體局部特征提取單元，用于將高分辨率下的單腺體圖像劃分為若干圖像塊，并提取每個(gè)圖像塊的腺體局部特征；

49、腺體結(jié)構(gòu)特征獲得單元，用于將所有的腺體局部特征進(jìn)行聚合，得到腺體結(jié)構(gòu)特征；

50、腺體融合特征獲得單元，用于將腺體全局特征與腺體結(jié)構(gòu)特征進(jìn)行融合，得到腺體融合特征；

51、重復(fù)執(zhí)行單元，用于重復(fù)執(zhí)行圖像采樣單元、腺體全局特征提取單元、腺體局部特征提取單元、腺體結(jié)構(gòu)特征獲得單元、腺體融合特征獲得單元中的方法，直至對(duì)單腺體數(shù)據(jù)集內(nèi)的每個(gè)單腺體圖像均進(jìn)行處理，得到對(duì)應(yīng)腺體融合特征。

52、作為優(yōu)選的方案，模型應(yīng)用模塊包括：

53、應(yīng)用收集單元，用于收集待分析的前列腺癌患者的病理圖像；

54、應(yīng)用預(yù)處理單元，用于將待分析的病理圖像進(jìn)行預(yù)處理；

55、應(yīng)用特征提取單元，用于利用訓(xùn)練好的自監(jiān)督學(xué)習(xí)模型提取預(yù)處理后的待分析病理圖像的塊編碼特征，形成塊編碼特征數(shù)據(jù)集；

56、應(yīng)用腺體分割單元，用于基于應(yīng)用特征提取單元獲得的塊編碼特征數(shù)據(jù)集，利用訓(xùn)練好的腺體分割模型將待分析病理圖像中的腺體分割出來，得到腺體分割圖像；

57、應(yīng)用二次分割單元，用于對(duì)應(yīng)用腺體分割單元獲得的腺體分割圖像中的每個(gè)單腺體進(jìn)行二次分割，得到若干單腺體圖像，形成單腺體數(shù)據(jù)集；

58、應(yīng)用特征融和單元，用于對(duì)應(yīng)用二次分割單元獲得的單腺體數(shù)據(jù)集內(nèi)的每個(gè)單腺體圖像進(jìn)行采樣，得到不同分辨率下的單腺體圖像，并對(duì)其進(jìn)行特征提取及特征融合，得到若干腺體融合特征，形成融合特征數(shù)據(jù)集；

59、應(yīng)用腺體評(píng)分單元，用于利用訓(xùn)練好的腺體評(píng)分模型預(yù)測應(yīng)用特征融和單元獲得的融合特征數(shù)據(jù)集內(nèi)的每個(gè)單腺體的gleason評(píng)分；

60、應(yīng)用腺體區(qū)域劃分單元，用于篩選待分析病理圖像中腺體面積最大的單腺體區(qū)域作為主要分級(jí)區(qū)，主要分級(jí)區(qū)以外預(yù)測gleason評(píng)分最高的單腺體區(qū)域作為次要分級(jí)區(qū)；

61、應(yīng)用分級(jí)評(píng)分計(jì)算單元，用于將主要分級(jí)區(qū)的預(yù)測gleason評(píng)分和次要分級(jí)區(qū)的預(yù)測gleason評(píng)分相加，獲得最終gleason分級(jí)評(píng)分。

62、第三方面，本發(fā)明公開一種計(jì)算設(shè)備，包括：

63、一個(gè)或多個(gè)處理器；

64、存儲(chǔ)器；

65、以及一個(gè)或多個(gè)程序，其中一個(gè)或多個(gè)程序存儲(chǔ)在存儲(chǔ)器中并被配置為由一個(gè)或多個(gè)處理器執(zhí)行，一個(gè)或多個(gè)程序包括上述任一gleason分級(jí)評(píng)分方法的指令。

66、第四方面，本發(fā)明公開一種存儲(chǔ)介質(zhì)，存儲(chǔ)介質(zhì)存儲(chǔ)有一個(gè)或多個(gè)計(jì)算機(jī)可讀的程序，一個(gè)或多個(gè)程序包括指令，指令適于由存儲(chǔ)器加載并執(zhí)行上述任一gleason分級(jí)評(píng)分方法。

67、本發(fā)明公開一種gleason分級(jí)評(píng)分方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，其具有以下有益效果：

68、第一，本發(fā)明采用自監(jiān)督學(xué)習(xí)模型作為模型編碼器，提高了病理圖像的表征能力，減少了對(duì)標(biāo)注數(shù)據(jù)的依賴，增強(qiáng)模型的泛化能力。

69、第二，本發(fā)明基于塊編碼特征訓(xùn)練腺體分割模型，能夠有效地從病理圖像中分離出腺體結(jié)構(gòu)，能夠有效解決同一病理圖像中不同腺體區(qū)域間存在的變異性問題，通過精確的腺體分割，為后續(xù)的分級(jí)預(yù)測工作提供準(zhǔn)確的圖像特征，提高gleason分級(jí)評(píng)分的可靠性和預(yù)測準(zhǔn)確性。

70、第三，本發(fā)明基于多分辨率的單腺體圖像，對(duì)腺體全局特征和腺體局部特征進(jìn)行關(guān)注，能夠捕捉到細(xì)胞間的形態(tài)，增加了后續(xù)gleason分級(jí)評(píng)分的可解釋性，顯著提高預(yù)測精度。

71、第四，本發(fā)明采用腺體融合特征訓(xùn)練腺體評(píng)分模型，更精確地反映腺體級(jí)別以及細(xì)胞級(jí)別的具體病理特征，提高評(píng)分的可解釋性和準(zhǔn)確性。

72、第五，本發(fā)明通過綜合考慮病理圖像中主要分級(jí)區(qū)域和次要分級(jí)區(qū)域來確定最終gleason分級(jí)評(píng)分，能夠綜合反映腫瘤的侵襲性和異質(zhì)性，為臨床決策提供更為全面和精確的病理信息。

73、綜上述，本發(fā)明能夠?qū)崿F(xiàn)病理圖像的自動(dòng)化gleason分級(jí)評(píng)分，能夠大大減少病理醫(yī)生的工作量，提高病理科的工作效率和檢測能力，具有極大的臨床意義。