本發(fā)明涉及圖像處理領域，尤其涉及一種病理切片圖像智能分類方法及裝置。

背景技術：

正常細胞在個體發(fā)育中表現(xiàn)出來的形態(tài)結構和功能上發(fā)生穩(wěn)定性的差異過程稱為細胞分化，分化程度越高，差異就越大。體內(nèi)部分細胞由于基因突變失去正常死亡調(diào)控，分裂增生失去控制，無序過度增殖等導致正常組織結構遭受破壞，成為癌癥細胞。分化在腫瘤病理學中常指腫瘤細胞與其起源的正常細胞的相似程度，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就是甄別腫瘤細胞或組織在顯微鏡下表現(xiàn)出有別于正常細胞或組織的結構特征，通常需要輔助予HE染色等標記手段。光鏡觀察對細胞核形態(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準。近年來，科技進步促使病理學的研究手段已遠遠超越了傳統(tǒng)的形態(tài)觀察，而涌現(xiàn)出許多新方法、新技術，從根本上要求分析工作往客觀化、定量化的標準發(fā)展。形態(tài)定量分析量化反映組織和細胞的形態(tài)結構，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后等。隨著電子計算機的發(fā)展，研究者開始嘗試把醫(yī)學模擬圖像轉(zhuǎn)化為數(shù)字圖像，開展了計算機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)學圖像，排除人為主觀因素，提高診斷準確性和效率。

光學成像技術的發(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算機輔助圖像分析，幫助臨床醫(yī)生和研究者高效準確地處理海量圖像信息，然而，目前的技術還是難以實現(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，準確性較低。

技術實現(xiàn)要素：

本發(fā)明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)有技術中對病理切片圖像進行分類的準確性較低的技術問題。

為實現(xiàn)上述目的，本發(fā)明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：

對預置的正常樣本及癌癥樣本中的每一幅病理切片圖像進行圖像處理，得到所述正常樣本和所述癌癥樣本的訓練數(shù)據(jù)，所述訓練數(shù)據(jù)包含相似度指標的均值集合、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練數(shù)據(jù)對預置的機器分類模型進行訓練，得到訓練后的機器分類模型；

將待分類病理切片圖像輸入所述訓練后的機器分類模型，且將所述訓練后的機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。

為實現(xiàn)上述目的，本發(fā)明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，用于對預置的正常樣本及癌癥樣本中的每一幅病理切片圖像進行圖像處理，得到所述正常樣本和所述癌癥樣本的訓練數(shù)據(jù)，所述訓練數(shù)據(jù)包含相似度指標的均值集合、方差集合及信息熵集合；

訓練模塊，用于基于所述正常樣本和所述癌癥樣本的訓練數(shù)據(jù)對預置的機器分類模型進行訓練，得到訓練后的機器分類模型；

分類模塊，用于將待分類病理切片圖像輸入所述訓練后的機器分類模型，且將所述訓練后的機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。

本發(fā)明提供一種病理切片圖像智能分類方法，該方法包括：對預置的正常樣本及癌癥樣本中的每一幅病理切片圖像進行圖像處理，得到正常樣本和癌癥樣本的訓練數(shù)據(jù)，其中，訓練數(shù)據(jù)包含相似度指標的均值集合、方差集合及信息熵集合，并基于正常樣本和癌癥樣本的訓練數(shù)據(jù)對預置的機器分類模型進行訓練，得到訓練后的機器分類模型，將待分類病理切片圖像輸入該訓練后的機器分類模型，且將該訓練后的機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，不僅使用了相似度指標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構混亂程度的一個獨立維度，則通過使用信息熵可達到定量描述腫瘤細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的均值集合、方差集合及信息熵集合的訓練數(shù)據(jù)對機器分類模型進行訓練，并通過該機器分類模型對病理切片圖形進行分類，使得能夠有效提高病理切片圖像智能分類的準確性。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術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發(fā)明的一些實施例，對于本領域技術人員來講，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為本發(fā)明第一實施例中病理切片圖像智能分類方法的流程示意圖；

圖2為本發(fā)明第二實施例中病理切片圖像智能分類方法的流程示意圖；

圖3為本發(fā)明第三實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為本發(fā)明第四實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)的支持向量機線性判別。

具體實施方式

為使得本發(fā)明的發(fā)明目的、特征、優(yōu)點能夠更加的明顯和易懂，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而非全部實施例。基于本發(fā)明中的實施例，本領域技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

由于現(xiàn)有技術中對病理切片圖像進行分類的準確性較低技術問題。

為了解決上述技術問題，本發(fā)明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構混亂程度的一個獨立維度，則可達到定量描述腫瘤細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的均值集合、方差集合及信息熵集合的訓練數(shù)據(jù)對機器分類模型進行訓練，并通過該機器分類模型對病理切片圖形進行分類，使得能夠有效提高病理切片圖像智能分類的準確性。

請參閱圖1，為本發(fā)明第一實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、對預置的正常樣本及癌癥樣本中的每一幅病理切片圖像進行圖像處理，得到所述正常樣本和所述癌癥樣本的訓練數(shù)據(jù)，所述訓練數(shù)據(jù)包含相似度指標的均值集合、方差集合及信息熵集合；

在本發(fā)明實施例中，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)實現(xiàn)。

在本發(fā)明實施例中，需要先訓練機器分類模型，以便使用機器分類模型對待分類病理切片圖像進行分類。其中，為了對機器分類模型進行訓練，需要預先準備訓練樣本，該訓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，分類裝置將預置的正常樣本及癌癥樣本中的每一幅病理切片圖像進行圖像處理，得到正常樣本和癌癥樣本的訓練數(shù)據(jù)，其中，正常樣本的訓練數(shù)據(jù)中包含所有正常的病理切片圖像的相似度指標的均值集合、相似度指標的方差集合及信息熵集合，癌癥樣本的訓練數(shù)據(jù)中包含所有癌變的病理切片圖像的相似度指標的均值集合、相似度指標的方差集合及信息熵集合。

步驟102、基于所述正常樣本和所述癌癥樣本的訓練數(shù)據(jù)對預置的機器分類模型進行訓練，得到訓練后的機器分類模型；

步驟103、將待分類病理切片圖像輸入所述訓練后的機器分類模型，且將所述訓練后的機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。

在本發(fā)明實施例中，分類裝置將基于正常樣本和癌癥樣本的訓練數(shù)據(jù)對預置的機器分類模型進行訓練，得到訓練后的機器分類模型，并將待分類病理切片圖像輸入該訓練后的機器分類模型，將訓練后的機器分類模型輸出的的類型作為該待分類病理切片圖像的類型。

在本發(fā)明實施例中，分類裝置對預置的正常樣本及癌癥樣本中的每一幅病理切片圖像進行圖像處理，得到正常樣本和癌癥樣本的訓練數(shù)據(jù)，其中，訓練數(shù)據(jù)包含相似度指標的均值集合、方差集合及信息熵集合，并基于正常樣本和癌癥樣本的訓練數(shù)據(jù)對預置的機器分類模型進行訓練，得到訓練后的機器分類模型，將待分類病理切片圖像輸入該訓練后的機器分類模型，且將該訓練后的機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，不僅使用了相似度指標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構混亂程度的一個獨立維度，則可達到定量描述腫瘤細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的均值集合、方差集合及信息熵集合的訓練數(shù)據(jù)對機器分類模型進行訓練，并通過該機器分類模型對病理切片圖形進行分類，使得能夠有效提高病理切片圖像智能分類的準確性。

請參閱圖2，為本發(fā)明第二實施例中病理切片圖像智能分類方法的流程圖，該方法包括：

在本發(fā)明實施例中，為了得到正常樣本及癌癥樣本的訓練數(shù)據(jù)，將對正常樣本及癌癥樣本中的每一幅病理切片圖像按照步驟201至步驟203進行處理，得到每一幅病理切片圖像的相似度指標的均值、方差及信息熵。具體如下：

步驟201、讀取病理切片圖像含結構信息的三維圖像，所述三維圖像由各像素點的光子數(shù)分布構成第三維度；

在本發(fā)明實施例中，對于每一幅病理切片圖像，分類裝置將讀取該病理切片圖像含結構信息的三維圖像，該三維圖像由各像素點坐標構成第一、第二維度，由各像素點的光子數(shù)分布構成第三維度。其中，在該三維圖像中，在垂直于像素坐標的第三維度存儲包含結構信息的數(shù)據(jù)，且在熒光壽命成像中為光子衰減數(shù)列，而在拉曼成像中為拉曼光譜。

步驟202、提取所述三維圖像中由第三維度數(shù)據(jù)集決定的各像素點的相似度指標；

在本發(fā)明實施例中，分類裝置將提取三維圖像中由第三維度數(shù)據(jù)集決定的各像素點的相似度指標。

其中，該三維圖像可以是熒光壽命成像也可以是拉曼成像。

其中，相關光子計數(shù)(TCSPC)推動熒光壽命成像(FLIM)，熒光基團的熒光壽命被認為只與其結構和所處微環(huán)境有關，不受激發(fā)光強、分子濃度等影響，因此可用來表征被標記的物質(zhì)結構之間的相似程度。另外，拉曼光譜反映的是物質(zhì)內(nèi)部核型結構，通過對拉曼光譜進行互相關運算得到拉曼光譜相關系數(shù)矩陣，由該拉曼光譜相關系數(shù)矩陣可進一步反映組織內(nèi)部結構的相似性。不管是熒光壽命或是拉曼光譜相關系數(shù)矩陣都可以作為判別醫(yī)學圖像各像素點之間的相似程度的定量指標，即作為相似度指標的計算參數(shù)。有了圖像相似度的定量指標，便可對醫(yī)學圖像做相似度統(tǒng)計分析。正常組織里面細胞分化程度高，各像素點之間呈現(xiàn)出比較寬泛的相似度分布，而腫瘤組織的分化程度底，表現(xiàn)為各像素點的結構差異變小，相似度分布相對教窄，而且腫瘤惡性越高，分化越低，相似度分布就約集中。一般而言，可以把病理切片圖像的相似度指標作平均統(tǒng)計，可以得到相似度指標的均值和方差兩個獨立指標用于判別正常細胞或組織與癌癥細胞或組織之間的差異。且可以進一步引入信息熵作為圖像結構混亂程度的一個獨立維度指標，則可達到定量描述腫瘤細胞或組織的分化程度，結合相似度指標的均值和方差作為腫瘤細胞或組織區(qū)別于正常細胞或組織的一組判據(jù)標準，提高準確性，此即是本發(fā)明的原理。

若該三維圖像為熒光壽命成像，則可以通過擬合或相位映射算法計算熒光壽命或者相位映射坐標，具體的，上述步驟202可以為以下步驟A，或者步驟B：

步驟A，利用采集到的各像素點對應的時間衰減曲線進行最小二乘擬合得到各像素點的熒光壽命，將該各像素點的熒光壽命作為該各像素點的相似度指標。

其中，像素點的時間衰減曲線為：

I_i，j(t)＝I₀^i，jexp(-t/τ_i，j)

其中，i及j表示像素點在三維圖像中的坐標，I_i，j(t)表示像素點ij在t時刻衰減后的熒光強度，t表示時間，I₀^i，j表示像素點ij總的熒光強度，τ_i，j表示像素點ij的熒光壽命。其中，像素點ij總的熒光強度可以基于三維圖像中該像素點ij光子數(shù)衰減數(shù)列確定。

或者，

步驟B，利用預置的相位映射算法計算所述各像素點的熒光壽命，將所述各像素點的熒光壽命作為所述各像素點的相似度指標。

其中，相位映射算法包括：

其中，ω表示用于實現(xiàn)熒光壽命成像使用的激光脈沖的激光脈沖角頻率，τ_i，j表示像素點ij的熒光壽命。

在本發(fā)明實施例中，在三維圖像為熒光壽命成像的情況下，可以通過上述方式得到各像素點的熒光壽命，并將各像素點的熒光壽命作為各像素點的相似度指標。

此外，在三維圖像為拉曼成像的情況下，可以通過皮爾遜互相關算法得到各像素點的相似度指標，具體的，上述步驟202可以為以下步驟C，具體的：

步驟C、利用預置的皮爾遜互相關算法對各像素點的拉曼光譜分別進行兩兩互相關運算，得到所述各像素點的拉曼光譜相關系數(shù)矩陣，將所述各像素點的拉曼光譜相關系數(shù)矩陣作為所述各像素點的相似度指標。

其中，在拉曼成像中，三維圖像的數(shù)據(jù)中包含的是拉曼光譜，上述皮爾遜互相關算法具體如下：

其中，C_l，m表示拉曼光譜相關系數(shù)矩陣，R^l和R^m分別代表不同兩個像素點的拉曼光譜，和代表各自兩條譜線的平均值，k是拉曼光譜中的第k個數(shù)據(jù)點，N是光譜數(shù)據(jù)點總數(shù)，因此拉曼光譜相關系數(shù)矩陣C_l，m為N×N對稱矩陣。

在本發(fā)明實施例中，分析裝置在得到各像素點的拉曼光譜系數(shù)矩陣之后，將該各像素點的拉曼光譜系數(shù)矩陣作為各像素點的相似度指標。

步驟203、利用所述各像素點的相似度指標計算所述病理切片圖像的相似度指標的均值，方差及信息熵；

在本發(fā)明實施例中，分析裝置在得到一幅病理切片圖像中各像素點的相似度指標之后，將利用該各像素點的相似度指標進行求平均運算，得到該病理切片圖像的相似度指標的均值，并利用各像素點的相似度指標進行求方差運算，得到該病理切片圖像的相似度指標的方差，且利用各像素點的相似度指標進行熵運算，得到該病理切片圖像的信息熵。

具體的，若病理切片圖像的三維圖像是熒光壽命成像，則可將各像素點的熒光壽命分別進行求平均運算、求方差運算及求熵運算，得到相似度指標的均值、方差及信息熵，或者，若病理切片圖像的三維圖像是拉曼成像，則可利用各像素點的拉曼光譜相關系數(shù)矩陣的上三角陣元素分別進行求平均運算、求方差運算及求熵運算，得到相似度指標的均值、方差及信息熵。

其中，信息熵的計算可以采用香農(nóng)熵定義或其它信息熵定義，其中，香農(nóng)信息熵定義公式如下：

其中，或者

其中，S表示信息熵，p_i，j表示像素點ij的熒光壽命占所有像素點的熒光壽命總和的概率，或者，像素點ij的拉曼光譜相關系數(shù)占所有像素點的拉曼光譜相關系數(shù)總和的概率。

其中，表示拉曼光譜相關系數(shù)矩陣的上三角陣元素。

在本發(fā)明實施例中，通過對正常樣本及癌癥樣本中的每一幅病理切片圖像按照上述步驟201至步驟203進行處理，能夠得到每一幅病理切片圖像的相似度指標的均值、方差及信息熵。

步驟204、將所述正常樣本中所有病理切片圖像的相似度指標的均值、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練數(shù)據(jù)；

在本發(fā)明實施例中，分析裝置將得到正常樣本歸類后的相似度指標的均值集合{μ_n}、方差集合{σ_n}和信息熵集合{S_n}，以作為該正常樣本的訓練數(shù)據(jù)，且將得到癌癥樣本進行歸類為至少一種類別后的相似度指標的均值集合{μ_c}、方差集合{σ_c}及信息熵集合{S_c}，以作為癌癥樣本的訓練數(shù)據(jù)?？梢岳斫獾氖牵捎诎┌Y可以有很多不同的時期，可以將癌癥樣本基于不同的時期進行歸類，例如歸為4類等等。

步驟205、基于所述正常樣本和所述癌癥樣本的訓練數(shù)據(jù)對預置的機器分類模型進行訓練，得到訓練后的機器分類模型；

步驟206、將待分類病理切片圖像輸入所述訓練后的機器分類模型，且將所述訓練后的機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。

在本發(fā)明實施例中，分析裝置將基于正常樣本及癌癥樣本的訓練數(shù)據(jù)對預置的機器分類模型進行訓練，并將待分類病理切片圖像輸入訓練后的機器分類模型中，由該訓練后的機器分類模型進行分類，以確定該病理切片圖像是正常切片圖像還是癌癥切片圖像，且將該訓練后的機器分類模型輸出的類型作為該病理切片圖像的類型，其中，該病理切片圖像的類型可以是正常切片圖像，也可以是癌癥切片圖像。

其中，上述機器分類模型可以是支持向量機神經(jīng)網(wǎng)絡模型，也可以是貝葉斯的線性或非線性分類器，或者是其他具有機器學習功能的線性或非線性分類器，在實際應用中，可根據(jù)具體的需要選擇所使用的模型，此處不做限定。

在本發(fā)明實施例中，通過引入信息熵來表征物質(zhì)結構的相似性或混亂程度，從統(tǒng)計上客觀定量描述組織細胞的分化程度，能夠直接的反應組織細胞的分化程度，并結合相似度指標的均值及方差作為腫瘤細胞或組織區(qū)別于正常細胞或組織的一組判據(jù)標準，能夠有效提高病理切片圖像智能分類的準確性。

請參閱圖3，為本發(fā)明第三實施例中病理切片圖像智能分類裝置的功能模塊的示意圖，該裝置包括：

處理模塊301，用于對預置的正常樣本及癌癥樣本中的每一幅病理切片圖像進行圖像處理，得到所述正常樣本和所述癌癥樣本的訓練數(shù)據(jù)，所述訓練數(shù)據(jù)包含相似度指標的均值集合、方差集合及信息熵集合；

在本發(fā)明實施例中，需要先訓練機器分類模型，以便使用機器分類模型對待分類病理切片圖像進行分類。其中，為了對機器分類模型進行分類，需要預先準備訓練樣本，該訓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，處理模塊301將預置的正常樣本及癌癥樣本中的每一幅病理切片圖像進行圖像處理，得到正常樣本和癌癥樣本的訓練數(shù)據(jù)，其中，正常樣本的訓練數(shù)據(jù)中包含所有正常的病理切片圖像的相似度指標的均值集合、相似度指標的方差集合及信息熵集合，癌癥樣本的訓練數(shù)據(jù)中包含所有癌變的病理切片圖像的相似度指標的均值集合、相似度指標的方差集合及信息熵集合。

訓練模塊302，用于基于所述正常樣本和所述癌癥樣本的訓練數(shù)據(jù)對預置的機器分類模型進行訓練，得到訓練后的機器分類模型；

分類模塊303，用于將待分類病理切片圖像輸入所述訓練后的機器分類模型，且將所述訓練后的機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。

在本發(fā)明實施例中，訓練模塊302將基于正常樣本和癌癥樣本的訓練數(shù)據(jù)對預置的機器分類模型進行訓練，得到訓練后的機器分類模型，并由分類模塊303將待分類病理切片圖像輸入該訓練后的機器分類模型，將訓練后的機器分類模型輸出的的類型作為該待分類病理切片圖像的類型。

在本發(fā)明實施例中，分類裝置對預置的正常樣本及癌癥樣本中的每一幅病理切片圖像進行圖像處理，得到正常樣本和癌癥樣本的訓練數(shù)據(jù)，其中，訓練數(shù)據(jù)包含相似度指標的均值集合、方差集合及信息熵集合，并基于正常樣本和癌癥樣本的訓練數(shù)據(jù)對預置的機器分類模型進行訓練，得到訓練后的機器分類模型，將待分類病理切片圖像輸入該訓練后的機器分類模型，且將該訓練后的機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，不僅使用了相似度指標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構混亂程度的一個獨立維度，則可達到定量描述腫瘤細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的均值集合、方差集合及信息熵集合的訓練數(shù)據(jù)對機器分類模型進行訓練，并通過該機器分類模型對病理切片圖形進行分類，使得能夠有效提高病理切片圖像智能分類的準確性。

請參閱圖4，為本發(fā)明第四實施例中病理切片圖像智能分類裝置的功能模塊的示意圖，該裝置包括第三實施例中的處理模塊301、訓練模塊302及分類模塊303，且與第三實施例中描述的內(nèi)容相似，此處不做贅述。

在本發(fā)明實施例中，處理模塊301包括：讀取模塊401、提取模塊402、計算模塊403、歸類模塊404，所述讀取模塊401、提取模塊402及所述計算模塊403用于對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行處理；

所述讀取模塊401具體用于讀取病理切片圖像含結構信息的三維圖像，所述三維圖像由各像素點的光子數(shù)分布構成第三維度；

在本發(fā)明實施例中，對于每一幅病理切片圖像，讀取模塊401將讀取該病理切片圖像含結構信息的三維圖像，該三維圖像由各像素點坐標構成第一、第二維度，由各像素點的光子數(shù)分布構成第三維度。其中，在該三維圖像中，在垂直于像素坐標的第三維度存儲包含結構信息的數(shù)據(jù)，且在熒光壽命成像中為光子衰減數(shù)列，而在拉曼成像中為拉曼光譜。

所述提取模塊402具體用于提取所述三維圖像中由第三維度數(shù)據(jù)集決定的各像素點的相似度指標；

所述計算模塊403具體用于利用所述各像素點的相似度指標計算所述病理切片圖像的相似度指標的均值，方差及信息熵；

所述歸類模塊404用于將所述正常樣本中所有病理切片圖像的相似度指標的均值、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練數(shù)據(jù)。

在本發(fā)明實施例中，提取模塊402將提取三維圖像中由第三維度數(shù)據(jù)集決定的各像素點的相似度指標。

其中，該三維圖像可以是熒光壽命成像也可以是拉曼成像。

其中，相關光子計數(shù)(TCSPC)推動熒光壽命成像(FLIM)，熒光基團的熒光壽命被認為只與其結構和所處微環(huán)境有關，不受激發(fā)光強、分子濃度等影響，因此可用來表征被標記的物質(zhì)結構之間的相似程度。另外，拉曼光譜反映的是物質(zhì)內(nèi)部核型結構，通過對拉曼光譜進行互相關運算得到拉曼光譜相關系數(shù)矩陣，由該拉曼光譜相關系數(shù)矩陣可進一步反映組織內(nèi)部結構的相似性。不管是熒光壽命或是拉曼光譜相關系數(shù)矩陣都可以作為判別醫(yī)學圖像各像素點之間的相似程度的定量指標，即作為相似度指標的計算參數(shù)。有了圖像相似度的定量指標，便可對醫(yī)學圖像做相似度統(tǒng)計分析。正常組織里面細胞分化程度高，各像素點之間呈現(xiàn)出比較寬泛的相似度分布，而腫瘤組織的分化程度底，表現(xiàn)為各像素點的結構差異變小，相似度分布相對教窄，而且腫瘤惡性越高，分化越低，相似度分布就約集中。一般而言，可以把病理切片圖像的相似度指標作平均統(tǒng)計，可以得到相似度指標的均值和方差兩個獨立指標用于判別正常細胞或組織與癌癥細胞和組織之間的差異。且可以進一步引入信息熵作為圖像結構混亂程度的一個獨立維度指標，則可達到定量描述腫瘤細胞或組織的分化程度，結合相似度指標的均值和方差作為腫瘤細胞或組織區(qū)別于正常細胞或組織的一組判據(jù)標準，提高準確性，此即是本發(fā)明的原理。

若該三維圖像為熒光壽命成像，則可以通過擬合或相位映射算法計算熒光壽命或者相位映射坐標，則所述提取模塊402具體用于：

利用采集到的各像素點對應的時間衰減曲線進行最小二乘擬合得到各像素點的熒光壽命，將所述各像素點的熒光壽命作為所述各像素點的相似度指標。

其中，像素點的時間衰減曲線為：

I_i，j(t)＝I₀^i，jexp(-t/τ_i，j)

其中，i及j表示像素點在三維圖像中的坐標，I_i，j(t)表示像素點ij在t時刻衰減后的熒光強度，t表示時間，I₀^i，j表示像素點ij總的熒光強度，τ_i，j表示像素點ij的熒光壽命。其中，像素點ij總的熒光強度可以基于三維圖像中該像素點ij光子數(shù)衰減數(shù)列確定。

或者，

該提取模塊402具體用于利用預置的相位映射算法計算所述各像素點的熒光壽命，將所述各像素點的熒光壽命作為所述各像素點的相似度指標。

其中，相位映射算法包括：

其中，ω表示用于實現(xiàn)熒光壽命成像使用的激光脈沖的激光脈沖角頻率，τ_i，j表示像素點ij的熒光壽命。

在本發(fā)明實施例中，在三維圖像為熒光壽命成像的情況下，可以通過上述方式得到各像素點的熒光壽命，并將各像素點的熒光壽命作為各像素點的相似度指標。

此外，在三維圖像為拉曼成像的情況下，可以通過皮爾遜互相關算法得到各像素點的相似度指標，具體的，所述提取模塊402具體用于：

利用預置的皮爾遜互相關算法對各像素點的拉曼光譜分別進行兩兩互相關運算，得到所述各像素點的拉曼光譜相關系數(shù)矩陣，將所述各像素點的拉曼光譜相關系數(shù)矩陣作為所述各像素點的相似度指標。

其中，在拉曼成像中，三維圖像的數(shù)據(jù)中包含的是拉曼光譜，上述皮爾遜互相關算法具體如下：

其中，C_l，m表示拉曼光譜相關系數(shù)矩陣，R^l和R^m分別代表不同兩個像素點的拉曼光譜，和代表各自兩條譜線的平均值，k是拉曼光譜中的第k個數(shù)據(jù)點，N是光譜數(shù)據(jù)點總數(shù)，因此拉曼光譜相關系數(shù)矩陣C_l，m為N×N對稱矩陣。在本發(fā)明實施例中，分析裝置在得到各像素點的拉曼光譜系數(shù)矩陣之后，將該各像素點的拉曼光譜系數(shù)矩陣作為各像素點的相似度指標。

在本發(fā)明實施例中，分析裝置在得到一幅病理切片圖像中各像素點的相似度指標之后，計算模塊403將利用該各像素點的相似度指標進行求平均運算，得到該病理切片圖像的相似度指標的均值，并利用各像素點的相似度指標進行求方差運算，得到該病理切片圖像的相似度指標的方差，且利用各像素點的相似度指標進行熵運算，得到該病理切片圖像的信息熵。

具體的，若病理切片圖像的三維圖像是熒光壽命成像，則計算模塊403可將各像素點的熒光壽命分別進行求平均運算、求方差運算及求熵運算，得到相似度指標的均值、方差及信息熵，或者，若病理切片圖像的三維圖像是拉曼成像，則計算模塊403可利用各像素點的拉曼光譜相關系數(shù)矩陣的上三角陣元素分別進行求平均運算、求方差運算及求熵運算，得到相似度指標的均值、方差及信息熵。

其中，信息熵的計算可以采用香農(nóng)熵定義或其它信息熵定義，其中，香農(nóng)信息熵定義公式如下：

其中，或者

其中，S表示信息熵，p_i，j表示像素點ij的熒光壽命占所有像素點的熒光壽命的總和的概率，或者，像素點ij的拉曼光譜相關系數(shù)占所有像素點的拉曼光譜相關系數(shù)的總和的概率；

其中，表示拉曼光譜相關系數(shù)矩陣的上三角陣元素。

在本發(fā)明實施例中，歸類模塊404將得到正常樣本歸類后的相似度指標的均值集合{μ_n}、方差集合{σ_n}和信息熵集合{S_n}，以作為該正常樣本的訓練數(shù)據(jù)，且將得到癌癥樣本進行歸類為至少一種類別后的相似度指標的均值集合{μ_c}、方差集合{σ_c}及信息熵集合{S_c}，以作為癌癥樣本的訓練數(shù)據(jù)?？梢岳斫獾氖?，由于癌癥可以有很多不同的時期，可以將癌癥樣本基于不同的時期進行歸類，例如歸為4類等等。

在本發(fā)明實施例中，訓練模塊302將基于正常樣本及癌癥樣本的訓練數(shù)據(jù)對預置的機器分類模型進行訓練，并由分類模塊303將待分類病理切片圖像輸入訓練后的機器分類模型中，由該訓練后的機器分類模型進行分類，以確定該病理切片圖像是正常切片圖像還是癌癥切片圖像，且將該訓練后的機器分類模型輸出的類型作為該病理切片圖像的類型，其中，該病理切片圖像的類型可以是正常切片圖像，也可以是癌癥切片圖像。

其中，上述機器分類模型可以是支持向量機神經(jīng)網(wǎng)絡中的模型，也可以是貝葉斯的線性或非線性分類器，或者是其他具有機器學習功能的線性或非線性分類器，在實際應用中，可根據(jù)具體的需要選擇所使用的模型，此處不做限定。

在本發(fā)明實施例中，通過引入信息熵來表征物質(zhì)結構的相似性或混亂程度，從統(tǒng)計上客觀定量描述組織細胞的分化程度，能夠直接的反應組織細胞的分化程度，并結合相似度指標的均值及方差作為腫瘤細胞或組織區(qū)別于正常細胞或組織的一組判據(jù)標準，能夠有效提高病理切片圖像智能分類的準確性。

為了驗證通過上述的方法及裝置能夠提高病理切片圖像智能分類的準確性，進行以下實驗：

從醫(yī)院皮膚科取得經(jīng)過HE染色的正常皮膚組織和皮膚癌組織樣本的病理切片標本，對正常樣本和癌癥樣本進行分別標注。

采用波長為780nm、重復頻率為75.4MHz的飛秒激光器作為激發(fā)光源，在LEICA DMIRE2共聚焦顯微鏡系統(tǒng)上配備德國B&H公司的TCSPC實現(xiàn)雙光子熒光壽命成像分析。所有樣片均采用60倍物鏡進行圖像采集。

將獲取的雙光子熒光壽命圖像導入MATLAB，編寫程序(該程序可以為本發(fā)明實施例中的病理切片圖像智能分類方法對應的程序)對熒光壽命圖像進行相位映射計算，結構相近的像素點意味著熒光壽命也相近，在相位坐標下表現(xiàn)為聚類在一塊的數(shù)據(jù)點，根據(jù)相位坐標聚類可以分割出熒光壽命圖像中的結構。此步驟目的是從圖像中分割出黑色素細胞的組織部分像素點，提取其HE染色的熒光壽命，用于均值統(tǒng)計和熵值計算。

對采集到的50組癌細胞圖像數(shù)據(jù)和50組正常細胞圖像數(shù)據(jù)分別進行均值μ、方差σ和熵值S統(tǒng)計分析，其中所有數(shù)據(jù)點在μ_σ_S三維空間的分布如圖5a所示，為方便觀察我們用深黑色標記癌癥樣本數(shù)據(jù)，即編號A所示，灰色標記正常樣本數(shù)據(jù)，即編號B所示，并分別把數(shù)據(jù)分布映射到各自不同的三個平面上。

將樣本數(shù)據(jù)在μ_σ平面上做支持向量機線性分類，如圖5b所示。從圖中可以看出正常樣本和癌癥樣本的數(shù)據(jù)在μ_σ平面上部分交織在一起，不能做線性分類，說明只用熒光壽命均值和方差兩個參量來做病理切片診斷時，誤判的可能性極大。

引入熵值之后，樣本數(shù)據(jù)無論是在S_μ平面(圖5c)或是在S_σ平面(圖5d)上做支持向量機線性分類均能獲得非常明顯的線性分類的效果。

最后，我們分別從正常樣本和癌癥樣本圖像中隨機以7∶3的比例選取訓練樣本和測試樣本，進行交叉驗證實驗。采用線性核進行的支持向量機交叉驗證結果為，當僅采用μ和σ兩個參數(shù)做支持向量機訓練和判別時，得到線性判別準確率為85.9％；而采用μ、σ和S三個參數(shù)做支持向量機訓練和判別時，得到線性判別準確率為97.2％，明顯優(yōu)于兩個參數(shù)的線性判別結果。

在本申請所提供的幾個實施例中，應該理解到，所揭露的裝置和方法，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述模塊的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個模塊或組件可以結合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或模塊的間接耦合或通信連接，可以是電性，機械或其它的形式。

所述作為分離部件說明的模塊可以是或者也可以不是物理上分開的，作為模塊顯示的部件可以是或者也可以不是物理模塊，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡模塊上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部模塊來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)明各個實施例中的各功能模塊可以集成在一個處理模塊中，也可以是各個模塊單獨物理存在，也可以兩個或兩個以上模塊集成在一個模塊中。上述集成的模塊既可以采用硬件的形式實現(xiàn)，也可以采用軟件功能模塊的形式實現(xiàn)。

所述集成的模塊如果以軟件功能模塊的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術方案本質(zhì)上或者說對現(xiàn)有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網(wǎng)絡設備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

需要說明的是，對于前述的各方法實施例，為了簡便描述，故將其都表述為一系列的動作組合，但是本領域技術人員應該知悉，本發(fā)明并不受所描述的動作順序的限制，因為依據(jù)本發(fā)明，某些步驟可以采用其它順序或者同時進行。其次，本領域技術人員也應該知悉，說明書中所描述的實施例均屬于優(yōu)選實施例，所涉及的動作和模塊并不一定都是本發(fā)明所必須的。

在上述實施例中，對各個實施例的描述都各有側(cè)重，某個實施例中沒有詳述的部分，可以參見其它實施例的相關描述。

以上為對本發(fā)明所提供的一種病理切片圖像智能分類方法及裝置的描述，對于本領域的技術人員，依據(jù)本發(fā)明實施例的思想，在具體實施方式及應用范圍上均會有改變之處，綜上，本說明書內(nèi)容不應理解為對本發(fā)明的限制。