慢性胰腺炎病理分型预测方法

本发明涉及医学图像处理领域，特别涉及一种胰腺炎病理图像处理方法、分类方法、分型预测模型构建方法、预测方法、设备、介质和程序产品。

背景技术：

1、慢性胰腺炎是一种慢性、进行性、不可逆性纤维炎症性疾病，组织病理学是直观展示该疾病严重程度的最佳方式，是诊断该病的金标准。因为慢性胰腺炎的病理标本的稀缺，相关研究罕见。慢性胰腺炎的临床病理特征为胰腺实质进行性萎缩、纤维化、疼痛反应、胰管扭曲、狭窄或扩张、结石、胰腺内外分泌功能障碍，此过程随着病程进展而逐渐恶化，对慢性胰腺炎准确分级是掌握其严重程度、监测病情和指导治疗的关键所在。

2、现有的慢性胰腺炎病理评估方法中，常规病理报告多以笼统的轻、中、重度评价慢性胰腺炎组织学改变程度，医生诊断一致性差，且评价对象模糊，可信度不高。少数慢性胰腺炎严重程度病理研究，多是针对单一组织成分的半定量评估，以kloppel等提出的pf分级法为例，该方法较为简便，且具一定胰腺功能相关性，但无法克服主观因素，忽略了各组织成分间的关联价值，在临床上并未得到广泛认可及应用。而m-annheim分类系统等严重程度分级系统多建立于临床及影像基础上，评价指标多，过程繁琐，临床难以普及应用。

3、目前还未提出一种基于慢性胰腺炎病理精准量化的病理严重程度分级。

技术实现思路

1、本发明提供了一种胰腺炎病理图像处理方法、分类方法、分型预测模型构建方法、预测模型、设备、介质和程序产品，可以应用于慢性胰腺炎预后分类诊断。

2、本发明的实施方式公开了一种胰腺病理图像处理方法，所述方法包括：

3、获取慢性胰腺炎病人的胰腺he病理图像；

4、分割所述胰腺he病理图像以获得与所述胰腺的多个组织相关的掩膜；

5、基于所述掩膜提取图像块；

6、利用所述图像块训练图像分割模型，并获得多个预定特征的参数。

7、可选地，基于所述掩膜提取所述图像块包括对所述图像块进行翻转、旋转、高斯模糊和颜色增强处理，标准化所述图像块。

8、可选地，利用所述图像块训练所述图像分割模型包括二值化所述图像块，通过遍历所述图像块的像素点得出所述多个组织的分割面积，基于所述分割面积获得所述多个预定特征的参数。

9、本发明的实施方式公开了一种胰腺病理图像分类方法，所述方法包括：

10、获得慢性胰腺炎病人的胰腺he病理图像；

11、使用如权利要求1所述的方法获得多个预定特征的参数，

12、基于所述多个预定特征的参数，利用潜类别分析确定胰腺炎的病理分型，所述病理分型与所述慢性胰腺炎病人的内分泌功能、外分泌功能和预后相关。

13、可选地，所述利用潜类别分析确定胰腺炎的病理分型包括基于赤池信息量准则(aic)最佳拟合分型结果。

14、本发明的实施方式公开了一种胰腺炎病理分型预测模型构建方法，所述模型构建方法包括：

15、获取慢性胰腺炎病人的胰腺ct图像的第一平扫期图像和门脉期图像；

16、分割所述门脉期图像以获得与所述胰腺的多个组织相关的掩模；

17、利用所述掩膜和所述第一平扫期图像训练图像分割模型，得到训练后的图像分割模型；

18、将待测病人的第二平扫期图像输入至所述训练好的图像分割模型，获得所述第二平扫期图像的胰腺实质区域图像，基于所述胰腺实质区域图像提取多个影像组学特征；

19、选取所述多个影像组学特征中的预定特征，计算组学分值，根据所述组学分值构建病理分型预测模型。

20、可选地，所述利用所述掩膜和所述第一平扫期图像训练所述图像分割模型还包括，配准所述第一平扫期图像和所述门脉期图像，基于所述掩膜生成所述第一平扫期图像对应的掩膜，利用所述第一平扫期图像对应的掩膜训练所述图像分割模型。

21、可选地，基于所述胰腺实质区域图像提取所述影像组学特征包括对所述影像组学特征降维处理，以获得所述预定特征。

22、本发明的实施方式公开了胰腺炎病理分型预测方法，所述方法包括：

23、获得慢性胰腺炎病人的胰腺ct图像；

24、基于病理分型预测模型得到胰腺炎病理分型预测结果，其中，

25、所述病理分型预测模型是根据上述的模型构建方法得到的。

26、本发明的实施方式公开了一种电子设备，其特征在于，所述设备包括处理器和存储有计算机可执行指令的存储器，所述处理器被配置为执行所述指令以实施上述的胰腺病理图像处理方法、胰腺病理图像分类方法、胰腺炎病理分型预测模型构建方法或者胰腺炎病理分型预测方法。

27、本发明的实施方式公开了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机指令，所述至少一条指令由处理器加载并执行，以实现上述的胰腺病理图像处理方法、胰腺病理图像分类方法、胰腺炎病理分型预测模型构建方法或者胰腺炎病理分型预测方法。

28、本发明的实施方式公开了一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机指令，所述计算机指令被执行时，以实施上述的胰腺病理图像处理方法、胰腺病理图像分类方法、胰腺炎病理分型预测模型构建方法或者胰腺炎病理分型预测方法。

29、本发明提供的胰腺炎病理图像处理方法、分类方法、分型预测模型构建方法、预测方法、设备、介质和程序产品，通过深度学习对胰腺的腺泡、间质、胰岛、神经、脂肪以及淋巴细胞进行自动分割量化。在he病理图像上进行组织勾画，采集勾画的分割掩码，基于分割掩码提取图像块，图像块水平进行分割模型的训练验证，最终实现指标的量化，包括腺泡占比、间质占比、胰岛占比、神经占比、脂肪占比、淋巴结构占比、腺泡间质比、胰岛间质比、腺泡胰岛比及功能细胞间质比的自动量化提取。进一步地，通过潜类别分析对量化指标组间相似性进行评估，最终确定一种两分类的病理分型。由于上述两分类分型的确立有赖于病理结果，仍未打破慢性胰腺炎病理研究的固有限制，即病理标本的稀缺性，进而构建出一种无创预测病理分型的模型，通过应用深度学习影像组学实现上述病理分型的影像转化，并在过程中基于胰腺ct平扫期图像开发慢性胰腺炎自动量化分割方法，提取多个量化特征，筛选出最相关的主要特征，计算组学分值，构建胰腺炎病理分型预测模型。

30、本发明的实施方式与现有技术相比，主要区别及其效果在于：he病理图像作为算法输入端，无额外成本产生，从根本上提升了分割的简便性及普适性。此外，基于本发明的胰腺炎病理分型预测模型，在做慢性胰腺炎病理分型诊断时，无需获取病人的染色he病理图像和ct增强图像，仅需获取病人的平扫ct图像，具有无创、无碘过敏的风险，廉价并且对肝肾功能不良的人群友好等优点。

1.一种胰腺病理图像处理方法，用于电子设备，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，基于所述掩膜提取所述图像块包括对所述图像块进行翻转、旋转、高斯模糊和颜色增强处理，标准化所述图像块。

3.根据权利要求1所述的方法，其特征在于，利用所述图像块训练所述图像分割模型包括二值化所述图像块，通过遍历所述图像块的像素点得出所述多个组织的分割面积，基于所述分割面积获得所述多个预定特征的参数。

4.一种胰腺病理图像分类方法，用于电子设备，其特征在于，所述方法包括：

5.根据权利要求4所述的方法，其特征在于，所述利用潜类别分析确定胰腺炎的病理分型包括基于赤池信息量准则(aic)最佳拟合分型结果。

6.一种胰腺炎病理分型预测模型构建方法，其特征在于，所述模型构建方法包括：

7.根据权利要求6所述的方法，其特征在于，所述利用所述掩膜和所述第一平扫期图像训练所述图像分割模型还包括，配准所述第一平扫期图像和所述门脉期图像，基于所述掩膜生成所述第一平扫期图像对应的掩膜，利用所述第一平扫期图像对应的掩膜训练所述图像分割模型。

8.根据权利要求6所述的方法，其特征在于，基于所述胰腺实质区域图像提取所述影像组学特征包括对所述影像组学特征降维处理，以获得所述预定特征。

9.一种胰腺炎病理分型预测方法，其特征在于，所述方法包括：

10.一种电子设备，其特征在于，所述设备包括处理器和存储有计算机可执行指令的存储器，所述处理器被配置为执行所述指令以实施根据权利要求1所述的胰腺病理图像处理方法、权利要求2所述的胰腺病理图像分类方法、权利要求6所述的胰腺炎病理分型预测模型构建方法或者权利要求9所述的胰腺炎病理分型预测方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机指令，所述至少一条指令由处理器加载并执行，以实现根据权利要求1所述的胰腺病理图像处理方法、权利要求2所述的胰腺病理图像分类方法、权利要求6所述的胰腺炎病理分型预测模型构建方法或者权利要求9所述的胰腺炎病理分型预测方法。

12.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机指令，所述计算机指令被执行时，实现根据权利要求1所述的胰腺病理图像处理方法、权利要求2所述的胰腺病理图像分类方法、权利要求6所述的胰腺炎病理分型预测模型构建方法或者权利要求9所述的胰腺炎病理分型预测方法。