[發明專利]基于深度學習的全尺度病理切片的快速診斷和評分方法

有效

• 申請號: 201810067394.0
• 申請日: 2018-01-24
• 公開（公告）號: CN108305249B
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 朱小欽;楊親親;范旭偉;代子民;郭洋洋;付彩玲;張一帆
• 申請（專利權）人: 福建師范大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

本發明涉及一種基于深度學習的全尺度病理切片的快速診斷和評分方法。對全尺度病理切片染色圖進行預處理；通過改變傳統AlexNet神經網絡的全連接層和輸出層節點數，以適應實際問題的需要，并選用標記好的訓練樣本集來分別訓練兩個用于診斷和評分的AlexNet神經網絡模型，提取病變區域的高維特征信息；利用訓練完成的兩個改進的AlexNet神經網絡模型實現對全尺度病理切片染色圖的診斷和評分；根據診斷的預測概率繪制出概率熱圖，直觀地標識病變區域，同時通過對不同病變程度的取樣小塊數量占比的統計，對組織的病變程度給予評分。本發明方法能完全自動化地實現對全尺度前列腺組織病理切片的診斷和Gleason評分，準確率和運算速率大幅度超過人工診斷的平均水平。

技術領域

本發明涉及圖像處理和醫學領域，具體涉及一種基于深度學習的全尺度病理切片的快速診斷和評分方法。

背景技術

在我國，惡性腫瘤早已成為城鄉居民的首要死因，惡性腫瘤死亡率屬于世界較高水平，而且呈持續的增長趨勢。前列腺癌是男性生殖系統最常見的惡性腫瘤，其發病率和死亡率僅次于肺癌，位居癌癥死亡的第二位。目前，HE染色病理切片仍是診斷組織癌變的金標準。然而，病理診斷往往依賴于病理醫生的主觀判斷，容易造成誤診和漏診。同時，由于病理醫生的專業水平參差不齊，且存在地域分布的不均衡性，在不發達地區病理診斷存在較高的誤診率和漏診率。近年來，人工智能與深度學習的發展帶給醫療健康領域迅速和革命性的改變，用于疾病診斷和病理分析的人工智能層出不窮，但針對前列腺癌的病理診斷仍存在一些局限性：

1.目前對前列腺組織的病理診斷大部分只是進行二分類，即判斷是否為正常或癌癥組織，很少針對前列腺癌的嚴重程度進行評分；

2.傳統的癌癥檢測主要采用細胞核局部檢測，很少針對全尺度病理切片染色圖；

3.采用紋理分析加分類器的方法，需要手工提取特征，且準確率僅為85％左右；

4.計算效率較低，診斷耗時長。

發明內容

本發明的目的在于提供一種基于深度學習的全尺度病理切片的快速診斷和評分方法，通過對AlexNet神經網絡模型的改進，以概率熱圖的形式標識出正常和癌變區域，并對癌變的嚴重程度進行評分，實現對組織病理切片更高效準確的智能診斷。

為實現上述目的，本發明的技術方案是：一種基于深度學習的全尺度病理切片的快速診斷和評分方法，包括如下步驟：

步驟S1、將全尺度病理切片染色圖輸入圖像預處理模塊，通過格式轉換和色彩空間變換，實現對圖像的歸一化處理；

步驟S2、改變傳統AlexNet神經網絡的全連接層和輸出層節點數，將步驟S1得到的預處理后的全尺度病理切片染色圖輸入數據訓練模塊，制作成訓練樣本集，而后訓練兩個改進的AlexNet神經網絡模型進而得到用于測試診斷AlexNet神經網絡模型1和用于病變程度評分的AlexNet神經網絡模型2；

步驟S3、將步驟S1得到的預處理后的全尺度病理切片染色圖輸入測試診斷模塊，使用在步驟S2完成訓練的用于測試診斷的AlexNet神經網絡模型1進行測試診斷，以概率熱圖的形式標定出正常和病變區域；

步驟S4、將步驟S3中被預測為病變的取樣小塊輸入病變程度評分模塊，使用在步驟S2完成訓練用于病變程度評分的AlexNet神經網絡模型2對病變的取樣小塊進行分級，分別計算不同等級的病變小塊數量占比，根據臨床癌組織病變的評分標準，對全尺度病理切片染色圖進行病變程度評分。

在本發明一實施例中，所述步驟S1具體實現如下：

首先，將前列腺組織全尺度病理切片染色圖轉換為計算機易處理的圖像格式；

其次，將轉換格式后的全尺度病理切片染色圖進行色彩空間變換實現對圖像的歸一化處理，圖片由RGB三原色格式圖映射為YUV格式，顏色取值有原來的0-255映射為-1-0-1，且方差為1。