[發明專利]一種基于深度學習的肺癌計算機輔助檢測方法及系統

在審

• 申請號: 201910005910.1
• 申請日: 2019-01-04
• 公開（公告）號: CN109754879A
• 公開（公告）日: 2019-05-14
• 發明（設計）人: 馮向軍
• 申請（專利權）人: 湖南蘭茜生物科技有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H30/20;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的肺癌計算機輔助檢測方法，其特征在于，所述方法包括：

步驟S1、采集已臨床確診的病變組織，用病理組織學方法制成病理組織切片，然后再用蘇木精和曙紅對所述病理組織切片進行染色；

步驟S2、通過利用數字自動顯微鏡對染色后的所述病理組織切片進行掃描，獲取WSI圖像；所述WSI圖像包括經驗豐富的病理醫生對所述WSI圖像上癌癥區域進行精準的標注；

步驟S3、將上述步驟獲取的所述WSI圖像隨機分成訓練集和測試集，并對每張所述WSI圖像進行分塊處理；分塊處理后的所述WSI圖像用于為后續卷積神經網絡的輸入；所述WSI圖像包括WSI訓練圖像和WSI測試圖像；

步驟S4、根據經典的自然圖像識別卷積神經網絡，利用所述WSI訓練圖像對網絡進行調參和訓練，生成肺癌檢測模型；利用所述WSI測試圖像對所述肺癌檢測模型進行檢驗，優化所述肺癌檢測模型；

步驟S5、接收客戶終端發送的待檢測WSI圖像，將所述待檢測WSI圖像輸入至所述肺癌檢測模型；

步驟S6、從肺癌檢測模型中提取與所述待檢測WSI圖像相對應的識別結果；

步驟S7、將所述識別結果發送至所述客戶終端。

2.如權利要求1所述的一種基于深度學習的肺癌計算機輔助檢測方法，其特征在于，所述步驟S1中，所述病理組織切片的數量大于或等于十萬。

3.如權利要求1所述的一種基于深度學習的肺癌計算機輔助檢測方法，其特征在于，在所述步驟S3中，所述WSI訓練圖像得數量大于所述WSI測試圖像的數量。

4.如權利要求1所述的一種基于深度學習的肺癌計算機輔助檢測方法，其特征在于，在所述步驟S3中，所述WSI圖像大小一致。

5.如權利要求1所述的一種基于深度學習的肺癌計算機輔助檢測方法，其特征在于，在所述步驟S4中，所述網絡包括ResNet，VggNet，Alexnet，SqueezeNet網絡。

6.如權利要求1和權利要求4所述的一種基于深度學習的肺癌計算機輔助檢測方法，其特征在于，在所述步驟S4中，所述卷積神經網絡根據Python2.7+MXNet深度學習框架，利用訓練集對在ImageNet上預訓練好的ResNet，VggNet，Alexnet，SqueezeNet網絡進行訓練；所述卷積神經網絡的學習率＝0.00001，加權衰減率＝0.0001，epoch＝10和批量大小＝64，利用Adam算法優化權重。

7.如權利要求1所述的一種基于深度學習的肺癌計算機輔助檢測方法，其特征在于，在所述步驟S7之后，所述客戶終端可收集病理醫生的反饋，并發送至所述肺癌檢測模型。

8.一種基于深度學習的肺癌計算機輔助檢測系統，其特征在于，所述系統包括：

切片染色模塊，用于采集已臨床確診的病變組織，用病理組織學方法制成病理組織切片，然后再用蘇木精和曙紅對所述病理組織切片進行染色；

圖像采集模塊，用于通過利用數字自動顯微鏡對染色后的所述病理組織切片進行掃描，獲取WSI圖像；所述WSI圖像包括經驗豐富的病理醫生對所述WSI圖像上癌癥區域進行精準的標注；

圖像分類和分塊模塊，用于將上述步驟獲取的所述WSI圖像隨機分成訓練集和測試集，并對每張所述WSI圖像進行分塊處理；分塊處理后的所述WSI圖像用于為后續卷積神經網絡的輸入；所述WSI圖像包括WSI訓練圖像和WSI測試圖像；

模型構建模塊，用于根據經典的自然圖像識別卷積神經網絡，利用所述WSI訓練圖像對網絡進行調參和訓練，生成肺癌檢測模型；利用所述WSI測試圖像對所述肺癌檢測模型進行檢驗，優化所述肺癌檢測模型；

檢測數據接收模塊，用于接收客戶終端發送的待檢測WSI圖像，將所述待檢測WSI圖像輸入至所述肺癌檢測模型；

所述模型構建模塊，還用于從肺癌檢測模型中提取與所述待檢測WSI圖像相對應的識別結果；

識別結果反饋模塊，用于將所述識別結果發送至所述客戶終端。

9.如權利要求8所述的一種基于深度學習的肺癌計算機輔助檢測系統，其特征在于，所述系統還包括客戶終端，所述客戶終端包括：

發送數據模塊，用于將待檢測WSI圖像發送至肺癌檢測模型；

接收數據模塊，用于將所述肺癌檢測模型的識別結果輸入到所述客戶終端；

發送反饋模塊，用于所述客戶終端將所述病理醫生的反饋發送到所述肺癌檢測模型。