[發明專利]一種基于群等變神經網絡和條件概率場的病理切片識別方法

有效

• 申請號: 201911060934.3
• 申請日: 2019-11-01
• 公開（公告）號: CN110930369B
• 公開（公告）日: 2023-05-05
• 發明（設計）人: 王國利;董金鳳;郭雪梅
• 申請（專利權）人: 中山大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

本發明提供一種基于群等變神經網絡和條件概率場的病理切片識別方法，該方法使用群等變卷積核代替傳統卷積核，提高了系統對于輸入切片識別的魯棒性，對于不同角度的輸入具有更加優秀的一致性，在以上改變的基礎上，本專利系統還使用了條件隨機場算法，減少了預測結果中的噪聲，提高了預測的準確率。

技術領域

本發明涉及病理切片識別方法領域，更具體地，涉及一種基于群等變神經網絡和條件概率場的病理切片識別方法。

背景技術

在世界范圍內，前列腺癌發病率在男性所有惡性腫瘤中位居第二。在美國前列腺癌的發病率已經超過肺癌，成為第一位危害男性健康的腫瘤。根據國家癌癥中心的數據，前列腺癌自2008年起成為男性泌尿系統中發病率最高的腫瘤。由于目前中國病理醫生匱乏，診斷水平參差不齊，并且人工進行病理檢查費時費力且對于復雜情況的病理切片的識別很容易出現錯誤。基于深度學習旋轉神經網絡和條件概率場的病理切片識別方法可以自動識別前列腺切片癌區，不需要人工參與，且識別準確率可以達到95％以上。

目前病理識別切片的主要方法是首先對病理切片進行預處理，制作訓練樣本集，然后用基于深度學習的網絡提取病理圖像塊的特征并識別病理圖像塊是否屬于癌區。對于預處理模塊，目前常用的旋轉和翻轉圖像塊作為圖像增強手段盡管可以改善模型的泛化性能，但它不能利用病理切片的旋轉和反射對稱性。由于深度學習網絡只能從旋轉和翻轉后的數據中學習旋轉反射等變性，模型需要更大的數據支持，且即使在訓練數據上學習到了旋轉反射等變性，也不能直接推廣到測試集中。分別預測旋轉和翻轉后的結果取平均作為預測結果，雖然可以提高模型的泛化能力，但是需要8倍計算成本并且也不能保證等變性。對于特征提取模塊，相鄰圖像塊具有空間連續性，深度學習網絡需要考慮相鄰圖像塊的空間連續性。

發明內容

本發明提供一種提高預測的準確率基于群等變神經網絡和條件概率場的病理切片識別方法。

為了達到上述技術效果，本發明的技術方案如下：

一種基于群等變神經網絡和條件概率場的病理切片識別方法，包括以下步驟：

S1：收集病理切片數據，并將獲取的數據分成訓練集和測試集；

S2：對訓練集數據進行人工標注，之后進行分割；

S3：構建基于群等變換卷積和條件隨機場的端到端的深度學習神經網絡，并將S2得到的數據輸入到該深度學習神經網絡中進行訓練；

S4：將測試集數據輸入到訓練好的深度學習神經網絡中進行測試。

進一步地，所述步驟S1的具體過程是：

將收集到的病理切片數據分成訓練集和測試集，對訓練集病理切片處理，生成組織區域掩膜M_a：設輸入的切片圖像為I，生成一個和I大小一致的掩膜M_a′，M_a′取值0或者1，0表示不含有組織區域，1表示含有組織區域；生成組織掩膜方式是將原始圖像在HSV空間下提取S通道，并進行二值化操作，使用的二值化方法為OTSU算法，再把經過二值化處理的S通道進行開閉操作得到最終的組織掩膜M_a。

進一步地，所述步驟S2中對訓練集數據進行人工標注的過程是：

對于訓練集中有癌細胞組織的切片，由醫生使用標注軟件對病變區域進行標注，將癌區標注為多邊形，標注信息中存儲了標注多邊形區域的頂點坐標，然后使用多邊形填充算法對于多邊形內部進行填充，內部填充1，外部填充0，生成癌區掩膜M_b，最后組織掩膜減去癌區掩膜得到正常組織掩膜M_c。

進一步地，所述步驟S2中對人工標注后的數據進行分割的過程是：