[發明專利]一種利用神經網絡進行分割的疾病診斷系統和方法

在審

• 申請號: 201980056199.0
• 申請日: 2019-08-07
• 公開（公告）號: CN112639997A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 曺浚寧;金善禹
• 申請（專利權）人: 第一百歐有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/50;G16H15/00;G06N3/02
• 代理公司: 上海弼興律師事務所 31283
• 代理人: 薛琦;金學來

本發明公開一種疾病診斷系統及其方法，能夠通過神經網絡執行學習，并利用學習的神經網絡分割生物組織圖像中存在疾病的區域。提供一種疾病診斷系統，根據本發明的一個方面，在包括處理器和存儲神經網絡的存儲設備的系統中實現，是一種利用生物圖像幻燈片和所述神經網絡的一種疾病診斷系統。所述系統包括圖像塊級別分割神經網絡，對所述幻燈片分割成預設大小的每一個預設圖像塊，將所述圖像塊輸入到輸入層并確定所述圖像塊中疾病存在的區域；所述圖像塊級分割神經網絡，包括圖像塊級別分類神經網絡，將所述圖像塊輸入到輸入層并輸出與所述圖像塊上是否存在所述疾病有關的圖像塊級別分類結果；以及圖像塊級別分割結構，接收圖像塊級別分類神經網絡上包括的隱含層中2個以上的特征映射提取層上分別生成的特征映射，并確定所述圖像塊中疾病存在的區域。

技術領域

本發明涉及一種基于神經網絡的疾病診斷系統及其方法。具體來說涉及一種通過神經網絡進行學習，能夠利用學習的神經網絡分割生物組織圖像中疾病區域的一種疾病診斷系統及其方法。

背景技術

病理學或病理科的主要工作之一就是執行診斷，即讀取患者的生物圖像，然后判斷特定疾病的狀態或征兆。這種診斷方式主要依靠醫務人員長期而豐富的經驗和知識。

近期，隨著機器學習的發展，正在積極嘗試通過計算機實現圖像識別或分類等業務的自動化。尤其是，正在嘗試利用機器學習的一種即神經網絡(例如，使用卷積神經網絡(Convolution neural network，CNN)的深度學習方法)使以往由資深醫務人員操作的診斷業務實現自動化。

特別是，通過使用神經網絡(例如CNN)深度學習進行診斷，并不只是讓以往資深醫務人員的豐富經驗和知識實現自動化，而是通過自主學習找到特征因素并推導出想要的答案，有時候反而能在圖像中發現這些醫務人員所不能了解的疾病因素的特征。

通常，用使用生物圖像的神經網絡診斷疾病時會使用生物圖像的碎片，即圖像塊(patch，也稱為圖像子塊(tile))。也就是說，熟知該圖像子塊的醫務人員將對特定疾病的狀態(例如癌癥表達與否)進行標注(annotation)，并將這些已標注的大量的圖像子塊用作訓練數據來學習神經網絡。此時，所使用的所述神經網絡可以是卷積神經網絡。

但是，在這種方式下，學習的神經網絡只能根據對應圖像子塊的圖像特征來判斷該圖像子塊的疾病狀態，而實際上，針對特定疾病判斷其特定生物組織的狀態時，有的時候不僅要考慮所述特定生物組織本身，還要考慮所述特定生物組織的周圍組織的現狀(例如形狀、特定模式是否存在等)。但是，傳統方式的不足之處就是并不適用于此類情況。

一方面，在傳統的學習中，生物圖像或圖像塊的顏色本身將作為輸入數據輸入。例如，當生物圖像或圖像塊處于RGB形態，由RGB的三個通道值定義的輸入數據可直接使用。但在這種情況下，根據與生物圖像相對應的生物組織染色所用的染色試劑的特性，染色組織的顏色可能會各不相同，這將直接影響到學習的神經網絡。因此，可能需要強化神經網絡的學習方式，以學習這種并非根源性組織圖像特征的因染色等導致的非根源性顏色特征。

另外，按照每一個圖像塊判斷圖像塊單元的診斷結果所涉及的疾病表達與否，在這種情況下，雖然可以輸出特定圖像塊疾病是否表達，但是從廣泛的范圍來看，有很大可能會判斷為疾病沒有表達。因此，很有必要以每一圖像塊的診斷結果為基礎，去判斷包括相應圖像塊的所有幻燈片中疾病是否表達。

另外，按照每一個圖像塊判斷圖像塊單元的診斷結果所涉及的疾病表達與否(即將各圖像塊進行分類)，當圖像塊單元的診斷結果直接可視化時，實際上可能會發生不是組織(細胞組織)的那部分也被可視化的問題。因此，可能需要一種能夠區分圖像塊中疾病區域的圖像分割，以更加精確地掌握被確診為疾病的組織部分。

*先前的技術文獻

-專利文獻

韓國公開專利10-2016-0034814“伴隨神經網絡的客戶端設備和包含該設備的系統”。

發明內容