[發明專利]基于深度學習的淋巴瘤病理圖像智能識別方法

在審

• 申請號: 202010622536.2
• 申請日: 2020-06-30
• 公開（公告）號: CN111798464A
• 公開（公告）日: 2020-10-20
• 發明（設計）人: 王志崗;賀環宇;方超
• 申請（專利權）人: 天津深析智能科技有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06K9/62;G06N3/04;G06N3/08;G06T5/00;G16H50/20
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 杜文茹

1.一種基于深度學習的淋巴瘤病理圖像智能識別方法，其特征在于，包括如下步驟：

1)對淋巴瘤病理切片圖像數據進行預處理，包括：

(1)獲得原始的數字掃描淋巴瘤病理切片圖像數據集，由專業醫生對數據集中的每一張病理切片圖像X_i進行手工標注，所述的手工標注包含病灶、血管和脂肪區域的標注，根據手工標注的結果生成與每一張病理切片圖像X_i對應的掩膜圖像Yi；

(2)對病理切片圖像數據集進行染色均一化處理，以適應不同染色條件下導致的切片中顏色深淺不一問題；

(3)對數據集中的每一張病理切片圖像X_i進行裁剪切塊，每個圖像塊分辨率為512×512；

2)構建分割淋巴組織區域的全卷積神經網絡，包括編碼器子網絡和解碼器子網絡，其中，所述編碼器子網絡是由依次連接的第一卷積層、第二卷積層、第三卷積層、第一下采樣層、第四卷積層、第五卷積層、第六卷積層和第二下采樣層構成；所述的解碼器子網絡是由依次連接的第七卷積層、第八卷積層、第九卷積層、第一上采樣層、第十卷積層、第十一卷積層、第十二卷積層和第二上采樣層構成；所述第二下采樣層的輸出是第七卷積層的輸入，第二上采樣層的輸出構成全卷積神經網絡的輸出，所述全卷積神經網絡的輸出為與全卷積神經網絡輸入的圖像塊分辨率大小相同的概率圖，概率圖中每個像素點對應病理切片圖像X_i中每個像素點屬于淋巴組織區域的概率大小；

3)構建高倍分辨率下淋巴瘤三分類卷積神經網絡，包括由依次連接的6個卷積層和3個全連接層構成；

4)對步驟2)中的全卷積神經網絡和步驟3)中的淋巴瘤三分類卷積神經網絡進行訓練，最終得到淋巴瘤病理切片圖像分類模型，并且測試時依次經過全卷積神經網絡和淋巴瘤三分類卷積神經網絡，最終得到淋巴瘤的分類結果。

2.根據權利要求1所述的基于深度學習的淋巴瘤病理圖像智能識別方法，其特征在于，步驟1)中的第(3)所述的對數據集中的每一張病理切片圖像X_i進行裁剪切塊，是對數據集中的每一張病理切片圖像在4×圖層下裁減切塊，且每個圖像塊的分辨率為512×512，將所有圖像塊隨機分配到4×圖層下的訓練集和驗證集，比例為8:2，得到4×圖層下訓練集LT₁，對應掩膜標簽集合LT_y1，4×圖層下驗證集LV₁，對應掩膜標簽集合LV_y1；同時對數據集中的每一張病理切片圖像在40×圖層下進行不重疊裁剪切塊，每個圖像塊分辨率為512×512，將所有圖像塊隨機分配到40×圖層下的訓練集和驗證集，比例為8:2，得到40×圖層下的訓練集HT₁與分類標簽HT_y1，驗證集HV₁與分類標簽HV_y1；

在4×圖層與40×圖層下的訓練集和驗證集中，每個圖像塊的分辨率為512×512，其中i表示數據集中第i張病理切片圖像z表示4×圖層或者40×圖層，以整張病理切片圖像X_i左下角點為坐標零點，x和y分別表示該圖像塊的左上角點在橫坐標軸與縱坐標軸上的坐標點，同時與對應的掩膜圖像Y_i在相同坐標下進行裁剪切塊。

3.根據權利要求1所述的基于深度學習的淋巴瘤病理圖像智能識別方法，其特征在于，步驟2)中所述的編碼器子網絡中，每個卷積層的卷積核大小為3×3，步長為1，且每個卷積層后面都有一個批歸一化層與ReLU非線性激活，下采樣層選取MaxPooling，窗口大小2×2，步長大小為2；所述的解碼器子網絡中，每個卷積層的卷積核大小為3×3，步長為1，且每個卷積層后面都有一個批歸一化層與ReLU非線性激活，上采樣層選取雙線性插值，窗口大小2×2，步長大小為2；

每個卷積層都依據以下公式來提取特征圖：

其中，為向下取整，x_in表示輸入特征圖大小，x_out表示輸出特征圖大小，padding表示填充特征圖像素點的大小，s表示步長，f表示卷積的核大小。