[發(fā)明專利]基于深度學(xué)習(xí)的淋巴瘤病理圖像智能識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010622536.2
• 申請(qǐng)日: 2020-06-30
• 公開（公告）號(hào): CN111798464A
• 公開（公告）日: 2020-10-20
• 發(fā)明（設(shè)計(jì)）人: 王志崗;賀環(huán)宇;方超
• 申請(qǐng)（專利權(quán)）人: 天津深析智能科技有限公司
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06K9/62;G06N3/04;G06N3/08;G06T5/00;G16H50/20
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所 12201
• 代理人: 杜文茹

1.一種基于深度學(xué)習(xí)的淋巴瘤病理圖像智能識(shí)別方法，其特征在于，包括如下步驟：

1)對(duì)淋巴瘤病理切片圖像數(shù)據(jù)進(jìn)行預(yù)處理，包括：

(1)獲得原始的數(shù)字掃描淋巴瘤病理切片圖像數(shù)據(jù)集，由專業(yè)醫(yī)生對(duì)數(shù)據(jù)集中的每一張病理切片圖像X_i進(jìn)行手工標(biāo)注，所述的手工標(biāo)注包含病灶、血管和脂肪區(qū)域的標(biāo)注，根據(jù)手工標(biāo)注的結(jié)果生成與每一張病理切片圖像X_i對(duì)應(yīng)的掩膜圖像Yi；

(2)對(duì)病理切片圖像數(shù)據(jù)集進(jìn)行染色均一化處理，以適應(yīng)不同染色條件下導(dǎo)致的切片中顏色深淺不一問題；

(3)對(duì)數(shù)據(jù)集中的每一張病理切片圖像X_i進(jìn)行裁剪切塊，每個(gè)圖像塊分辨率為512×512；

2)構(gòu)建分割淋巴組織區(qū)域的全卷積神經(jīng)網(wǎng)絡(luò)，包括編碼器子網(wǎng)絡(luò)和解碼器子網(wǎng)絡(luò)，其中，所述編碼器子網(wǎng)絡(luò)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(gòu)成；所述的解碼器子網(wǎng)絡(luò)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(gòu)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(gòu)成全卷積神經(jīng)網(wǎng)絡(luò)的輸出，所述全卷積神經(jīng)網(wǎng)絡(luò)的輸出為與全卷積神經(jīng)網(wǎng)絡(luò)輸入的圖像塊分辨率大小相同的概率圖，概率圖中每個(gè)像素點(diǎn)對(duì)應(yīng)病理切片圖像X_i中每個(gè)像素點(diǎn)屬于淋巴組織區(qū)域的概率大小；

3)構(gòu)建高倍分辨率下淋巴瘤三分類卷積神經(jīng)網(wǎng)絡(luò)，包括由依次連接的6個(gè)卷積層和3個(gè)全連接層構(gòu)成；

4)對(duì)步驟2)中的全卷積神經(jīng)網(wǎng)絡(luò)和步驟3)中的淋巴瘤三分類卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終得到淋巴瘤病理切片圖像分類模型，并且測(cè)試時(shí)依次經(jīng)過全卷積神經(jīng)網(wǎng)絡(luò)和淋巴瘤三分類卷積神經(jīng)網(wǎng)絡(luò)，最終得到淋巴瘤的分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的淋巴瘤病理圖像智能識(shí)別方法，其特征在于，步驟1)中的第(3)所述的對(duì)數(shù)據(jù)集中的每一張病理切片圖像X_i進(jìn)行裁剪切塊，是對(duì)數(shù)據(jù)集中的每一張病理切片圖像在4×圖層下裁減切塊，且每個(gè)圖像塊的分辨率為512×512，將所有圖像塊隨機(jī)分配到4×圖層下的訓(xùn)練集和驗(yàn)證集，比例為8:2，得到4×圖層下訓(xùn)練集LT₁，對(duì)應(yīng)掩膜標(biāo)簽集合LT_y1，4×圖層下驗(yàn)證集LV₁，對(duì)應(yīng)掩膜標(biāo)簽集合LV_y1；同時(shí)對(duì)數(shù)據(jù)集中的每一張病理切片圖像在40×圖層下進(jìn)行不重疊裁剪切塊，每個(gè)圖像塊分辨率為512×512，將所有圖像塊隨機(jī)分配到40×圖層下的訓(xùn)練集和驗(yàn)證集，比例為8:2，得到40×圖層下的訓(xùn)練集HT₁與分類標(biāo)簽HT_y1，驗(yàn)證集HV₁與分類標(biāo)簽HV_y1；

在4×圖層與40×圖層下的訓(xùn)練集和驗(yàn)證集中，每個(gè)圖像塊的分辨率為512×512，其中i表示數(shù)據(jù)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(diǎn)為坐標(biāo)零點(diǎn)，x和y分別表示該圖像塊的左上角點(diǎn)在橫坐標(biāo)軸與縱坐標(biāo)軸上的坐標(biāo)點(diǎn)，同時(shí)與對(duì)應(yīng)的掩膜圖像Y_i在相同坐標(biāo)下進(jìn)行裁剪切塊。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的淋巴瘤病理圖像智能識(shí)別方法，其特征在于，步驟2)中所述的編碼器子網(wǎng)絡(luò)中，每個(gè)卷積層的卷積核大小為3×3，步長為1，且每個(gè)卷積層后面都有一個(gè)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(wǎng)絡(luò)中，每個(gè)卷積層的卷積核大小為3×3，步長為1，且每個(gè)卷積層后面都有一個(gè)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(gè)卷積層都依據(jù)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(diǎn)的大小，s表示步長，f表示卷積的核大小。