[發明專利]用于移動端的胃腸道間質瘤中核分裂象深度學習檢測系統

有效

• 申請號: 202010624315.9
• 申請日: 2020-06-30
• 公開（公告）號: CN111798426B
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 高忠科;袁濤;安建鵬;趙綱
• 申請（專利權）人: 天津大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/13;G06T7/136;G06T7/194
• 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

1.一種用于移動端的胃腸道間質瘤中核分裂象深度學習檢測系統，其特征在于，包括如下步驟：

1)對獲取的所有蘇木精-伊紅染色病理圖像進行預處理；

2)建立深度學習分割模型；所述的深度學習分割模型包括：依次連接的第一卷積塊(1)、第二卷積塊(2)、第三卷積塊(3)、第一全局池化層(4)、第一權重預測層(5)、第一注意力融合(6)、第四卷積塊(7)、第五卷積塊(8)、概率預測層(9)；依次連接的第一最大池化層(10)、第六卷積塊(11)、第七卷積塊(12)、第八卷積塊(13)、第二全局池化層(14)、第二權重預測層(15)、第二注意力融合(16)、第九卷積塊(17)、第十卷積塊(18)、第一反卷積層(19)；依次連接的第二最大池化層(20)、第十一卷積塊(21)、第十二卷積塊(22)、第十三卷積塊(23)、第三全局池化層(24)、第三權重預測層(25)、第三注意力融合(26)、第十四卷積塊(27)、第十五卷積塊(28)、第二反卷積層(29)；依次連接的第三最大池化層(30)、第十六卷積塊(31)、第十七卷積塊(32)、第十八卷積塊(33)、第三反卷積層(34)；其中，所述第一卷積塊(1)的輸入為外部輸入數據，所述第二卷積塊(2)的輸出還構成第一最大池化層(10)的輸入，第一反卷積層(19)的輸出也構成第一注意力融合(6)的輸入，第七卷積塊(12)的輸出還構成第二最大池化層(20)的輸入，第二反卷積層(29)的輸出也構成第二注意力融合(16)的輸入，第十二卷積塊(22)的輸出還構成第三最大池化層(30)的輸入，第三反卷積層(34)的輸出也構成第三注意力融合(26)的輸入，最終，輸出結果從概率預測層9輸出；其中，

第一～第十八卷積塊由1個卷積層、1個批量標準化層和1個激活函數層串聯組成，用于從輸入中提取有效特征，激活函數層使用ReLU作為激活函數；

第一～第三最大池化層用于擴大感受野，利用一個矩陣窗口在特征圖上進行掃描，將每個矩陣中元素通過池化方法來減少元素的個數，保持特征的空間位置關系；

第一～第三反卷積層用于擴大輸入數據的形狀，添加細節特征；

第一～第三全局池化層用于為每個特征圖預測一個值用于權重的預測；

第一～第三權重預測層用于根據全局池化層輸出的每個特征圖的值來預測相應特征圖的權重，權重預測層使用的Sigmoid函數公式如下：

其中，v代表全局池化層輸出的每個特征圖的值；

第一～第三注意力融合層用于融合所連接的權重預測層和反卷積層的結果，將權重預測層得到的每個特征圖的權重應用到反卷積層的結果上；

所述的概率預測層用于預測輸入的每個點屬于核分裂象的概率；

3)將預處理后的所有病理圖像輸入深度學習分割模型，對深度學習分割模型進行訓練；

4)采集被試者的蘇木精-伊紅染色病理圖像，并對蘇木精-伊紅染色病理圖像進行預處理；

5)將預處理后的被試者的蘇木精-伊紅染色病理圖像輸入訓練好的深度學習分割模型，進行分割處理，得到到分割結果；

6)對分割結果中的核分裂象輪廓進行提取及計數。