[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

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，包括：對獲取的所有蘇木精?伊紅染色病理圖像進行預處理；建立深度學習分割模型；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；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；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；對分割結果中的核分裂象輪廓進行提取及計數。本發明可安裝在服務器電腦上，通過分析輸入的蘇木精?伊紅染色圖像，檢測其中核分裂象的數量，為醫生實現對胃腸道間質瘤危險程度的診斷提供精準的中間數據。

技術領域

本發明涉及一種胃腸道間質瘤中核分裂象檢測方法。特別是涉及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。

背景技術

胃腸道間質瘤是一類起源于胃腸道間葉組織的腫瘤，占消化道間葉腫瘤的大部分，是最常見的腹部軟組織惡性腫瘤。胃腸道間質瘤最常見于胃(50％～60％)、其次是小腸(30％～35％)、結腸和直腸(5％)、食道(1％)，以及少部分消化道外(腸系膜，大網膜和腹膜后；5％)。平均診斷年齡為63歲，無性別差異。胃腸道間質瘤主要由梭形細胞和上皮樣細胞構成，少數可見多形性腫瘤細胞，甚至破骨細胞樣巨細胞.依據梭形和上皮樣細胞的比例可分為上皮樣細胞型、梭形細胞型和混合細胞型.排列方式多樣，梭形細胞多以束狀、漩渦狀和柵欄狀排列為主，上皮樣細胞常呈彌漫片巢狀排列.部分腫瘤可伴有囊性變、透明變性、黏液變性及鈣化，并可見核周空泡細胞和印戒樣腫瘤細胞，少數腫瘤間質可見絲團樣纖維。胃腸道間質瘤患者常因腫瘤位于黏膜下層和肌層而無特征性癥狀，故術前診斷較為困難。傳統的輔助檢查缺乏特異性，內鏡和影像學檢查僅有助于確定腫瘤部位。病理診斷依靠應用超聲內鏡下細針穿刺活檢得到組織樣本，其診斷準確率較高，是胃腸道間質瘤診斷的“金標準”。因此，胃腸道間質瘤的診斷應結合臨床癥狀、體征、消化道內鏡及影像學檢查，但最終必須依靠病理診斷。

醫學上使用蘇木精-伊紅染色方法處理活檢采集的組織樣本制成病理切片，染色試劑中蘇木精可以使細胞核內的染色質與胞質內的核酸著紫藍色，而試劑中的伊紅可以使細胞質和細胞外基質中的成分著紅色，從而方便醫生對病理切片進行觀察。醫生在顯微鏡下觀察病理切片中的相關特征，從而判斷患者的胃腸道間質瘤的危險程度。其中，核分裂象數量是一個非常重要的指導指標——顯微鏡視野內的核分裂象數目是醫生判斷胃腸道間質瘤危險程度的重要指標。本發明將深度學習中語義分割方法引入到胃腸道間質瘤診斷中，實現對病理切片中核分裂象的檢測。

深度學習方法作為一種機器學習算法，以其應用場景多、應用效果好等優點被廣泛應用到醫學的診斷中。深度學習方法起源于人工神經網絡，它是一種對人類大腦中神經元的人工模擬，從而產生優異的擬合能力、泛化能力和問題解決能力。它被應用于自然語言處理、圖像識別、語音識別等領域，而在圖像識別領域，它又可細分為語義分割、目標檢測、實例分割等方面。

由于病理切片圖像中核分裂象的形態多變，其可以細分為前期、中期、后期和末期，使檢測較為困難；圖片中存在某些易混淆對象，如凋亡細胞，增大了檢測難度；病理圖像中非核分裂象細胞遠多于核分裂象細胞，進一步降低了檢測準確率，提高了檢測難度。而深度學習方法具有泛化能力強等特征，非常適用于這種復雜情況下目標的檢測。如近年來在目標檢測領域應用效果良好的FasterR-CNN，其具有較高的檢測準確率。但是由于病理圖片具有類別單一、前景-背景極度不均衡等特點，需要一種新的基于深度學習的檢測方法。

發明內容

本發明所要解決的技術問題是，提供一種為醫生實現對胃腸道間質瘤危險程度的診斷提供精準的中間數據的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。

本發明所采用的技術方案是：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，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；