[發明專利]一種基于深度學習的胃癌病理切片分割算法

在審

• 申請號: 202010923740.8
• 申請日: 2020-09-04
• 公開（公告）號: CN112085741A
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 王連生
• 申請（專利權）人: 廈門大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/136;G06N3/04;G06N3/08;G06T5/30
• 代理公司: 廈門致群財富專利代理事務所(普通合伙) 35224
• 代理人: 劉兆慶

本發明公開了一種基于深度學習的胃癌病理切片分割算法，其包括以下步驟：S1、獲取胃部病理切片圖像，將胃部病理切片圖像劃分為數據集；S2、對數據集的胃部病理切片圖像進行預處理，得到圖像塊，對圖像塊進行0?360°旋轉、平移及翻轉的數據增強；S3、構建FPA?Net分割模型，FPA?Net分割模型具有用于深度學習的特征金字塔模塊及空洞空間金字塔池化模塊；S4、將S2中的圖像塊輸入FPA?Net分割模型中，得到分割結果；本發明利用深度學習的方法實現對胃部病理切片的胃癌區域自動分割，能夠準確地分割出不同形態的癌癥區域。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種基于深度學習的胃癌病理切片分割算法。

背景技術

胃癌是起源于胃黏膜上皮的一種發病率和致死率都較高的腫瘤。我國每年有近30萬人因胃癌死亡，是僅次于肺癌的第二大惡性腫瘤，因此，能否及時準確地診斷胃癌一直是醫學研究人員的工作重點。

病理診斷是目前公認的、最可靠的胃癌診斷方法，但是傳統的病理診斷方法要依靠病理醫生通過顯微鏡去尋找癌癥組織，耗時耗力；同時，對于同一張病理切片，不同的醫生由于經驗的差異容易會得出不同的診斷結果，主觀性強，導致病理切片的診斷結果準確度較低。

發明內容

本發明的目的在于提供一種基于深度學習的胃癌病理切片分割算法，利用深度學習的方法實現對胃部病理切片的胃癌區域自動分割，能夠準確地分割出不同形態的癌癥區域。

為實現上述目的，本發明采用以下技術方案：

一種基于深度學習的胃癌病理切片分割算法，包括以下步驟：

S1、獲取胃部病理切片圖像，將胃部病理切片圖像劃分為數據集；

S2、對數據集的胃部病理切片圖像進行預處理，得到圖像塊，對圖像塊進行0-360°旋轉、平移及翻轉的數據增強；

S3、構建FPA-Net分割模型，FPA-Net分割模型具有用于深度學習的特征金字塔模塊及空洞空間金字塔池化模塊；

S4、將S2中的圖像塊輸入FPA-Net分割模型中，得到分割結果。

進一步地，所述步驟S2中的預處理具體為對胃部病理切片進行裁切并通過設定0.3-0.8的閾值進行篩選，得到圖像塊。

進一步地，所述步驟S4的具體步驟如下：

S41、輸入圖像塊，通過特征金字塔模塊自下而上的路徑對圖像塊逐層進行卷積和池化操作，得到多尺度特征圖；

S42、將多尺度特征圖輸入空洞空間金字塔池化模塊，空洞空間金字塔池化模塊，通過并行執行不同膨脹系數的空洞卷積及全局池化操作，得到具有多感受野特征圖并在通道方向上進行融合，得到多尺度感受野特征圖；

S43、將多尺度感受野特征圖輸入特征金字塔模塊，通過特征金字塔模塊自上而下的路徑對多尺度感受野特征圖進行上采樣操作后，與步驟S41中多尺度特征圖通過卷積壓縮后進行橫向連接，融合得到不同尺度的融合特征圖；

S44、將不同尺度的融合特征圖進行上采樣操作后，得到同尺度的融合特征圖，將同尺度的融合特征圖相連接并進行卷積，再進行上采樣操作，輸出得到分割結果。

進一步地，所述特征金字塔模塊具有自下而上的路徑及自上而下的路徑，自下而上的路徑上設有卷積層及池化層，自上而下的路徑上設有上采樣層及1×1卷積層，通過卷積層及池化層采集圖像塊的多尺度特征圖，上采樣層對多尺度感受野特征圖進行上采樣操作后與多尺度特征圖輸入1×1卷積層壓縮通道后進行橫向連接。

進一步地，所述步驟S42中的空洞空間金字塔池化模塊設有深度可分離卷積單元，深度可分離卷積單元包括深度卷積及逐點卷積，通過深度卷積對多尺度特征圖進行卷積后輸入逐點卷積進行融合。