一种基于人工智能技术的癌症病理辅助诊断方法技术

本发明专利技术公开一种基于人工智能技术的癌症病理辅助诊断方法，包括以下步骤：扫描系统若干数字病理图像至计算机中，并由病理学专家对病变区域进行标注，形成数字病理图像数据库；数字病理图像经预处理后形成算法训练用数据集，再进行样本采集，形成训练用数据子集；全卷积网络使用训练用数据子集进行迭代训练调整参数，构建人工智能分析模块；扫描诊断病理学图像，诊断病理学图像通过解码进入人工智能分析模块；人工智能分析模块对诊断病理学图像进行诊断以及标记，并将标记后的病理信息反馈给医生。本发明专利技术公开的一种基于人工智能技术的癌症病理辅助诊断方法，该种癌症病理辅助诊断方法的诊断准确度高，有效辅助医生判别癌症病理信息。

A method of cancer pathology aided diagnosis based on artificial intelligence technology

The invention discloses an auxiliary diagnosis method of cancer pathology based on artificial intelligence technology, which includes the following steps: scanning a number of digital pathological images to the computer, and marking the pathological area by the pathology experts to form a digital pathological image database, and the digital pathological image is trained to form an algorithm after preprocessing. Data set, and then sample collection to form a subset of training data; the whole convolution network uses the training data subset to adjust the parameters and construct the artificial intelligence analysis module; the diagnosis of pathological images is scanned and the diagnostic pathology image is entered into the artificial intelligence analysis module through decoding; the artificial intelligence analysis module is used. The pathological images were diagnosed and marked, and the pathological information was sent back to the doctor. The invention discloses an auxiliary diagnosis method of cancer pathology based on artificial intelligence technology. The diagnostic accuracy of the cancer pathological assistant diagnosis method is high, and the doctor can effectively assist the doctor to distinguish the pathological information of cancer.

【技术实现步骤摘要】
一种基于人工智能技术的癌症病理辅助诊断方法
本专利技术属于人工智能
，具体涉及一种基于人工智能技术的癌症病理辅助诊断方法。
技术介绍
常规的癌症诊断是基于分析来自肿瘤或可疑肿瘤组织中的细胞和组织标本。通过组织染色，个体细胞或细胞群就可以鉴别开来。常规诊断依靠分析形态特征，如细胞形状，大小和染色性状的改变，以及组织结构的不规则性。所以，癌症诊断是对异于相应正常组织的形态变异的一种主观判断。正确而可靠的诊断技能需要丰富的经验。介于癌和癌前病变以及癌前病变和非癌病变的病例，对于即使是最有经验的病理学家和细胞学家也是一种挑战。由于还没有开发出完整的肿瘤诊断形态标准，这一类问题也越来越多。据目前的远程诊断平台统计显示，医生的诊断意见与病理科专家的诊断意见一致的比率不足60％。为了提升医院的癌症诊断质量，迫切需要更为系统的计算机辅助诊断方法，在辅助医生进行诊断的同时，逐步提高医生的诊断能力。随着基于数字病理切片的癌症远程诊断的普及，数字病理切片的数量不断增长，各种带有专家诊断结果的癌症病例被收集起来，形成了不断增长的数字病理图像数据库。当前流行的计算机辅助诊断方法，大多基于传统机器学习方法，此类方法在对大量已知病变类型的数字病理图像进行学习后，具备对未知数字病理图像进行诊断的能力。但是，由于算法模型不同，经过学习和训练的程度不一，对未知数字病理图像进行诊断的能力层次不一。目前，现有算法模型对癌症数字病理诊断的准确率不高，因此，需要开发一种准确度较高的算法模型是本领域技术人员迫切寻求的目标。
技术实现思路
本专利技术所要解决的技术问题是，提供一种基于人工智能技术的癌症病理辅助诊断方法，可以解决现有技术中机器学习对癌症数字病理诊断的准确率不高的技术问题。为解决上述技术问题，本专利技术采用的技术方案：一种基于人工智能技术的癌症病理辅助诊断方法，其特征在于，包括以下步骤：步骤1：通过扫描系统将若干数量的数字病理图像扫描至计算机中，并由病理学专家针对数字病理图像中的病变区域进行标注，形成数字病理图像数据库；步骤2：将数字病理图像数据库中的数字病理图像经图像输入和预处理模块预处理后，形成算法训练用数据集，再对算法训练用数据集进行样本采集，形成若干训练用数据子集；步骤3：通过全卷积网络使用训练用数据子集进行迭代训练调整参数，构建人工智能分析模块；步骤4：通过扫描系统将诊断病理学图像扫描至计算机中，诊断病理学图像通过解码进入人工智能分析模块；步骤5：人工智能分析模块对诊断病理学图像进行诊断以及标记，并将标记后的病理信息反馈给医生，辅助医生进行诊断。优选的，在步骤2中，所述预处理包括以下步骤：步骤21：识别数字病理图像数据库中的数字病理图像，剔除无法进行辨别的数字病理图像，并对删除后的数字病理图像进行归一化预处理；步骤22：将归一化预处理后的数字病理图像通过数据增强算法进行处理，得到算法训练用数据集；步骤23：将算法训练用数据集中的数字病理图像和与所述数字病理图像对应的标注信息进行样本采集，将采集的样本按比例划分为训练集、验证集以及测试集三个训练用数据子集，用以训练所述人工智能分析模块。优选的，在步骤21中，所述归一化预处理依次包括缩放步骤、逐样本减均值步骤、特征数据标准化步骤。优选的，在步骤22中，所述数据增强算法包括对数字病理图像进行旋转、水平翻转、垂直翻转、噪声、模糊化、扭曲、或者位移步骤中的一种或者多种组合。优选的，在步骤23中，所述样本采集包括正样本采集、负样本采集或者边缘样本采集。优选的，通过全卷积网络使用训练用数据子集进行迭代训练调整相关参数构建人工智能分析模块的步骤包括：对该模型进行参数初始化，同时将训练用数据子集中的图像数据和癌变区域分割掩码输入该初始化的模型中，并对该模型进行训练以及参数调整。优选的，所述全卷积网络使用空洞卷积、转置卷积、可形变卷积、多尺度卷积中的一种或者多种组合。优选的，所述全卷积网络采用编码-解码结构进行数据训练。优选的，所述全卷积网络采用端到端框架进行数据训练。本专利技术的有益效果：本专利技术公开的一种基于人工智能技术的癌症病理辅助诊断方法，通过对数字病理图像的预处理以优化样本数据的质量及增加样本数据的多样性；创建全卷积网络模型，通过预处理的训练用数据子集对创建的全卷积网络模型进行迭代训练，调整优化全卷积网络模型中的参数，并形成人工智能分析模块，人工智能分析模块对待分析的数字病理图像进行病理分析及标注，并将标记后的病理信息反馈给医生，辅助医生进行诊断。该种癌症病理辅助诊断方法的诊断准确度高，有效辅助医生判别癌症病理信息。附图说明图1为基于人工智能技术的癌症病理辅助诊断方法流程示意图。具体实施方式下面对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，一种基于人工智能技术的癌症病理辅助诊断方法，包括以下步骤：步骤1：采用玻片扫描仪或病理组织扫描系统将若干数量的数字病理图像扫描至计算机中，并由病理学专家针对数字病理图像中的病变区域进行标注，形成数字病理图像数据库；步骤2：将数字病理图像数据库中的数字病理图像经图像输入和预处理模块预处理后，形成算法训练用数据集，再对算法训练用数据集进行样本采集，形成若干训练用数据子集；其中，预处理包括以下步骤：步骤21：识别数字病理图像数据库中的数字病理图像数据，剔除无法进行辨别的数字病理图像数据，并对删除后剩余的数字病理图像数据进行归一化预处理；本实施例中，归一化预处理依次包括对数字病理图像数据进行缩放步骤、逐样本减均值步骤、特征数据标准化步骤；步骤22：将归一化预处理后的数字病理图像数据通过数据增强算法进行处理，得到算法训练用数据集；本实施例中，数据增强算法包括对数字病理图像进行多角度旋转(如45°，90°，120°，180°等)、水平翻转、垂直翻转、以及对数字病理图像进行去噪声、锐化、扭曲、以及位移操作，并且保留每一种操作的数字病例图像信息，得到算法训练用数据集。采用数据增强算法进行处理以优化样本数据的质量以及增加样本数据的多样性；步骤23：将算法训练用数据集中的数字病理图像和与所述数字病理图像对应的标注信息进行样本采集，将采集的样本按比例划分为训练集、验证集以及测试集三个训练用数据子集，用以训练所述人工智能分析模块。本实施例中，样本采集方式如下：设计6个缩放尺度的尺度输入，收集短边为{480，576，688，864，1200，1400}尺度的数字病理图像数据集，并根据标注信息采集正样本40％、负样本30％、以及边缘负样本30％，以此生成样本数据，再按照7∶2∶1的比例将该样本数据划分为训练集、验证集以及测试集三个训练用数据子集。步骤3：通过全卷积网络使用训练用数据子集进行迭代训练调整参数，构建人工智能分析模块；具体步骤如下：对该全卷积网络模型进行参数初始化，同时将训练用数据子集中的图像数据和癌变区域分割掩码输入该初始化的模型中，并对该模型进行训练以及参数调整。需要说明的是，利用由病理学专家新标注的数字病理图像可以进行人工智能分析模块的更新，其具体方法同上面步骤。步骤4：在全本文档来自技高网...

【技术保护点】
1.一种基于人工智能技术的癌症病理辅助诊断方法，其特征在于，包括以下步骤：步骤1：通过扫描系统将若干数量的数字病理图像扫描至计算机中，并由病理学专家针对数字病理图像中的病变区域进行标注，形成数字病理图像数据库；步骤2：将数字病理图像数据库中的数字病理图像经图像输入和预处理模块预处理后，形成算法训练用数据集，再对算法训练用数据集进行样本采集，形成若干训练用数据子集；步骤3：通过全卷积网络使用训练用数据子集进行迭代训练调整参数，构建人工智能分析模块；步骤4：通过扫描系统将诊断病理学图像扫描至计算机中，诊断病理学图像通过解码进入人工智能分析模块；步骤5：人工智能分析模块对诊断病理学图像进行诊断以及标记，并将标记后的病理信息反馈给医生，辅助医生进行诊断。

【技术特征摘要】
1.一种基于人工智能技术的癌症病理辅助诊断方法，其特征在于，包括以下步骤：步骤1：通过扫描系统将若干数量的数字病理图像扫描至计算机中，并由病理学专家针对数字病理图像中的病变区域进行标注，形成数字病理图像数据库；步骤2：将数字病理图像数据库中的数字病理图像经图像输入和预处理模块预处理后，形成算法训练用数据集，再对算法训练用数据集进行样本采集，形成若干训练用数据子集；步骤3：通过全卷积网络使用训练用数据子集进行迭代训练调整参数，构建人工智能分析模块；步骤4：通过扫描系统将诊断病理学图像扫描至计算机中，诊断病理学图像通过解码进入人工智能分析模块；步骤5：人工智能分析模块对诊断病理学图像进行诊断以及标记，并将标记后的病理信息反馈给医生，辅助医生进行诊断。2.根据权利要求1所述基于人工智能技术的癌症病理辅助诊断方法，其特征在于，在步骤2中，所述预处理包括以下步骤：步骤21：识别数字病理图像数据库中的数字病理图像，剔除无法进行辨别的数字病理图像，并对删除后的数字病理图像进行归一化预处理；步骤22：将归一化预处理后的数字病理图像通过数据增强算法进行处理，得到算法训练用数据集；步骤23：将算法训练用数据集中的数字病理图像和与所述数字病理图像对应的标注信息进行样本采集，将采集的样本按比例划分为训练集、验证集以及测试集三个训练用数据子集，用以训练所述人工智能分析模块。3.根据权利...

【专利技术属性】
技术研发人员：周晓光，孙沐毅，张冠宏，党豪，张文宝，韩凯，
申请(专利权)人：雨声智能科技上海有限公司，
类型：发明
国别省市：上海,31