基于大数据深度学习的良性胃炎病理诊断支持系统和方法技术方案

本发明专利技术公开了一种基于大数据深度学习的良性胃炎病理诊断支持系统和方法，该系统包括：图像数据获得单元，用于获得正常胃黏膜组织切片图像和已确诊的良性胃炎病例的病理切片图像作为已输入图像数据；图像数据标注单元，用于对已输入图像数据进行标注；图像数据库构建单元，用于对图像数据标注单元提供的已标注图像数据分类、整理，构建病理图像数据库；卷积神经网络(CNN)构造单元，用于构造第一卷积神经网络模型；以及卷积神经网络模型训练单元，获得理想的卷积神经网络模型。通过本发明专利技术的良性胃炎病理诊断支持系统和方法可实现精准和高效的智能读片，以辅助临床上良性胃炎的病理诊断工作，提高其准确率、工作效率及工作持续状态。

Benign gastritis pathological diagnosis support system and method based on deep learning of big data

The invention discloses a diagnosis support system and method of benign gastritis data based on deep learning, the system includes: image data acquisition unit for pathological images of normal gastric mucosa tissue image and diagnosed benign gastritis cases as the input image data is image data; mark unit for image data input labeling; construction unit image database for providing image data of the labeling units labeled image data classification, sorting, construction of pathology image database; convolutional neural network (CNN) structure unit, used to construct the first convolutional neural network model; and the convolutional neural network model training unit, convolutional neural network model to obtain the ideal. The pathological diagnosis supporting system and method of the benign gastritis can realize accurate and efficient intelligent reading, so as to assist the pathological diagnosis of the benign gastritis in clinic, and improve the accuracy, the work efficiency and the working state of the benign gastritis.

【技术实现步骤摘要】
基于大数据深度学习的良性胃炎病理诊断支持系统和方法
本专利技术涉及一种基于大数据深度学习的良性胃炎病理诊断支持系统和方法。
技术介绍
深度学习是目前人工智能领域用于图像识别和语音分析的最契合、应用最广泛的算法，其灵感来自于人类大脑的工作机制，是通过建立卷积神经网络对外部输入的数据进行自动化特征提取，从而能够使机器理解学习数据，获得信息并输出。目前，基于深度学习的人工智能已应用于各个行业领域，包括语音识别、人脸识别、车标识别、手写汉字识别等。近年来人工智能辅助医疗技术的产品研发也取得重大进展，如由谷歌大脑及Verily公司研发的用于乳腺癌病理诊断的人工智能产品可达到89％的肿瘤定位准确率；浙江大学附属第一医院利用人工智能实现快速分析甲状腺B超中结节区域的位置和良恶性。在医疗诊断过程中，病理诊断是疾病诊断的金标准。目前绝大部分的病理组织切片是由人工制作，并由病理医生结合自身长期积累的临床诊断经验来分析和判断。胃镜下组织活检进行病理组织学检查是诊断胃部疾病的金标准。良性胃炎的病理诊断能够预示临床转归如是否会发展为消化性溃疡或胃癌，为临床治疗及预后评估提供客观依据。根据显微镜下胃黏膜的炎症程度(炎症细胞在黏膜层的浸润深度)、腺体萎缩程度、肠化生(黏膜出现杯状细胞和肠吸收上皮细胞化生)、异性增生程度、糜烂或坏死等相关指标可以明确胃炎诊断，从而指导临床诊治，改善患者生活质量。因此，病理组织学方法诊断良性胃炎的缺点主要是：病理玻片的结果判断是由病理医生肉眼观察所得，这种人工阅片方法与病理医生自身经验、工作状态等主观因素密切相关，容易产生误差。病理医生要负责检查切片上的所有可见的生物组织，而每个病人都会有许多切片，假设进行40倍放大则每个切片都有100多亿的像素，因此人工阅片工作量极大，容易受阅片者主观情绪和疲劳阅片等因素的影响。而且，不同的病理学家对同一病人可能给出相当不同的诊断结论。因此，这种高度依赖人为因素的病理组织学诊断方法具有主观差异性，加上其工作强度大、时间成本高且诊断不一致性等缺点，很大程度上会影响良性胃炎的规范诊治和患者生活质量与预后。另外，培养合格专业的病理医生需要进行长期的专业培训和实践过程，培养周期长，且易受当前社会经济、文化等社会因素的影响，意味着我国乃至全世界病理医生数量“供不应求”、职业缺口大的严峻形势亟需解决。
技术实现思路
针对病理组织学人工阅片的缺点，本专利技术拟通过计算机对大量良性胃炎病理图像进行深度学习，来建立智能化的良性胃炎病理诊断数学模型，搭建基于大数据及深度学习算法的良性胃炎辅助病理诊断人工智能平台，从而实现高准确率和高效率的智能读片，以辅助临床上良性胃炎的病理诊断工作，提高其准确率、工作效率及工作持续状态。基于此，本专利技术的目的在于克服上述现有技术的不足之处而提供一种可提高临床诊断良性胃炎时的效率、降低医疗成本的良性胃炎病理诊断支持系统。为实现上述目的，本专利技术采取的技术方案为：一种基于大数据深度学习的良性胃炎病理诊断支持系统，所述支持系统包括：图像数据获得单元，用于获得正常胃黏膜组织切片图像和已确诊的良性胃炎病例的病理切片图像作为已输入图像数据；图像数据标注单元，用于对所述已输入图像数据进行标注，以及保证图像的标签和图像的真实病理诊断结果一致；图像数据库构建单元，用于对所述图像数据标注单元提供的已标注图像数据分类、整理，构建病理图像数据库；卷积神经网络构造单元，用于构造第一卷积神经网络模型；以及卷积神经网络模型训练单元，利用所述病理图像数据库的图像数据对所述第一卷积神经网络模型的参数进行调节，以及训练所述第一卷积神经网络模型，获得可用于检测患者病理图像数据的第二卷积神经网络模型。由此，医生可结合所述支持设备针对输入的患者病理图像给出的分类结果和相应的概率，以及医生的专业知识和经验快速地诊断出该患者的是否患有良性胃炎，显著提高临床诊断的效率，从而降低医疗成本；其中，为了保证收集到的图像数据准确无误，可以利用图像标注工具ASAP，对每张病理切片图像进行标注，以保证图像的标签和真实值一致；为了加快训练网络模型的速度，可以使用具有高速并行计算的GPU来代替CPU进行训练；为了加快卷积神经网络模型的检测速度，基于卷积神经网络训练单元，可以将训练好的网络模型重新建模为可变步长的CNN分类模型结构，以用于实际操作中的检测方法；该模型将对巨大的全切片图像进行分块化处理，将预选出的活体组织区域分割成大小相同的ROI分块，由于分块间的检测可以高度并行化，使得检测的速度在多GPU的并行下得到显著提升，然后通过可变步长的CNN分类模型的检测，生成预测概率分布图像；图像数据库将病理图像数据分为训练集、测试集和校验集等；第一卷积神经网络模型的参数包括学习速率、训练次数和多少层网络等网络参数，训练指在寻求最优解时，自动调节参数的过程。优选地，所述支持系统还包括卷积神经网络模型检验单元，用于获得理想的卷积神经网络模型。应当说明的是，此处“理想”是指卷积神经网络模型的准确率高，以及“鲁棒”。优选地，所述卷积神经网络模型检验单元包括卷积神经网络模型校验单元和卷积神经网络模型测试单元，所述卷积神经网络模型校验单元用于检测所述第二卷积神经网络模型的准确率；所述卷积神经网络模型测试单元，用于检测所述第二卷积神经网络模型是否过拟合，以筛选出鲁棒的第三卷积神经网络模型；应当说明的是，如若模型在测试集上的准确率与校验集训练中的准确率相差较大，则说明模型过拟合，此时，可返回卷积神经网络训练单元中，调节网络结构或参数，进行再次训练以获得更好的网络模型；如若在测试集上的准确率与校验集训练中的准确率十分接近，则说明该模型较为鲁棒。优选地，所述支持系统还包括卷积神经网络模型预训练单元，用于当所述图像数据获得单元收集到的已输入图像数据不足时，对所述第一卷积神经网络模型进行预训练。优选地，所述支持系统还包括病理图像数据预处理单元，用于筛选和示出患者病理图像中的待检测区域。优选地，为了确保检测的有效性，所述预处理单元采用自适应阈值法筛选出所述待检测区域。优选地，所述卷积神经网络训练单元采用微调法训练所述第一卷积神经网络模型。作为本专利技术的另一方面，本专利技术还提供了一种良性胃炎的病理诊断支持方法，所述支持方法包括以下步骤：图像数据获得：获得正常胃黏膜组织切片图像和已确诊的良性胃炎病例的病理切片图像作为已输入图像数据；图像数据标注：对所述已输入图像数据进行标注，以及保证图像的标签和图像的真实病理诊断结果一致；图像数据库构建：对所述图像数据标注单元提供的已标注图像数据分类、整理，构建病理图像数据库；卷积神经网络构造：构造第一卷积神经网络模型；以及卷积神经网络模型训练:利用所述病理图像数据库的图像数据对所述第一卷积神经网络模型的参数进行调节，以及训练所述第一卷积神经网络模型，获得可用于检测患者病理图像数据的第二卷积神经网络模型。应当说明的是，图像数据标注和图像数据库构建可以看作病理图像数据库构建阶段。优选地，所述支持方法还包括卷积神经网络模型检验步骤：获得理想的卷积神经网络模型；所述卷积神经网络模型检验步骤包括卷积神经网络模型校验和卷积神经网络模型测试，所述卷积神经网络模型校验用于检测所述第二卷积神经网络模型的准确率；所述卷积神经网络模型测试，用本文档来自技高网...

【技术保护点】
良性胃炎病理诊断支持系统，其特征在于，所述支持系统包括：图像数据获得单元，用于获得正常胃黏膜组织切片图像和已确诊的良性胃炎病例的病理切片图像作为已输入图像数据；图像数据标注单元，用于对所述已输入图像数据进行标注，以及保证图像的标签和图像的真实病理诊断结果一致；图像数据库构建单元，用于对所述图像数据标注单元提供的已标注图像数据分类、整理，构建病理图像数据库；卷积神经网络构造单元，用于构造第一卷积神经网络模型；以及卷积神经网络模型训练单元，利用所述病理图像数据库的图像数据对所述第一卷积神经网络模型的参数进行调节，以及训练所述第一卷积神经网络模型，获得可用于检测患者病理图像数据的第二卷积神经网络模型。

【技术特征摘要】
1.良性胃炎病理诊断支持系统，其特征在于，所述支持系统包括：图像数据获得单元，用于获得正常胃黏膜组织切片图像和已确诊的良性胃炎病例的病理切片图像作为已输入图像数据；图像数据标注单元，用于对所述已输入图像数据进行标注，以及保证图像的标签和图像的真实病理诊断结果一致；图像数据库构建单元，用于对所述图像数据标注单元提供的已标注图像数据分类、整理，构建病理图像数据库；卷积神经网络构造单元，用于构造第一卷积神经网络模型；以及卷积神经网络模型训练单元，利用所述病理图像数据库的图像数据对所述第一卷积神经网络模型的参数进行调节，以及训练所述第一卷积神经网络模型，获得可用于检测患者病理图像数据的第二卷积神经网络模型。2.根据权利要求1所述的支持系统，其特征在于，所述支持系统还包括卷积神经网络模型检验单元，用于获得理想的卷积神经网络模型。3.根据权利要求2所述的支持系统，其特征在于，所述卷积神经网络模型检验单元包括卷积神经网络模型校验单元和卷积神经网络模型测试单元，所述卷积神经网络模型校验单元用于检测所述第二卷积神经网络模型的准确率；所述卷积神经网络模型测试单元，用于检测所述第二卷积神经网络模型是否过拟合，以筛选出鲁棒的第三卷积神经网络模型。4.根据权利要求1所述的支持系统，其特征在于，所述支持系统还包括卷积神经网络模型预训练单元，用于当所述图像数据获得单元收集到的已输入图像数据不足时，对所述第一卷积神经网络模型进行预训练。5.根据权利要求1所述的支持系统，其特征在于，所述支持系统还包括...

【专利技术属性】
技术研发人员：万香波，
申请(专利权)人：万香波，陈浩，范新娟，王磊，冯莉莉，朱亚希，黄艳，林黄靖，窦琪，王平安，中山大学附属第六医院，深圳视见医疗科技有限公司，
类型：发明
国别省市：广东,44