基于深度学习的全尺度病理切片的快速诊断和评分方法技术

本发明专利技术涉及一种基于深度学习的全尺度病理切片的快速诊断和评分方法。对全尺度病理切片染色图进行预处理；通过改变传统AlexNet神经网络的全连接层和输出层节点数，以适应实际问题的需要，并选用标记好的训练样本集来分别训练两个用于诊断和评分的AlexNet神经网络模型，提取病变区域的高维特征信息；利用训练完成的两个改进的AlexNet神经网络模型实现对全尺度病理切片染色图的诊断和评分；根据诊断的预测概率绘制出概率热图，直观地标识病变区域，同时通过对不同病变程度的取样小块数量占比的统计，对组织的病变程度给予评分。本发明专利技术方法能完全自动化地实现对全尺度前列腺组织病理切片的诊断和Gleason评分，准确率和运算速率大幅度超过人工诊断的平均水平。

Rapid diagnosis and scoring method for full-scale pathological slices based on deep learning

The invention relates to a rapid diagnosis and scoring method for full-scale pathological slices based on deep learning. The full scale pathological slice staining is preprocessed, by changing the number of all connected and output nodes of the traditional AlexNet neural network to meet the needs of the actual problems, and using a marked training sample set to train two AlexNet neural network models for diagnosis and scoring, and to extract the high Vette of the lesion area. Sign information; use two improved AlexNet neural network models completed by training to realize the diagnosis and score of the full scale pathological slice staining. According to the prediction probability of the diagnosis, the probability heat map is drawn, the lesion area is visually identified, and the organization is organized by the statistics of the number of samples of different pathological changes. The degree of lesion was given. The method of the invention can fully automate the diagnosis and Gleason score of the full-scale pathological section of the prostate tissue, and the rate of accuracy and calculation can exceed the average level of the artificial diagnosis.

【技术实现步骤摘要】
基于深度学习的全尺度病理切片的快速诊断和评分方法
本专利技术涉及图像处理和医学领域，具体涉及一种基于深度学习的全尺度病理切片的快速诊断和评分方法。
技术介绍
在我国，恶性肿瘤早已成为城乡居民的首要死因，恶性肿瘤死亡率属于世界较高水平，而且呈持续的增长趋势。前列腺癌是男性生殖系统最常见的恶性肿瘤，其发病率和死亡率仅次于肺癌，位居癌症死亡的第二位。目前，H&E染色病理切片仍是诊断组织癌变的金标准。然而，病理诊断往往依赖于病理医生的主观判断，容易造成误诊和漏诊。同时，由于病理医生的专业水平参差不齐，且存在地域分布的不均衡性，在不发达地区病理诊断存在较高的误诊率和漏诊率。近年来，人工智能与深度学习的发展带给医疗健康领域迅速和革命性的改变，用于疾病诊断和病理分析的人工智能层出不穷，但针对前列腺癌的病理诊断仍存在一些局限性：1.目前对前列腺组织的病理诊断大部分只是进行二分类，即判断是否为正常或癌症组织，很少针对前列腺癌的严重程度进行评分；2.传统的癌症检测主要采用细胞核局部检测，很少针对全尺度病理切片染色图；3.采用纹理分析加分类器的方法，需要手工提取特征，且准确率仅为85％左右；4.计算效率较低，诊断耗时长。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的全尺度病理切片的快速诊断和评分方法，通过对AlexNet神经网络模型的改进，以概率热图的形式标识出正常和癌变区域，并对癌变的严重程度进行评分，实现对组织病理切片更高效准确的智能诊断。为实现上述目的，本专利技术的技术方案是：一种基于深度学习的全尺度病理切片的快速诊断和评分方法，包括如下步骤：步骤S1、将全尺度病理切片染色图输入图像预处理模块，通过格式转换和色彩空间变换，实现对图像的归一化处理；步骤S2、改变传统AlexNet神经网络的全连接层和输出层节点数，将步骤S1得到的预处理后的全尺度病理切片染色图输入数据训练模块，制作成训练样本集，而后训练两个改进的AlexNet神经网络模型进而得到用于测试诊断AlexNet神经网络模型1和用于病变程度评分的AlexNet神经网络模型2；步骤S3、将步骤S1得到的预处理后的全尺度病理切片染色图输入测试诊断模块，使用在步骤S2完成训练的用于测试诊断的AlexNet神经网络模型1进行测试诊断，以概率热图的形式标定出正常和病变区域；步骤S4、将步骤S3中被预测为病变的取样小块输入病变程度评分模块，使用在步骤S2完成训练用于病变程度评分的AlexNet神经网络模型2对病变的取样小块进行分级，分别计算不同等级的病变小块数量占比，根据临床癌组织病变的评分标准，对全尺度病理切片染色图进行病变程度评分。在本专利技术一实施例中，所述步骤S1具体实现如下：首先，将前列腺组织全尺度病理切片染色图转换为计算机易处理的图像格式；其次，将转换格式后的全尺度病理切片染色图进行色彩空间变换实现对图像的归一化处理，图片由RGB三原色格式图映射为YUV格式，颜色取值有原来的0-255映射为-1-0-1，且方差为1。在本专利技术一实施例中，所述步骤S2具体实现如下：首先，将预处理过的全尺度病理切片染色图的正常和病变区域分别进行标记，其中病变区域再次根据病变程度进行标记，取样生成尺寸为224*224像素的小块，并剔除信息量小或者无效的小块；其次，通过包括旋转、镜像的数据增强的方法来增大训练样本集的数量，增强网络的泛化能力，组成正负样本集合；最后，以反向传播算法对两个改进的AlexNet神经网络模型参数进行迭代优化，用标记为正常和病变的两类训练样本集来训练AlexNet神经网络模型1，使模型能对正常和病变的取样小块进行分类；用标记为不同等级的病变训练样本集来训练AlexNet神经网络模型2，使模型能准确判断出取样小块所属的病变程度等级。在本专利技术一实施例中，所述步骤S3具体实现如下：首先，将待诊断的全尺度病理切片染色图预处理后输入测试诊断模块，进行滑窗取样，生成取样小块；其次，将生成的取样小块输入改进的AlexNet神经网络模型1，输出取样小块预测概率，根据网络输出小块概率绘制全尺度病变区域概率热图。在本专利技术一实施例中，采用滑窗取样算法对预处理过的全尺度病理切片染色图进行取样，解决了神经网络输入端对图像尺寸大小限制的问题，实现对尺寸在亿像素级别的全尺度病理切片染色图的诊断和评分。在本专利技术一实施例中，所述步骤S2中，改变传统AlexNet神经网络的全连接层和输出层节点数，即将全连接层的节点数减半，同时将输出层由原来的1000类减少到2-3类减少了模型参数，提高收敛速度。在本专利技术一实施例中，所述改进的AlexNet神经网络模型中，特征提取层计算公式为：全连接层计算公式为：f(x；w,b)＝g(xTw+b)Softmax分类计算公式为：式中h(i,j)表示卷积层的输入，K(m,n)表示卷积核，b表示偏置，x表示全连接层的输入，w表示网络权重，g(·)表示激活函数，此处采用Relu激活函数，其数学表达式为：f(x)＝max(x,0)。相较于现有技术，本专利技术具有以下有益效果：1、本专利技术采用滑窗取样方法，解决了神经网络输入端对图像尺寸大小限制的问题，实现对尺寸在亿像素级别的全尺度病理切片染色图的诊断和评分；2、本专利技术改进了AlexNet神经网络模型，将全连接层的节点数减半，同时将输出层由原来的1000类减少到2-3类以适用于本专利技术，减少了模型参数，提高收敛速率；3、本专利技术通过使用改进的AlexNet神经网络模型1输出取样小块的预测概率，以概率热图的形式直观标定病变区域；4、本专利技术通过使用改进的AlexNet神经网络模型2判断取样小块所属病变程度等级，给予评分评估病变严重程度，方便病理医生根据具体情况制定治疗方案；5、本专利技术很好的适用于前列腺组织全尺度病理切片的诊断，通过改变训练集样本，能够实现对其他组织全尺度病理切片进行诊断；6、用户使用过程十分简便，输入一张待诊断的全尺度病理切片染色图，本专利技术自动经过图像预处理模块、测试诊断模块、病变程度评分模块，生成概率热图同时显示病变程度的评分。附图说明图1是本专利技术基于深度学习算法的全尺度病理切片的快速诊断和评分方法总框图。图2是本专利技术基于深度学习算法的前列腺组织实施例全尺度病理切片的快速诊断和评分方法的数据训练模块框图。图3是本专利技术基于深度学习算法的前列腺组织实施例全尺度病理切片的快速诊断和评分方法的数据训练模块中训练样本集制作示意图。图4是本专利技术基于深度学习算法的前列腺组织实施例全尺度病理切片的快速诊断和评分方法的测试诊断模块框图。图5是本专利技术基于深度学习算法的前列腺组织实施例全尺度病理切片的快速诊断和评分方法效果图。具体实施方式下面结合实施例及附图，对本专利技术的技术方案做进一步说明。显然，所描述的前列腺组织实施例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，本专利技术共分为图像预处理模块、数据训练模块、测试诊断模块、病变程度评分模块四个模块。具体步骤描述如下：首先，将前列腺组织全尺度病理切片染色图输入图像预处理模块；其次，将经过预处理后的全尺度病理切片染色图输入数据训练模块，数据训练模块将全尺度病理切片染色图制本文档来自技高网...

【技术保护点】
1.一种基于深度学习的全尺度病理切片的快速诊断和评分方法，其特征在于，包括如下步骤：步骤S1、将全尺度病理切片染色图输入图像预处理模块，通过格式转换和色彩空间变换，实现对图像的归一化处理；步骤S2、改变传统AlexNet神经网络的全连接层和输出层节点数，将步骤S1得到的预处理后的全尺度病理切片染色图输入数据训练模块，制作成训练样本集，而后训练两个改进的AlexNet神经网络模型进而得到用于测试诊断AlexNet神经网络模型1和用于病变程度评分的AlexNet神经网络模型2；步骤S3、将步骤S1得到的预处理后的全尺度病理切片染色图输入测试诊断模块，使用在步骤S2完成训练的用于测试诊断的AlexNet神经网络模型1进行测试诊断，以概率热图的形式标定出正常和病变区域；步骤S4、将步骤S3中被预测为病变的取样小块输入病变程度评分模块，使用在步骤S2完成训练用于病变程度评分的AlexNet神经网络模型2对病变的取样小块进行分级，分别计算不同等级的病变小块数量占比，根据临床癌组织病变的评分标准，对全尺度病理切片染色图进行病变程度评分。

【技术特征摘要】
1.一种基于深度学习的全尺度病理切片的快速诊断和评分方法，其特征在于，包括如下步骤：步骤S1、将全尺度病理切片染色图输入图像预处理模块，通过格式转换和色彩空间变换，实现对图像的归一化处理；步骤S2、改变传统AlexNet神经网络的全连接层和输出层节点数，将步骤S1得到的预处理后的全尺度病理切片染色图输入数据训练模块，制作成训练样本集，而后训练两个改进的AlexNet神经网络模型进而得到用于测试诊断AlexNet神经网络模型1和用于病变程度评分的AlexNet神经网络模型2；步骤S3、将步骤S1得到的预处理后的全尺度病理切片染色图输入测试诊断模块，使用在步骤S2完成训练的用于测试诊断的AlexNet神经网络模型1进行测试诊断，以概率热图的形式标定出正常和病变区域；步骤S4、将步骤S3中被预测为病变的取样小块输入病变程度评分模块，使用在步骤S2完成训练用于病变程度评分的AlexNet神经网络模型2对病变的取样小块进行分级，分别计算不同等级的病变小块数量占比，根据临床癌组织病变的评分标准，对全尺度病理切片染色图进行病变程度评分。2.根据权利要求1所述的基于深度学习的全尺度病理切片的快速诊断和评分方法，其特征在于，所述步骤S1具体实现如下：首先，将前列腺组织全尺度病理切片染色图转换为计算机易处理的图像格式；其次，将转换格式后的全尺度病理切片染色图进行色彩空间变换实现对图像的归一化处理，图片由RGB三原色格式图映射为YUV格式，颜色取值有原来的0-255映射为-1-0-1，且方差为1。3.根据权利要求1所述的基于深度学习的全尺度病理切片的快速诊断和评分方法，其特征在于，所述步骤S2具体实现如下：首先，将预处理过的全尺度病理切片染色图的正常和病变区域分别进行标记，其中病变区域再次根据病变程度进行标记，取样生成尺寸为224*224像素的小块，并剔除信息量小或者无效的小块；其次，通过包括旋转、镜像的数据增强的方法来增大...

【专利技术属性】
技术研发人员：朱小钦，杨亲亲，范旭伟，代子民，郭洋洋，付彩玲，张一帆，
申请(专利权)人：福建师范大学，
类型：发明
国别省市：福建,35