病理图片的识别方法及装置制造方法及图纸

本发明专利技术公开了一种病理图片的识别方法及装置，其中该方法包括：获得样本数据，所述样本数据包括正样本和负样本，所述正样本为恶性病变病理图片，所述负样本为正常或良性病变病理图片，所述恶性病变病理图片上标记出病变区域；将所述样本数据划分为训练集和测试集；利用所述训练集对深度神经网络模型进行训练；利用所述测试集对训练好的深度神经网络模型进行测试；根据测试结果对训练好的深度神经网络模型进行参数调整；利用训练好的深度神经网络模型对病理图片进行识别。本发明专利技术可以提高病理图片识别的效率和准确率。

【技术实现步骤摘要】
病理图片的识别方法及装置
本专利技术涉及医疗
，尤其涉及病理图片的识别方法及装置。
技术介绍
目前，疑似患有鼻咽癌的病人，需要将其鼻咽部分的病理图片交由相应的医生观察，并识别出其中的正常、良性和恶性病理图片。一张病理图片，其长与宽的像素值均为数万级别，若要做出识别，一般需要鼻咽癌方面有着丰富经验的医生，在放大四十倍的情况下进行仔细观察，整个过程不但耗时耗力，依赖经验，准确率不太理想，而且不同经验的医生对同一病理图片可能存在不同识别结论的风险。
技术实现思路
本专利技术实施例提供一种病理图片的识别方法，用以提高病理图片识别的效率和准确率，该方法包括：获得样本数据，所述样本数据包括正样本和负样本，所述正样本为恶性病变病理图片，所述负样本为正常或良性病变病理图片，所述恶性病变病理图片上标记出病变区域；将所述样本数据划分为训练集和测试集；利用所述训练集对深度神经网络模型进行训练；利用所述测试集对训练好的深度神经网络模型进行测试；根据测试结果对训练好的深度神经网络模型进行参数调整；利用训练好的深度神经网络模型对病理图片进行识别。本专利技术实施例还提供一种病理图片的识别装置，用以提高病理图片识别的效率和准确率，该装置包括：样本获得模块，用于获得样本数据，所述样本数据包括正样本和负样本，所述正样本为恶性病变病理图片，所述负样本为正常或良性病变病理图片，所述恶性病变病理图片上标记出病变区域；样本划分模块，用于将所述样本数据划分为训练集和测试集；模型训练模块，用于利用所述训练集对深度神经网络模型进行训练；模型测试模块，用于利用所述测试集对训练好的深度神经网络模型进行测试；模型调整模块，用于根据测试结果对训练好的深度神经网络模型进行参数调整；图片识别模块，用于利用训练好的深度神经网络模型对病理图片进行识别。本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述病理图片的识别方法。本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述病理图片的识别方法的计算机程序。本专利技术实施例中，先获得样本数据，其中将标记出病变区域的恶性病变病理图片作为正样本，将正常或良性病变病理图片作为负样本，将样本数据划分为训练集和测试集，利用训练集对深度神经网络模型进行训练，利用测试集对训练好的深度神经网络模型进行测试，再根据测试结果对训练好的深度神经网络模型进行参数调整，从而使训练好的深度神经网络模型具有病理图片自动识别功能，将病理图片输入该深度神经网络模型，即可识别出病理图片上可能有恶性病变的区域，实现对病理图片的良恶性分类，整个过程省时、省力，不但提高了病理图片识别的效率，而且不依赖于医生的个人经验，大大提高了病理图片识别的准确率。本专利技术实施例不仅可以应用于鼻咽癌病理图片的识别，还可以应用于其它癌症病理图片的识别。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：图1为本专利技术实施例中病理图片的识别方法的示意图；图2为本专利技术实施例中病理图片的识别方法的一具体示例图；图3为本专利技术实施例中病理图片的识别装置的示意图；图4为本专利技术实施例中病理图片的识别装置的一具体示例图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。下面对本专利技术实施例中涉及的技术术语进行简要说明。准确率：Accuracy＝(预测正确的样本数)/(总样本数)。查准率：Precision＝(预测为1且正确预测的样本数)/(所有预测为1的样本数)。查全率：Recall＝(预测为1且正确预测的样本数)/(所有真实情况为1的样本数)。Top5错误率：imagenet图像通常有1000个可能的类别，对每幅图像可以同时预测5个类别标签，当其中有任何一次预测对了，结果都算对，当5次全都错了的时候，才算预测错误，这时候的分类错误率就叫top5错误率。迁移学习：把已训练好的模型参数迁移到新的模型来帮助新模型训练数据。如前所述，目前，针对鼻咽癌良恶性分类这一技术，主要为传统的人工分类，需要经验丰富的专业医生在千兆级的病理图片上认真观察并做出识别，且识别错误率较高。整个过程费时、费力、准确率低，而且不同经验的医生对同一病理图片存在不同识别结论的风险。为了解决这一问题，专利技术人在实现本专利技术的过程中发现：如今，深度学习技术影响着当前社会的方方面面，将人工智能的相应技术应用于医疗方面已经成为了可能。尽管深度神经网络在医学图像处理方面的应用不是很多，但利用它进行图片分类已经取得了显著的成果，GoogLeNet在2014年的ILSVRC挑战赛上获得冠军，将Top5错误率降低到6.67％；在2016年的ImageNet的图片分类比赛上，深度神经网络进行图片分类的错误率仅为3.57％，低于人类水平5.1％，这表明深度学习技术在图片分类上是可行的，并且具有非常大的优势。在GoogLeNet之上，又将其网络加以改进，形成了Inceptionv1、Inceptionv2、Inceptionv3、Inceptionv4模型，这些模型对于图像分类均具有很好的借鉴作用，可利用它们进行迁移学习。并且，最近几年，随着数据的增多、算法的改进、计算能力的增强，使得人工神经网络的训练深度得以剧增，其性能也得到了极大的提升，某些方面甚至已经超过了人类。具有多个隐藏层的神经网络称为深度神经网络，深度神经网络使得端到端的学习成为了可能，我们不需要手动设计特征，这种设计耗时耗力，还需要专业知识，有时人类的认知反而会限制神经网络的性能，而是直接给深度神经网络的输入层输入需要预测的病理图片，让其通过学习训练，自动输出良恶性分类的结果。深度神经网络含有多个隐藏层，这些隐藏层可以看作是多层感知器，其在训练过程中每一层感知器均可以自动获取图片的特征。浅层神经网络获得的图片特征是局部的，深层的神经网络可以组合浅层神经网络获得的低级特征，进而学习到更高级、更抽象的特征。最后，根据这些抽象的图片特征，来达到对原始图片进行分类，即良恶性图片识别的目的。基于此，专利技术人考虑在本专利技术实施例中，根据医院提供的病理图片，通过专家在图上标出病变区域，利用这些标签数据训练一个深度神经网络模型，使其具有良恶性分类功能。之后，将患者的病理图片输入给已经训练好的模型，该模型即可预测出整个病理图片可能有恶性病变的区域，做出良恶性识别。实验结果表明，模型的准确率(Accuracy)为98.6％，查准率(Precision)为99.1％，查全率(Recall)为98.4％。本专利技术实施例利用深度神经网络模型，解决了人工检查病理切片时出现的问题，并能提供很高的可信度。图1为本专利技术实施例中病理图片的识别方法的示意图，如图1所示，该方法可以包括：步骤101、获得样本数据，所述样本数据包括正样本和负样本，所述正样本为恶性病变病理图片，所述负本文档来自技高网...

【技术保护点】
1.一种病理图片的识别方法，其特征在于，包括：获得样本数据，所述样本数据包括正样本和负样本，所述正样本为恶性病变病理图片，所述负样本为正常或良性病变病理图片，所述恶性病变病理图片上标记出病变区域；将所述样本数据划分为训练集和测试集；利用所述训练集对深度神经网络模型进行训练；利用所述测试集对训练好的深度神经网络模型进行测试；根据测试结果对训练好的深度神经网络模型进行参数调整；利用训练好的深度神经网络模型对病理图片进行识别。

【技术特征摘要】
1.一种病理图片的识别方法，其特征在于，包括：获得样本数据，所述样本数据包括正样本和负样本，所述正样本为恶性病变病理图片，所述负样本为正常或良性病变病理图片，所述恶性病变病理图片上标记出病变区域；将所述样本数据划分为训练集和测试集；利用所述训练集对深度神经网络模型进行训练；利用所述测试集对训练好的深度神经网络模型进行测试；根据测试结果对训练好的深度神经网络模型进行参数调整；利用训练好的深度神经网络模型对病理图片进行识别。2.如权利要求1所述的方法，其特征在于，在获得样本数据后，进一步按如下方式对所述样本数据进行预处理：在恶性病变病理图片上标记的病变区域切割出不同尺寸的图片；在正常或良性病变病理图片上随机切割出不同尺寸的图片，舍弃其中细胞含量小于50％的图片。3.如权利要求2所述的方法，其特征在于，所述不同尺寸的图片包括：256×256像素、512×512像素、1024×1024像素三种不同尺寸的图片。4.如权利要求2所述的方法，其特征在于，利用所述训练集对深度神经网络模型进行训练，包括：将不同尺寸的图片分别输入深度神经网络模型进行训练；利用所述测试集对训练好的深度神经网络模型进行测试，包括：将测试图片的识别结果与测试图片上的病变区域标记进行比对，输出测试结果；根据测试结果对训练好的深度神经网络模型进行调整，包括：在测试结果不正确时，将测试图片映射回原始病理图片，在测试图片周围切割出多个相同尺寸的图片，将切割出的图片输入深度神经网络模型进行迭代训练。5.如权利要求1所述的方法，其特征在于，所述深度神经网络模型为Inceptionv3模型。6.如权利要求1至5任一项所述的方法，其特征在于，利用所述训练集对深度神经网络模型进行训练，包括：...

【专利技术属性】
技术研发人员：云径平，王智，
申请(专利权)人：中山大学肿瘤防治中心，
类型：发明
国别省市：广东,44