胃幽门螺旋杆菌感染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胃幽门螺旋杆菌感染病理诊断支持系统和方法，该系统包括：图像数据获得单元，用于获得胃正常切片图像和已确诊的胃幽门螺旋杆菌感染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胃幽门螺旋杆菌感染病理诊断支持系统和方法可实现精准和高效的智能读片，以辅助临床上胃幽门螺旋杆菌感染的病理诊断工作，提高其准确率、工作效率及工作持续状态。

【技术实现步骤摘要】
胃幽门螺旋杆菌感染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胃幽门螺旋杆菌感染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，病理组织切片检查需要极高的规范化和精确度。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。现代医学证明，胃幽门螺杆菌(Helicobacterpylori,HP)是慢性胃炎、消化性溃疡、胃癌的重要致病因子，已被国际癌症研究机构(IARC)列为I类致癌物之一。因此，早期检测HP感染对于及时根除HP、治疗HP相关性疾病具有重要的临床意义。临床上，通过胃镜钳取胃黏膜组织，石蜡包埋切片、染色进行组织学镜检检测HP，对有经验的病理医师来说是诊断该菌感染的“金标准”。相较于其他HP检测方法，采用病理组织学方法直接检测HP具有以下优势：①在胃镜取材时明确胃内的大体病变，如溃疡、胃癌；②在明确HP感染的同时，确定胃内炎症的程度和类型；③对接受HP根除治疗后复查的患者，可明确胃十二指肠病变的转归；④临床应用在胃窦取1块足够大的标本即能诊断98％的HP感染，提供HP存在的直接证据。病理切片可采用改良的Warthern-Starry银染法，于40X镜下观察可见淡黄色背景上呈棕色或褐色弯曲状或短棒状物，长5μm，结合HP多位于胃小凹或固有腺内的特点，易于辨认，阳性率较高。尽管随着现代医学技术的发展，快速尿素酶试验方法(RUT)和非侵入性检测方法如血清学检测、尿素呼气试验等检测方法应用更加广泛，但上述方法只能间接反映HP感染的情况，且各有局限性，比如RUT检测结果容易受患者用药史(如近期应用抗生素、铋剂或质子泵抑制剂可导致假阴性结果)、胃镜下取材部位、实验条件等多因素影响，且标本中要有104以上的细菌才显示阳性。因此病理组织学方法检测HP作为一种能直观查见病原体的敏感且特异的检测手段，对于HP感染及相关性疾病的诊断、治疗和随访仍具有十分重要的临床价值。因此，病理组织学人工检测HP感染的缺点主要是：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。尽管改良W-S染色下幽门螺杆菌的形态清晰，但对于细菌数量少、切片质量参差不齐、胃黏膜病变复杂多样甚至可能干扰病原体观察等复杂情况下，经验不足的病理医生容易漏诊、误诊。同时，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，在进行40倍放大时每个切片都有100多亿的像素，因此人工阅片的工作量极大，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HP感染的早期诊治从而影响患者预后。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胃幽门螺旋杆菌感染病理图像进行深度学习，来建立智能化的胃幽门螺旋杆菌感染病理诊断数学模型，搭建基于大数据及深度学习算法的胃幽门螺旋杆菌感染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，以辅助临床上胃幽门螺旋杆菌感染的病理诊断工作，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胃幽门螺旋杆菌感染时的效率、降低医疗成本的胃幽门螺旋杆菌感染病理诊断支持系统。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胃幽门螺旋杆菌感染病理诊断支持系统，所述支持系统包括：图像数据获得单元，用于获得胃正常切片图像和已确诊的胃幽门螺旋杆菌感染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胃幽门螺旋杆菌感染，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，用于当所述本文档来自技高网...

【技术保护点】
1.胃幽门螺旋杆菌感染病理诊断支持系统，其特征在于，所述支持系统包括：图像数据获得单元，用于获得胃正常切片图像和已确诊的胃幽门螺旋杆菌感染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.胃幽门螺旋杆菌感染病理诊断支持系统，其特征在于，所述支持系统包括：图像数据获得单元，用于获得胃正常切片图像和已确诊的胃幽门螺旋杆菌感染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病理图...

【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，林黄靖，冯莉莉，窦琪，王平安，朱亚西，黄艳，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