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：获取待识别病理图片；将待识别病理图片输入预先训练生成的多个不同类型的深度神经网络模型，对待识别病理图片进行识别，每一类型的深度神经网络模型得到一初步识别结果；多个不同类型的深度神经网络模型根据多个病理图片样本预先训练生成；对多个不同类型的深度神经网络模型得到的初步识别结果进行融合，得到待识别病理图片的最终识别结果。上述技术方案提高了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
淋巴结转移是肿瘤最常见的转移方式。进展期胃癌的根治性切除手术包括彻底切除胃癌原发病灶，转移淋巴结及受侵的组织、脏器。胃癌术后的病理诊断是胃癌诊断的金标准，为病人的分期和治疗提供重要依据。而病理诊断中淋巴结是否转移的评估更是诊断中的关键，需要病理医生对每个淋巴结进行逐一认真、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：获取待识别病理图片；将待识别病理图片输入预先训练生成的多个不同类型的深度神经网络模型，对待识别病理图片进行识别，每一类型的深度神经网络模型得到一初步识别结果；所述多个不同类型的深度神经网络模型根据多个病理图片样本预先训练生成；对多个不同类型的深度神经网络模型得到的初步识别结果进行融合，得到所述待识别病理图片的最终识别结果。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：获取单元，用于获取待识别病理图片；识别单元，用于将待识别病理图片输入预先训练生成的多个不同类型的深度神经网络模型，对待识别病理图片进行识别，每一类型的深度神经网络模型得到一初步识别结果；所述多个不同类型的深度神经网络模型根据多个病理图片样本预先训练生成；融合单元，用于对多个不同类型的深度神经网络模型得到的初步识别结果进行融合，得到所述待识别病理图片的最终识别结果。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。本专利技术实施例提供的技术方案，先获取待识别病理图片，再将待识别病理图片输入预先训练生成的多个不同类型的深度神经网络模型，对待识别病理图片进行识别，每一类型的深度神经网络模型得到一初步识别结果；该多个不同类型的深度神经网络模型根据多个病理图片样本预先训练生成；最后，对多个不同类型的深度神经网络模型得到的初步识别结果进行融合，得到所述待识别病理图片的最终识别结果，由于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，最终识别结果为对多个不同类型的深度神经网络模型得到的初步识别结果融合得到，大大提高了病理图片识别的准确率。本专利技术实施例提供的技术方案不仅可以应用于胃淋巴结癌转移病理图片的识别，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流程示意图；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多GPU并行训练原理示意图；图4为本专利技术实施例中病理图片的识别装置的示意图。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。在介绍本专利技术实施例之前，首先对本专利技术涉及的专业术语进行介绍。1、假阳性率：falsepositiverate，实际为阴性、模型预测为阳性的样本个数在所有阴性样本中的比例。2、假阴性率：falsenegativerate，实际为阳性、模型预测为阴性的样本个数在所有阳性样本中的比例。3、准确率：Accuracy＝(预测正确的样本数)/(总样本数)。4、训练集：输入给模型训练的带有标注癌细胞区域(病变区域)的胃淋巴结癌转移数字病理图像。5、测试集：未输入给模型训练的带有标注癌细胞区域(病变区域)的胃淋巴结癌转移数字病理图像。6、验证集：不带有标注癌细胞区域(病变区域)的胃淋巴结癌转移数字病理图像7、迁移学习(Transferlearning)：把已训练好的模型参数迁移到新的模型，来加快新模型训练。8、scn文件：一种医疗图片存储格式，读取时需要特殊处理。9、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。10、HE染色：苏木精-伊红染色法(hematoxylin-eosinstaining)，苏木精染液为碱性，主要使细胞核内的染色质与胞质内的核酸着紫蓝色；伊红为酸性染料，主要使细胞质和细胞外基质中的成分着红色。11、阴性样本：不包含癌细胞的样本，也叫可以做负样本：正常或良性病变病理图片。12、阳性样本：包含癌细胞的样本，也可以叫做正样本：恶性病变病理图片。本专利技术实施例的专利技术目的是：针对胃癌患者手术清扫的淋巴结的病理切片，根据病理组织切片上淋巴结的各项特征做出有无癌细胞的诊断，如果有癌细胞则显示其位置。随着中国60岁及以上人口占总人口的比例不断增加，按照癌症在人口中的发病率测算，患癌症的人口数量将快速增加。这会导致医疗资源更加紧张。在癌症诊断过程中，病理诊断是最终确诊的金标准。传统淋巴结癌转移的诊断，需要病理科医生，在显微镜下反复观察淋巴结，确定淋巴结的个数及各个淋巴结有无癌转移。受限于医生经验和医生疲劳状态，会发生一定概率的误诊和漏诊。本专利技术准确率在patch级别达到了99.80％，假阳性率在patch级别低于0.06％，有效地辅助医生诊断，降低了医生的误诊率和漏诊率，最终提升患者的就医体验。那么接着，对专利技术人从发现技术问题到提出本专利技术实施例方案的过程进行介绍。从上世纪70年代至今，机器学习技术不断快速发展，提高了人类的生产效率。在机器学习发展过程中，硬件性能和有效数据量一直制约了机器学习的发展。在2010年前后，硬件性能大幅度提升和大量高质量数据的积累促使机器学习的一个重要组成部分-深度学习，在算法和应用上有了很大的突破。在图像处理上，深度学习模型在分类、检测、分割等任务上都取得了跨越式的进展。在有效数据量较大的情况下，使用适当的深度学习模型对数据建模，其效果往往由于传统机器学习的效果，而且其对不同数据集具有迁移学习的能力，明显降低了传统机器学习中进行特征工程的成本。所以专利技术人在本专利技术中主要采用了神经网络模型来对数据进行建模。目前医学数字病理图像的诊断，普遍采用了切patch/训练分类模型/预测的大致流程。在这个过程中，切patch主要采用了256*256，512*512，1024*1024三种规格。分类模型主要采用了在学术数据集ImageNet上Top5准确率效果较好的模型，如Ince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：获取待识别病理图片；将待识别病理图片输入预先训练生成的多个不同类型的深度神经网络模型，对待识别病理图片进行识别，每一类型的深度神经网络模型得到一初步识别结果；所述多个不同类型的深度神经网络模型根据多个病理图片样本预先训练生成；对多个不同类型的深度神经网络模型得到的初步识别结果进行融合，得到所述待识别病理图片的最终识别结果。

【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：获取待识别病理图片；将待识别病理图片输入预先训练生成的多个不同类型的深度神经网络模型，对待识别病理图片进行识别，每一类型的深度神经网络模型得到一初步识别结果；所述多个不同类型的深度神经网络模型根据多个病理图片样本预先训练生成；对多个不同类型的深度神经网络模型得到的初步识别结果进行融合，得到所述待识别病理图片的最终识别结果。2.如权利要求1所述的病理图片的识别方法，其特征在于，按照如下方法预先训练生成所述多个不同类型的深度神经网络模型：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、测试集和验证集；利用所述训练集对第一集合中的多个不同类型的深度神经网络模型进行训练；利用所述测试集对训练好的第一集合中的多个不同类型的深度神经网络模型进行测试；根据测试结果，从所述第一集合中的多个不同类型的深度神经网络模型中筛选出多个深度神经网络模型作为第二集合；利用所述验证集对第二集合中的多个不同类型的深度神经网络模型进行融合验证，得到所述预先训练生成的多个不同类型的深度神经网络模型。3.如权利要求2所述的病理图片的识别方法，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：对于每一正样本，进行如下预处理：将正常或良性病变病理图片从RGB颜色格式转化为HSV颜色格式；将HSV颜色格式的正常或良性病变病理图片的饱和度调整到预设阈值；在饱和度调整到预设阈值后的正常或良性病变病理图片的前景细胞区域，提取多个预设像素大小的块patch图片；判断预设像素大小的patch图片中包含的前景所占整张patch图片的第一比例，在所述第一比例小于第一预设比例值时，删除所述预设像素大小的patch图片；对于每一负样本，进行如下预处理：在恶性病变病理图片上标记的病变区域中提取多个预设步长的patch图片；判断预设步长的patch图片中包含的前景所占整张patch图片的第二比例，在所述第二比例小于第二预设比例值时，删除所述预设步长的patch图片；预设步长的patch图片中包含的前景为病变区域。4.如权利要求2所述的病理图片的识别方法，其特征在于，所述第一集合中的多个不同类型的深度神经网络模型包括：inceptionv3模型、resnet18模型、resnet34模型、resnet50模型、VGG16模型和VGG19模型；所述第二集合中的多个不同类型的深度神经网络模型包括：resnet34模型、VGG16模型和VGG19模型。...

【专利技术属性】
技术研发人员：孙宇，季加孚，王鑫宇，李元骏，李子禹，吴晓江，步召德，
申请(专利权)人：北京肿瘤医院，印迹信息科技北京有限公司，
类型：发明
国别省市：北京,11