The present invention relates to a gastric cancer image recognition system, device and its application, which includes data input module, data preprocessing module, image recognition model building module and lesion recognition module. At the same time, the system can realize self-training to accurately identify lesions in gastric cancer images.
【技术实现步骤摘要】
一种胃癌图像识别系统、装置及其应用
本专利技术属于医学领域，更具体的涉及利用图像识别系统实现病理图像识别的
技术介绍
虽然胃癌的发病率从1975年起逐渐下降，但2012年仍有将近100万的新发病例(共951000例，占所有癌症发病率的6.8％)，使之成为世界第五大最常见的恶性肿瘤。其中，有超过70％的病例出现在发展中国家，且有一半发生在东亚(主要在中国)。在死亡率方面，胃癌是世界第三大癌症死因(共723000例死亡，占总死亡率的8.8％)。胃癌的预后极大程度上取决于它的分歧。有研究表明胃早癌的5年生存率几乎超过90％，而进展期胃癌的生存率却低于20％。所以，在高风险患癌人群中早期发现和规律随诊是降低胃癌发病率、提高患者生存率的最有效的手段。由于普通白光内镜诊断胃癌(尤其是浅表平坦型病变)的误诊、漏诊率相当高，各种内镜诊断技术应运而生。但是应用这些内镜设备不仅需要的高超的操作技巧，还需要可观的经济支持。因此，急需研发一种发现、诊断胃早癌及癌前病变的简单易得、经济实用并且安全可靠的诊断技术。
技术实现思路
专利技术人在长期的医学实践中，为了减少人为内镜诊断所带来...
【技术保护点】
1.一种胃癌图像识别系统，其包括：a、数据输入模块，用于输入包含胃癌病变部位的图像，所述图像优选为内窥镜图像；b、数据预处理模块，用于接收来自数据输入模块的图像，并精确框选胃癌的病变部位，在框选内的部分定义为阳性样本，而框选外的部分定义为阴性样本，并输出病变部位的坐标信息和/或病变类型信息；优选在框选前，所述模块还预先对图像进行脱敏处理，去除病患个人信息；优选的，所述框选能够生成一个包含病变部位的矩形框或正方形框；所述坐标信息优选为所述矩形框或正方形框的左上角和右下角的点的坐标信息；还优选的，框选的部位由下述方法确定：2n位内镜医师以“背对背”方式进行框选，即将2n人随机分...
【技术特征摘要】
1.一种胃癌图像识别系统，其包括：a、数据输入模块，用于输入包含胃癌病变部位的图像，所述图像优选为内窥镜图像；b、数据预处理模块，用于接收来自数据输入模块的图像，并精确框选胃癌的病变部位，在框选内的部分定义为阳性样本，而框选外的部分定义为阴性样本，并输出病变部位的坐标信息和/或病变类型信息；优选在框选前，所述模块还预先对图像进行脱敏处理，去除病患个人信息；优选的，所述框选能够生成一个包含病变部位的矩形框或正方形框；所述坐标信息优选为所述矩形框或正方形框的左上角和右下角的点的坐标信息；还优选的，框选的部位由下述方法确定：2n位内镜医师以“背对背”方式进行框选，即将2n人随机分成n组，2人/组，同时将所有图像随机分成n份，并随机分配给各组医师进行框选；当框选完成后，对比每组两位医师的框选结果，并对两位医师之间框选结果的一致性进行评估，最终确定框选部位，其中n为1-100之间的自然数，例如1、2、3、4、5、6、7、8、9、10、20、30、40、50、60、70、80、90或100；进一步优选的，所述对两位医师之间框选结果的一致性进行评估的标准如下：针对每一张病变图片，对比每组两位医师的框选结果的重叠面积，如果每组两位医师分别框选的部位重叠部分的面积(即交集)大于该两者的并集所覆盖的面积的50％，则认为两位医师的框选判断结果一致性好，并且将上述交集对应的对角线坐标，即左上角和右下角的点的坐标，保存为目标病变最终的定位；若重叠部分的面积(即交集)小于该两者的并集所覆盖的面积的50％，则认为两位医师的框选判断结果相差较大，此类病变图片被单独挑选出来，由所有参与框选工作的2n位医师共同讨论确定目标病变的最终位置；c、图像识别模型构建模块，能够接收经数据预处理模块处理后的图像，用于构建并训练基于神经网络的图像识别模型，所述神经网络优选为卷积神经网络；d、病变识别模块，用于将待检图像输入到训练后的图像识别模型，并基于图像识别模型的输出结果判定待检图像中是否存在病变和/或病变的位置。2.根据权利要求1所述的系统，所述图像识别模型构建模块包括特征提取器、候选区域生成器和目标识别器，其中：所述特征提取器用于对来自数据预处理模块的图像进行特征提取从而获得特征图，优选的，所述特征提取通过卷积操作进行；所述候选区域生成器用于基于所述特征图生成若干候选区域；所述目标识别器计算所述候选区域的分类得分，所述得分指示该区域属于所述阳性样本和/或所述阴性样本的概率；同时目标识别器能够对每个区域的边框位置提出调整值，从而针对每个区域的边框位置进行调整，进而精确定病灶位置；优选的，所述分类得分和调整值的训练中使用了损失函数(Lossfunction)；还优选的，在进行所述训练时，采用基于mini-batch的梯度下降法，即对每一张训练图片产生一个包含多个阳性和阴性候选区域的mini-batch；随后从每张图片中随机抽样256个候选区域直到阳性候选区域和阴性候选区域的比例接近1:1，随后计算对应的mini-batch的损失函数；若一张图片中阳性候选区域的数量少于128个，则用阴性候选区域去填补这个mini-batch；进一步优选的，将前50000个mini-batch的学习率设置为0.001，将后50000个mini-batch的学习率设置为0.0001；动量项优选设置为0.9，权值衰减优选设置为0.0005。3.根据权利要求2所述的系统，其中所述特征提取器能够对输入的任意尺寸和/或分辨率的图像进行特征提取，所述图像可以是原图尺寸和/或分辨率，也可以是改变尺寸和/或分辨率后输入的图像，获得多维(例如256维或512维)的特征图；具体的，所述特征提取器包含X个卷积层和Y个采样层，其中第i个(i在1-X之间)卷积层包含个Qi个尺寸为m*m*pi的卷积核，其中m*m表示卷积核的长和宽的像素值，pi等于上一个卷积层的卷积核数量Qi-1，在第i个卷积层中，卷积核以步长L对来自上一级的数据(例如原图、第i-1个卷积层、或者采样层)进行卷积操作；每个采样层包含1个以步长2L移动的，大小为2L*2L的卷积核，对卷积层输入的图像进行卷积操作；其中，经过特征提取器进行特征提取后，最终获得Qx维的特征图；其中X在1-20之间，例如，1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19或20；Y在1-10之间，例如1、2、3、4、5、6、7、8、9或10；m在2-10之间，例如2、3、4、5、6、7、8、9或10；p在1-1024之间，Q在1-1024之间，p或Q的数值分别例如1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、32、64、128、256、512或1024。4.根据权利要求2或3所述的系统，其中所述候选区域生成器在所述特征图中设置滑动窗口，滑动窗口的大小为n×n，例如3×3；使滑动窗口沿特征图滑动，同时对于滑动窗口所在的每一个位置，其中心点与原图中的相应位置存在对应关系，并以所述相应位置为中心在原图中生成k个具有不同的尺度和长宽比的候选区域；其中，如果k个候选区域具有x种(例如3种)不同的尺度和长宽比，则k＝x2(例如k＝9)。5.根据权利要求2-4中任一项所述的系统，所述目标识别器又包括中间层，分类层和边框回归层，其中中间层用于映射滑窗操作所形成的候选区域的数据，是一个多维(例如256维或512维)的向量；分类层和边框回归层分别与中间层连接，分类层用于判定该目标候选区域是前景(即阳性样本)还是背景(即阴性样本)，边框回归层用于生成候选区域中心点的x坐标和y坐标、以及候选区域的宽w和高h。6.一种胃癌图像的识别装置，包括存储有胃癌诊断图像、图像预处理程序以及可训练的图像识别程序的存储单元，优选还包括运算单元和显示单元；所述装置能够利用包含胃癌病变的图像的图像识别程序进行训练(优选为有监督训练)，从而使经过训练后的图像识别程序能够对待检图...
【专利技术属性】
技术研发人员：朱圣韬，张澍田，闵力，陈蕾，
申请(专利权)人：首都医科大学附属北京友谊医院，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。