病理显微图像诊断、模型训练方法、装置、设备及介质制造方法及图纸

本发明专利技术提供一种病理显微图像诊断、模型训练方法、装置、设备及介质，所述病理显微图像诊断方法包括：获取病理显微图像，将所述病理显微图像切割成若干子图像；采用预先训练的阴阳性预测模型对所有所述子图像进行预测并输出预测结果；判断所述预测结果中是否存在预测结果为阳性的子图像，若存在，则将所述病理显微图像的标签标注为阳性。本发明专利技术可以自动对病理显微图像(全视野数字切片)进行阴阳性诊断，并对阳性细胞病理显微图像中的阳性区域进行标注，将全视野数字切片全视野数字切片中的阳性区域提示给医生，辅助医生进行诊断。

Pathological microscopic image diagnosis, model training methods, devices, equipment and media

【技术实现步骤摘要】
病理显微图像诊断、模型训练方法、装置、设备及介质
本专利技术属于图像处理
，特别是涉及病理显微图像处理
，具体为一种病理显微图像诊断、模型训练方法、装置、设备及介质。
技术介绍
细胞病理显微图像由于放大倍数很高，图像尺寸往往非常大。医生凭借经验诊断的结果会受到医生水平经验的影响，而且医生观察容易出现疏漏。随着人工智能技术的发展，深度学习神经网络已经应用到许多领域，也包括医学影像诊断领域，如对肺部X光片的智能诊断。但在显微病理诊断领域，仍以病理科医生的观察为主要诊断方式。例如，肺部细胞病理显微玻片的诊断，可以是气管镜活检采集到的气管镜活检印片、或者细针穿刺采集到的细针穿刺涂片等。使用数字显微镜对肺部细胞玻片进行扫描后，都会得到一张病理超大图，也叫做wholeslideimage。这类图片通常有亿级别的像素数量。运用算法分析wholeslideimage的阴阳性时，通常需要事先标注阳性区域。这是一个工作量非常大的任务，而且容易遗漏标注小对阳性区域，此外对于边缘区域，从图像上可能会出现难以分界的情况，即正常细胞与异常细胞交织在一起本文档来自技高网...

【技术保护点】
1.一种病理显微图像诊断方法，其特征在于：所述病理显微图像诊断方法包括：/n获取病理显微图像，将所述病理显微图像切割成若干子图像；/n采用预先训练得到的阴阳性预测模型对所有所述子图像进行预测并输出预测结果；/n判断各所述子图像的所述预测结果中是否存在预测结果为阳性的子图像，若存在，则确定所述病理显微图像的诊断结果为阳性；若不存在，则确定所述病理显微图像的诊断结果为阴性。/n

【技术特征摘要】
1.一种病理显微图像诊断方法，其特征在于：所述病理显微图像诊断方法包括：
获取病理显微图像，将所述病理显微图像切割成若干子图像；
采用预先训练得到的阴阳性预测模型对所有所述子图像进行预测并输出预测结果；
判断各所述子图像的所述预测结果中是否存在预测结果为阳性的子图像，若存在，则确定所述病理显微图像的诊断结果为阳性；若不存在，则确定所述病理显微图像的诊断结果为阴性。


2.根据权利要求1所述的病理显微图像诊断方法，其特征在于：预先训练得到所述阴阳性预测模型的一种实现方式包括：
获取由具有阴阳性标签的样本病理显微图像切割成的若干子图像；
通过卷积神经网络模型对所有子图像的阴阳性进行预测，并获得各所述子图像的预测阳性概率；
若所述样本病理显微图像的标签为阳性，则获取按从大到小排序的预测阳性概率最大的一个或多个子图像，记为阳性子图像；
若所述样本病理显微图像的标签为阴性，则获取按从大到小排序的预测阳性概率最小的一个或多个子图像，记为阴性子图像；
将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练；
重复以上述步骤对所述卷积神经网络模型进行多次迭代训练，得到所述阴阳性预测模型。


3.根据权利要求2所述的病理显微图像诊断方法，其特征在于：在将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练时，所述卷积神经网络模型根据损失函数计算得到的损失值下降并收敛时，形成的模型即为所述阴阳性预测模型。


4.根据权利要求3所述的病理显微图像诊断方法，其特征在于：所述损失函数的一种表达形式如下：



其中：loss(x,class)表示损失函数，weight表示权重，x表示预测概率，class表示对应的标签类别，j表示所有子图像的序号。


5.根据权利要求3所述的病理显微图像诊断方法，其特征在于：所述损失函数的一种表达形式如下：



其中：loss(x,class)表示损失函数，x表示预测概率，class表示对应的标签类别，j表示所有子图像的序号。


6.根据权利要求1所述的病理显微图像诊断方法，其特征在于：若所述病理显微图像中存在预测结果为阳性的子图像，所述病理显微图像诊断方法还包括：
获取并标注该阳性的子图像于所述病理显微图像中的位置；
输出显示标注有该阳性的子图像的所述病理显微图像。


7.一种用于病理显微图像诊断的阴阳性预测模型训练方法，其特征在于：所述阴阳性预测模型的模型训练生成方法包括：
获取由具有阴阳性标签的样本病理显微图像切割成的若干子图像；
通过卷积神经网络模型对所有子图像的阴阳性进行预测，并获得各所述子图像的预测阳性概率；
若所述...

【专利技术属性】
技术研发人员：叶德贤，房劬，姜辰希，
申请(专利权)人：上海杏脉信息科技有限公司，
类型：发明
国别省市：上海;31