用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统技术方案

一种用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统，包括：对获取的所有苏木精‑伊红染色病理图像进行预处理；建立深度学习分割模型；将预处理后的所有病理图像输入深度学习分割模型，对深度学习分割模型进行训练；采集被试者的苏木精‑伊红染色病理图像，并对苏木精‑伊红染色病理图像进行预处理；将预处理后的被试者的苏木精‑伊红染色病理图像输入训练好的深度学习分割模型，进行分割处理，得到到分割结果；对分割结果中的核分裂象轮廓进行提取及计数。本发明专利技术可安装在服务器电脑上，通过分析输入的苏木精‑伊红染色图像，检测其中核分裂象的数量，为医生实现对胃肠道间质瘤危险程度的诊断提供精准的中间数据。

【技术实现步骤摘要】
用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统
本专利技术涉及一种胃肠道间质瘤中核分裂象检测方法。特别是涉及一种用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统。
技术介绍
胃肠道间质瘤是一类起源于胃肠道间叶组织的肿瘤，占消化道间叶肿瘤的大部分，是最常见的腹部软组织恶性肿瘤。胃肠道间质瘤最常见于胃(50％～60％)、其次是小肠(30％～35％)、结肠和直肠(5％)、食道(<1％)，以及少部分消化道外(肠系膜，大网膜和腹膜后；<5％)。平均诊断年龄为63岁，无性别差异。胃肠道间质瘤主要由梭形细胞和上皮样细胞构成，少数可见多形性肿瘤细胞，甚至破骨细胞样巨细胞.依据梭形和上皮样细胞的比例可分为上皮样细胞型、梭形细胞型和混合细胞型.排列方式多样，梭形细胞多以束状、漩涡状和栅栏状排列为主，上皮样细胞常呈弥漫片巢状排列.部分肿瘤可伴有囊性变、透明变性、黏液变性及钙化，并可见核周空泡细胞和印戒样肿瘤细胞，少数肿瘤间质可见"丝团样纤维"。胃肠道间质瘤患者常因肿瘤位于黏膜下层和肌层而无特征性症状，故术前诊断较为困难。传统的辅助检查缺乏特异性，内镜和影像学检查仅有助于确定肿瘤部位。病理诊断依靠应用超声内镜下细针穿刺活检得到组织样本，其诊断准确率较高，是胃肠道间质瘤诊断的“金标准”。因此，胃肠道间质瘤的诊断应结合临床症状、体征、消化道内镜及影像学检查，但最终必须依靠病理诊断。医学上使用苏木精-伊红染色方法处理活检采集的组织样本制成病理切片，染色试剂中苏木精可以使细胞核内的染色质与胞质内的核酸着紫蓝色，而试剂中的伊红可以使细胞质和细胞外基质中的成分着红色，从而方便医生对病理切片进行观察。医生在显微镜下观察病理切片中的相关特征，从而判断患者的胃肠道间质瘤的危险程度。其中，核分裂象数量是一个非常重要的指导指标——显微镜视野内的核分裂象数目是医生判断胃肠道间质瘤危险程度的重要指标。本专利技术将深度学习中语义分割方法引入到胃肠道间质瘤诊断中，实现对病理切片中核分裂象的检测。深度学习方法作为一种机器学习算法，以其应用场景多、应用效果好等优点被广泛应用到医学的诊断中。深度学习方法起源于人工神经网络，它是一种对人类大脑中神经元的人工模拟，从而产生优异的拟合能力、泛化能力和问题解决能力。它被应用于自然语言处理、图像识别、语音识别等领域，而在图像识别领域，它又可细分为语义分割、目标检测、实例分割等方面。由于病理切片图像中核分裂象的形态多变，其可以细分为前期、中期、后期和末期，使检测较为困难；图片中存在某些易混淆对象，如凋亡细胞，增大了检测难度；病理图像中非核分裂象细胞远多于核分裂象细胞，进一步降低了检测准确率，提高了检测难度。而深度学习方法具有泛化能力强等特征，非常适用于这种复杂情况下目标的检测。如近年来在目标检测领域应用效果良好的FasterR-CNN，其具有较高的检测准确率。但是由于病理图片具有类别单一、前景-背景极度不均衡等特点，需要一种新的基于深度学习的检测方法。
技术实现思路
本专利技术所要解决的技术问题是，提供一种为医生实现对胃肠道间质瘤危险程度的诊断提供精准的中间数据的用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统。本专利技术所采用的技术方案是：一种用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统，包括如下步骤：1)对获取的所有苏木精-伊红染色病理图像进行预处理；2)建立深度学习分割模型；3)将预处理后的所有病理图像输入深度学习分割模型，对深度学习分割模型进行训练；4)采集被试者的苏木精-伊红染色病理图像，并对苏木精-伊红染色病理图像进行预处理；5)将预处理后的被试者的苏木精-伊红染色病理图像输入训练好的深度学习分割模型，进行分割处理，得到到分割结果；6)对分割结果中的核分裂象轮廓进行提取及计数。本专利技术的用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统，使用深度学习中的语义分割网络对切片图像中的核分裂象和无关背景进行分割，并根据分割结果对核分裂象的轮廓进行检测和核分裂象计数，从而为医生的病理诊断提供诊断指标。本专利技术可安装在服务器电脑上，通过分析输入的苏木精-伊红染色图像，检测其中核分裂象的数量，为医生实现对胃肠道间质瘤危险程度的诊断提供精准的中间数据。附图说明图1是本专利技术的用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统的流程图；图2是本专利技术中建立的深度学习分割模型的结构示意图。具体实施方式下面结合实施例和附图对本专利技术的用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统做出详细说明。本专利技术的用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统，是针对移动端计算能力弱、运行内存低的特点进行针对性的调整，使用浅层深度学习分割模型并为了减少算力进行了相应的调整，最终实现核分裂象检测的检测计数，从而得到用于协助医生对患者胃肠道间质瘤危险程度进行判断的中间数据。如图1所示，本专利技术的用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统，包括如下步骤：1)对所有苏木精-伊红染色病理图像预处理；包括：(1)分别将每一张图像进行切块，将每一张待检测的苏木精-伊红染色病理图像切块成512*512大小，减轻移动端的计算负荷；(2)对切块后的病理图像使用高斯模糊方法实现去噪：其中，G(u,v)代表高斯核在u,v的值，u和v分别表示图像空间坐标，表征模糊半径r，σ是正态分布的标准差；当模糊半径r为1，标准差σ为1.5时，G(u,v)的3×3的高斯核为：本专利技术使用以上高斯核对得到的图像块进行卷积以得到去噪的图像，为避免图像尺寸缩小，本专利技术使用在图像四周填充近邻值。(3)对去噪后的病理图像进行正则化处理；根据对于苏木精-伊红染色病理切片图像的先验知识，采用以下公式进行正则化：其中，IR、IG、IB分别代表正则化之前的红色通道、绿色通道和蓝色通道的像素值，I'R、I'G、I'B分别代表正则化之后的红色通道、绿色通道和蓝色通道的像素值；uR、uG、uB表示在公开数据集MITOSdataset@ICPR2012中采集器A所采集数据在红色通道、绿色通道和蓝色通道上的均值；σR、σG和σB分别表示在公开数据集MITOSdataset@ICPR2012中采集器A所采集数据在红色通道、绿色通道和蓝色通道上的标准差。2)建立深度学习分割模型，其中所述的深度学习分割模型如图2所示，包括：依次连接的第一卷积块1、第二卷积块2、第三卷积块3、第一全局池化层4、第一权重预测层5、第一注意力融合6、第四卷积块7、第五卷积块8、概率预测层9；依次连接的第一最大池化层10、第六卷积块11、第七卷积块12、第八卷积块13、第二全局池化层14、第二权重预测层15、第二注意力融合16、第九卷积块17、第十卷积块18、第一反卷积层19；依次连接的第二最大池化层20、第十一卷积块21、第十二卷积块22、第十三卷积块23、第三全局池化层24、第三权重预测层25、第三注本文档来自技高网...

【技术保护点】
1.一种用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统，其特征在于，包括如下步骤：/n1)对获取的所有苏木精-伊红染色病理图像进行预处理；/n2)建立深度学习分割模型；/n3)将预处理后的所有病理图像输入深度学习分割模型，对深度学习分割模型进行训练；/n4)采集被试者的苏木精-伊红染色病理图像，并对苏木精-伊红染色病理图像进行预处理；/n5)将预处理后的被试者的苏木精-伊红染色病理图像输入训练好的深度学习分割模型，进行分割处理，得到到分割结果；/n6)对分割结果中的核分裂象轮廓进行提取及计数。/n

【技术特征摘要】
1.一种用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统，其特征在于，包括如下步骤：
1)对获取的所有苏木精-伊红染色病理图像进行预处理；
2)建立深度学习分割模型；
3)将预处理后的所有病理图像输入深度学习分割模型，对深度学习分割模型进行训练；
4)采集被试者的苏木精-伊红染色病理图像，并对苏木精-伊红染色病理图像进行预处理；
5)将预处理后的被试者的苏木精-伊红染色病理图像输入训练好的深度学习分割模型，进行分割处理，得到到分割结果；
6)对分割结果中的核分裂象轮廓进行提取及计数。


2.根据权利要求1所述的用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统，其特征在于，步骤1)和步骤4)所述的预处理包括：
(1)分别将每一张图像进行切块，将每一张待检测的苏木精-伊红染色病理图像切块成512*512大小；
(2)对切块后的病理图像使用高斯模糊方法实现去噪：



其中，G(u,v)代表高斯核在u,v的值，u和v分别表示图像空间坐标，表征模糊半径r，σ是正态分布的标准差。
当模糊半径r为1，标准差σ为1.5时，3×3的高斯核为：



(3)对去噪后的病理图像进行正则化处理；采用以下公式进行正则化：



其中，IR、IG、IB分别代表正则化之前的红色通道、绿色通道和蓝色通道的像素值，I′R、I′G、I′B分别代表正则化之后的红色通道、绿色通道和蓝色通道的像素值；uR、uG、uB表示在公开数据集MITOSdataset@ICPR2012中采集器A所采集数据在红色通道、绿色通道和蓝色通道上的均值；σR、σG和σB分别表示在公开数据集MITOSdataset@ICPR2012中采集器A所采集数据在红色通道、绿色通道和蓝色通道上的标准差。


3.根据权利要求1所述的用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统，其特征在于，步骤2)中所述的深度学习分割模型包括：依次连接的第一卷积块(1)、第二卷积块(2)、第三卷积块(3)、第一全局池化层(4)、第一权重预测层(5)、第一注意力融合(6)、第四卷积块(7)、第五卷积块(8)、概率预测层(9)；依次连接的第一最大池化层(10)、第六卷积块(11)、第七卷积块(12)、第八卷积块(13)、第二全局池化层(14)、第二权重预测层(15)、第二注意力融合(16)、第九卷积块(17)、第十卷积块(18)、第一反卷积层(19)；依次连接的第二最大池化层(20)、第十一卷积块(21)、第十二卷积块(22)、第十三卷积块(23)、第三全局池化层(24)、第三权重预测层(25)、第三注意力融合(26)、第十四卷积块(27)、第十五卷积块(28)、第二反卷积层(29)；依次连接的第三最大池化层(30)、第十六卷积块(31)、第十七卷积块(32)、第十八卷积块(33)、第三反卷...

【专利技术属性】
技术研发人员：高忠科，袁涛，安建鹏，赵纲，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12