基于迁移学习的胃肠道间质瘤中核分裂象检测系统技术方案

一种基于迁移学习的胃肠道间质瘤中核分裂象检测系统：对病理切片图像数据进行预处理；构建预训练全卷积神经网络，包括编码器子网络和解码器子网络；选取Adam优化器对预训练全卷积神经网络进行梯度更新，并使用Focal Loss损失函数对预训练全卷积神经网络进行训练；3)将训练完成的预训练全卷积神经网络中解码器子网络权重进行初始化后，得到一个新的全卷积神经网络，选取Adam优化器对所述的全卷积神经网络进行梯度更新，并使用Focal Loss损失函数对所述的全卷积神经网络进行训练；对训练好的全卷积神经网络进行测试，得到核分裂象区域的二值图。本发明专利技术可为病理医生对于核分裂象的检测提供有效的中间数据，实现对病人病情的快速判别。

【技术实现步骤摘要】
基于迁移学习的胃肠道间质瘤中核分裂象检测系统
本专利技术涉及一种胃肠道间质瘤中核分裂象检测系统。特别是涉及一种基于迁移学习的胃肠道间质瘤中核分裂象检测系统.
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。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对目标的分割。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，需要一种基于迁移学习方法的病理切片图像中核分裂象分割的方法。
技术实现思路
本专利技术所要解决的技术问题是，提供一种能够为医生的病理诊断提供有效辅助参考的基于迁移学习的胃肠道间质瘤中核分裂象检测系统。本专利技术所采用的技术方案是：一种基于迁移学习的胃肠道间质瘤中核分裂象检测系统，其特征在于，包括如下步骤：1)对病理切片图像数据进行预处理，包括：(1)将除胃肠道间质瘤病理切片图像数据集C以外的多种不同病例的病理切片图像数据集汇总为一个综合病理切片图像数据集T，并对综合病理切片图像数据集T和胃肠道间质瘤病理切片图像数据集C进行染色均一化处理，以适应不同染色条件下导致的切片中颜色深浅不一问题。(2)由专业医生对综合病理切片图像数据集T中图像和胃肠道间质瘤病理切片图像数据集C中图像进行手工标注，所述的手工标注是在综合病理切片图像数据集T中标注出病灶、血管和脂肪的区域，在胃肠道间质瘤病理切片图像数据集C中标注出核分裂象区域，根据手工标注的结果生成与每一张病理切片图像对应的掩膜图像YiT和与每一张胃肠道间质瘤病理切片图像对应的掩膜图像其中，i表示综合病理切片图像数据集T中的图像索引，j表示胃肠道间质瘤病理切片图像数据集C中的图像索引；(3)在40×图层下对综合病理切片图像数据集T中的每一张病理切片图像进行不重叠裁剪切块，同时对该张病理切片图像所对应掩膜图像YiT在相同坐标下进行裁剪切块，得到综合病理切片图像块数据集其中，每个图像块的分辨率为512×512，xi和yi分别表示在第i张病理切片图像中图像块的左上角点在横坐标轴与纵坐标轴上的坐标，N表示综合病理切片图像数据集T中病理切片图像的数量；在40×图层下对胃肠道间质瘤病理切片图像数据集C中的每一张病理切片图像进行不重叠裁剪切块，同时对该张病理切片图像所对应掩膜图像在相同坐标下进行裁剪切块，得到胃肠道间质瘤病理切片图像块数据集其中，每个图像块的分辨率为512×512，cj和dj分别表示在第j张病理切片图像中图像块的左上角点在横坐标轴与纵坐标轴上的坐标，M表示胃肠道间质瘤病理切片图像数据集C中病理切片图像的数量；2)构建预训练全卷积神经网络，包括编码器子网络和解码器子网络，其中，所述编码器子网络是由ResNet50构成；所述的解码器子网络是由依次连接的第一卷积层、第二卷积层、第一上采样层、第三卷积层、第四卷积层、第二上采样层、第五卷积层、第六卷积层和第三上采样层构成；所述ResNet50的输出是第一卷积层的输入，所述第三上采样层的输出构成预训练全卷积神经网络的输出，选取Adam优化器对预训练全卷积神经网络进行梯度更新，并使用FocalLoss损失函数对预训练全卷积神经网络进行训练；3)将训练完成的预训练全卷积神经网络中解码器子网络权重进行初始化后，得到一个新的全卷积神经网络，选取Adam优化器对所述的全卷积神经网络进行梯度更新，并使用FocalLoss损失函数对所述的全卷积神经网络进行训练；4)对训练好的全卷积神经网络进行测试，测试时首先对用于测试的胃肠道间质瘤病理切片图像进行预处理，得到n块大小为512×512的图像块，同时记录下每个图像块左上角的坐标，批处理大小为128，将所述的n块大小为512×512的图像块输入训练好的全卷积神经网络中，输出得到n个概率图，并根据每个图像块左上角的坐标，重新拼接成与预处理前胃肠道间质瘤病理切片图像大小相同的概率图，设置阈值为0.5后得到核分裂象区域的二值图。本专利技术的基于迁移学习的胃肠道间质瘤中核分裂象检测系统，利用多种不同病例的病理切片数据集构建用一个相对较大的病理切片图像数据集，训练出一个高性能的深度神经网络的预训练模型做为主干网络，对胃肠道间质瘤数据集进行训练，实现对胃肠道间质瘤中核分裂象的准确快速判断。本专利技术可为病理医生对于核分裂象的检测提供有效的中间数据，实现对病人病情的快速判别，降低病理医生的误诊率。附图说明图1是本专利技术基于迁移学习的胃肠道间质瘤中核分裂象检测系统中的训练流程图；图2是本专利技术基于迁移学习的胃肠道间质瘤中核分裂象检测系统中的应用流程图。具体实施方式下面结合实施例和附图对本专利技术的基于迁移学习的胃肠道间质瘤中核分裂象检测系统做出详细说明。本专利技术的基于迁移学习的胃本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的胃肠道间质瘤中核分裂象检测系统，其特征在于，包括如下步骤：/n1)对病理切片图像数据进行预处理，包括：/n(1)将除胃肠道间质瘤病理切片图像数据集C以外的多种不同病例的病理切片图像数据集汇总为一个综合病理切片图像数据集T，并对综合病理切片图像数据集T和胃肠道间质瘤病理切片图像数据集C进行染色均一化处理，以适应不同染色条件下导致的切片中颜色深浅不一问题。/n(2)由专业医生对综合病理切片图像数据集T中图像

【技术特征摘要】
1.一种基于迁移学习的胃肠道间质瘤中核分裂象检测系统，其特征在于，包括如下步骤：
1)对病理切片图像数据进行预处理，包括：
(1)将除胃肠道间质瘤病理切片图像数据集C以外的多种不同病例的病理切片图像数据集汇总为一个综合病理切片图像数据集T，并对综合病理切片图像数据集T和胃肠道间质瘤病理切片图像数据集C进行染色均一化处理，以适应不同染色条件下导致的切片中颜色深浅不一问题。
(2)由专业医生对综合病理切片图像数据集T中图像和胃肠道间质瘤病理切片图像数据集C中图像进行手工标注，所述的手工标注是在综合病理切片图像数据集T中标注出病灶、血管和脂肪的区域，在胃肠道间质瘤病理切片图像数据集C中标注出核分裂象区域，根据手工标注的结果生成与每一张病理切片图像对应的掩膜图像和与每一张胃肠道间质瘤病理切片图像对应的掩膜图像其中，i表示综合病理切片图像数据集T中的图像索引，j表示胃肠道间质瘤病理切片图像数据集C中的图像索引；
(3)在40×图层下对综合病理切片图像数据集T中的每一张病理切片图像进行不重叠裁剪切块，同时对该张病理切片图像所对应掩膜图像在相同坐标下进行裁剪切块，得到综合病理切片图像块数据集其中，每个图像块的分辨率为512×512，xi和yi分别表示在第i张病理切片图像中图像块的左上角点在横坐标轴与纵坐标轴上的坐标，N表示综合病理切片图像数据集T中病理切片图像的数量；在40×图层下对胃肠道间质瘤病理切片图像数据集C中的每一张病理切片图像进行不重叠裁剪切块，同时对该张病理切片图像所对应掩膜图像在相同坐标下进行裁剪切块，得到胃肠道间质瘤病理切片图像块数据集其中，每个图像块的分辨率为512×512，cj和dj分别表示在第j张病理切片图像中图像块的左上角点在横坐标轴与纵坐标轴上的坐标，M表示胃肠道间质瘤病理切片图像数据集C中病理切片图像的数量；
2)构建预训练全卷积神经网络，包括编码器子网络和解码器子网络，其中，所述编码器子网络是由ResNet50构成；所述的解码器子网络是由依次连接的第一卷积层、第二卷积层、第一上采样层、第三卷积层、第四卷积层、第二上采样层、第五卷积层、第六卷积层和第三上采样层构成；所述ResNet50的输出是第一卷积层的输入，所述第三上采样层的输出构成预训练全卷积神经网络的输出，选取Adam优化器对预训练全卷积神经网络进行梯度更新，并使用FocalLoss损失函数对预训练全卷积神经网络进行训练；
3)将训练完成的预训练全卷积神经网络中解码器子网络权重进行初始化后，得到一个新的全卷积神经网络，选取Adam优化器对所述的全卷积神经网络进行梯度更新，并使用FocalLoss损失函数对所述的全卷积神经网络进行训练；
4)对训练好的全卷积神经网络进行测试，测试时首先对用于测试的胃肠道间质瘤病理切片图像进行预处理，得到n块大小为512×512的图像块，同时记录下每个图像块左上角的坐标，批处理大小为128，将所述的n块大小为512×512的图像块输入训练好的全卷积神经网络中，输出得到n个概率图，并根据每个图像块左上角的坐标，重新拼接成与预处理前胃肠道间质瘤病理切片图像大小相同的概率图，设置阈值为0.5后得到核分裂象区域的二值图。


2.根据权利要求1所述的基于迁移学习的胃肠道间质瘤中核分裂象检测系统，其特征在于，步骤2)中所述的ResNet50的每个卷积操层后面都依次连接一个批归一化层、一个ReLU非线性激活层和一个池化操作层；
每个卷积层都依据以下公式来提取特征图：



其中为向下取整，xin表示输入特征图大小，xout表示输出特征图大小，padding表示填充特征图像素点的大小，s表示步长，b表示卷积的核大小；
ReLU非线性激活层给神经元引入了非线性因素，ReLU非线性激活层公式如下：
f(x)＝max(0,x)
批归一化就是通过规范化函数，将全卷积神经网络的每一层中的任意神经元输入值的分布强行拉回到均值为0方差为1的标准正态分布，所述规范化函数如下式：



式中，

k∈Sand||S||＝r

k∈Sand||S||＝r
其中，λd为第d个神经元原始激活值，为经过规范化操作后的规范值；η是通过神经元集合S中包含的r个神经元各自的激活值求出的均...

【专利技术属性】
技术研发人员：高忠科，安建鹏，袁涛，赵纲，马文庆，
申请(专利权)人：天津大学，天津富瑞隆金属制品有限公司，
类型：发明
国别省市：天津;12