一种病理指标的智能预测系统技术方案

本发明专利技术提供一种病理指标的智能预测系统，首先对各图像块中的图案所属的形状类别进行分类，然后输入不同形状类别对应的病理指标预测器，得到各病理指标预测器的归类结果，最后根据各病理指标类别与形状类别形成的不同组合下包含图像块数量与各病理指标预测器的权重计算某个病理切片图像属于各病理指标类别的评分，将评分最大值对应的病理指标类别作为该病理切片图像的最终的病理指标预测结果；因此，本发明专利技术通过对图像块进行更细致的分类，并对各种形状类别的图像块进行有效性分析，能够明显提高图像块级预测数据和预测器的有效性和患者级预测结果的准确性。

【技术实现步骤摘要】
一种病理指标的智能预测系统
本专利技术属于智能医疗设备
，尤其涉及一种病理指标的智能预测系统。
技术介绍
医学影像病理指标预测技术是智能医疗领域的关键技术之一。目前，医疗领域已经可以采用深度学习技术来对医学影像进行分析，提高预测结果的准确性。2019年德国国家癌症中心提出的病理切片微卫星不稳定性(Microsatelliteinstability，简称MSI)预测方法，是其中的一项代表性技术。该技术将整体病理切片图像切分成较小的图像块，用深度学习模型对切分出的图像块进行MSI预测，得出图像块级的预测结果，最后通过投票的方式得出患者级的预测结果，从而提高预测结果的准确率。为了提高参与预测的病理切片图像块的有效性，研究人员提出了一种肿瘤检测技术。该技术基于已有数据集训练肿瘤检测器，之后采用肿瘤检测器从众多病理切片图像块中筛选出包含肿瘤组织的图像块(简称有效图像块)，从而提高了图像块级预测数据的有效性。但是，这种方法仅根据是否包含肿瘤组织来筛选图像块，筛选的方式过于简单，其所得出的图像块级预测精度有待进一步提高。因此，如何进一步提高图像块级预测数据的有效性是病理指标智能预测技术发展中必须解决的一个重要问题。另外，该技术在训练用于MSI预测的深度学习模型时，直接对经过筛选的一类图像块采用了ResNet18作为模型的网络结构，没有进行网络结构上的进一步挑选，然而目前的深度学习网络结构众多，选用更为合适的网络结构将有可能进一步预测性能和预测结果的准确率。同时，对图像块筛选机制与后续的深度神经网络模型的匹配问题做进一步的研究与探索，也有利于提高预测结果的准确率。因此，如何寻找更适合这个预测问题的深度神经网络框架也是病理指标智能预测技术发展中必须解决的一个问题。综上，现有病理切片MSI预测方法在提高图像块级预测数据有效性和模型网络结构选取，以及整体预测框架设计等方面，均有待进一步改善和提高。
技术实现思路
为解决上述问题，本专利技术提供一种病理指标的智能预测系统，能够明显提高图像块级预测数据和预测器的有效性，从而提高患者级预测结果的准确性。一种病理指标的智能预测系统，包括数据集获取模块、颜色规定化模块、特定结构筛选器、病理指标预测器以及加权模块；所述数据集获取模块用于根据设定的病理指标对病理切片图像进行分类，然后将各类别的病理切片图像分别切分为设定大小的图像块，得到图像块原始数据集，其中，将所述图像块原始数据集包含的病理指标类别数量记为K类；所述颜色规定化模块用于将图像块原始数据集中各图像块的颜色和纹理按照设定规则转换为标准的颜色和纹理，得到颜色规定化后的图像块；所述特定结构筛选器用于将颜色规定化后的图像块作为输入，输出各图像块中的图案所属的形状类别；其中，各图像块中的图案所属的形状类别数量记为H类，且每个形状类别对应一个病理指标预测器；与特定结构筛选器输出的形状类别对应的各病理指标预测器分别获取各自对应的颜色规定化前的图像块，并将与自身形状类别对应的颜色规定化前的图像块作为输入，输出各种形状类别的图像块对应的病理指标类别；所述加权模块用于将准确率小于设定阈值的病理指标预测器对应的权重设置为0，同时为准确率不小于设定阈值的病理指标预测器分配权重，其中，准确率越高，权重越大；所述加权模块还用于获取各病理指标类别的评分Si：其中，i＝1,2,…,K，j＝1,2,..,H，Nij为被各病理指标预测器归类为第i个病理指标类别且属于第j个形状类别的图像块数量，ωj为第j个病理指标预测器的权重；所述加权模块还用于将评分Si最大值对应的病理指标类别作为病理切片图像的病理指标预测结果。进一步地，一种病理指标的智能预测系统，还包括特定结构筛选器获取模块与病理指标预测器获取模块；所述特定结构筛选器获取模块用于将颜色规定化后的图像块作为输入，各图像块中的图案所属的形状类别作为输出，对不同的预训练模型进行训练，得到不同的特定结构筛选器，然后还根据各特定结构筛选器的筛选准确率以及筛选结果的AUC值选出最优的特定结构筛选器作为最终的特定结构筛选器，其中，各图像块中的图案所属的形状类别数量记为H类；所述病理指标预测器获取模块用于获取最优的特定结构筛选器筛选得到的各形状类别的图像块，然后分别将每种形状类别对应的颜色规定化前的图像块作为输入，各种形状类别的图像块对应的病理指标类别作为输出，对H个待训练的病理指标预测器进行训练，得到各形状类别对应的病理指标预测器。进一步地，所述病理指标预测器获取模块训练各病理指标预测器的具体为：分别将病理指标预测器作为当前病理指标预测器执行以下步骤：为当前病理指标预测器匹配不同的预训练模型；将当前病理指标预测器对应的当前形状类别的且在颜色规定化前的图像块作为当前病理指标预测器匹配的各预训练模型的输入，当前形状类别的图像块对应的病理指标类别作为当前病理指标预测器匹配的各预训练模型的输出，对各预训练模型进行训练，得到不同的备选病理指标预测器；根据各备选病理指标预测器的预测准确率以及预测结果的AUC值选出最优的病理指标预测器。进一步地，所述图像块的大小与特定结构筛选器获取模块所采用的预训练模型需要输入的图像大小相同。进一步地，所述形状类别可包括正常腺体、变异腺体以及背景腺体，其中，变异腺体根据变异程度进行分级，包括两级以上的变异腺体。进一步地，所述病理指标类别包括肿瘤分级与MSI预测。有益效果：本专利技术提供一种病理指标的智能预测系统，首先对各图像块中的图案所属的形状类别进行分类，然后输入不同形状类别对应的病理指标预测器，得到各病理指标预测器的归类结果，最后根据各病理指标类别与形状类别形成的不同组合下包含图像块数量与各病理指标预测器的权重计算某个病理切片图像属于各病理指标类别的评分，将评分最大值对应的病理指标类别作为该病理切片图像的最终的病理指标预测结果；由此可见，本专利技术通过对图像块进行更细致的分类，并对各种形状类别的图像块进行有效性分析，模拟了医生在实际诊断过程中从不同方面判断某个病理切片图像属于何种病理指标的可能性，最后再综合各方面的可能性得到最终的诊断结果的“分-合”过程，能够明显提高图像块级预测数据和预测器的有效性，从而提高患者级预测结果的准确性；其次，本专利技术通过对病理切片图像进行颜色规定化，基本消除了病理切片图像中同种结构在颜色上的差异，为特定结构筛选器提供了输入数据在颜色空间中的均一化方法，提高了特定结构筛选器分析过程的有效性，从而提高特定结构筛选器的性能；再者，本专利技术实质为将颜色规定化模块、特定结构筛选器以及病理指标预测器进行级联深度学习的病理指标预测系统，通过模型择优方法和加权预测方法，对数据集和模型网络结构进行优化，能够根据任务的需要，训练出性能较好的深度学习模型；除此之外，本专利技术运用迁移学习的方法，可以将另一领域中具有共性知识，包括特征、实例知识以及模型的参数等，迁移至本领域，因此可以极大地简化深度学习网络的训练过程，缩短训练时间，提高学习后本文档来自技高网...

【技术保护点】
1.一种病理指标的智能预测系统，其特征在于，包括数据集获取模块、颜色规定化模块、特定结构筛选器、病理指标预测器以及加权模块；/n所述数据集获取模块用于根据设定的病理指标对病理切片图像进行分类，然后将各类别的病理切片图像分别切分为设定大小的图像块，得到图像块原始数据集，其中，将所述图像块原始数据集包含的病理指标类别数量记为K类；/n所述颜色规定化模块用于将图像块原始数据集中各图像块的颜色和纹理按照设定规则转换为标准的颜色和纹理，得到颜色规定化后的图像块；/n所述特定结构筛选器用于将颜色规定化后的图像块作为输入，输出各图像块中的图案所属的形状类别；其中，各图像块中的图案所属的形状类别数量记为H类，且每个形状类别对应一个病理指标预测器；/n与特定结构筛选器输出的形状类别对应的各病理指标预测器分别获取各自对应的颜色规定化前的图像块，并将与自身形状类别对应的颜色规定化前的图像块作为输入，输出各种形状类别的图像块对应的病理指标类别；/n所述加权模块用于将准确率小于设定阈值的病理指标预测器对应的权重设置为0，同时为准确率不小于设定阈值的病理指标预测器分配权重，其中，准确率越高，权重越大；所述加权模块还用于获取各病理指标类别的评分S...

【技术特征摘要】
1.一种病理指标的智能预测系统，其特征在于，包括数据集获取模块、颜色规定化模块、特定结构筛选器、病理指标预测器以及加权模块；
所述数据集获取模块用于根据设定的病理指标对病理切片图像进行分类，然后将各类别的病理切片图像分别切分为设定大小的图像块，得到图像块原始数据集，其中，将所述图像块原始数据集包含的病理指标类别数量记为K类；
所述颜色规定化模块用于将图像块原始数据集中各图像块的颜色和纹理按照设定规则转换为标准的颜色和纹理，得到颜色规定化后的图像块；
所述特定结构筛选器用于将颜色规定化后的图像块作为输入，输出各图像块中的图案所属的形状类别；其中，各图像块中的图案所属的形状类别数量记为H类，且每个形状类别对应一个病理指标预测器；
与特定结构筛选器输出的形状类别对应的各病理指标预测器分别获取各自对应的颜色规定化前的图像块，并将与自身形状类别对应的颜色规定化前的图像块作为输入，输出各种形状类别的图像块对应的病理指标类别；
所述加权模块用于将准确率小于设定阈值的病理指标预测器对应的权重设置为0，同时为准确率不小于设定阈值的病理指标预测器分配权重，其中，准确率越高，权重越大；所述加权模块还用于获取各病理指标类别的评分Si：



其中，i＝1,2,…,K，j＝1,2,..,H，Nij为被各病理指标预测器归类为第i个病理指标类别且属于第j个形状类别的图像块数量，ωj为第j个病理指标预测器的权重；
所述加权模块还用于将评分Si最大值对应的病理指标类别作为病理切片图像的病理指标预测结果。


2.如权利要求1所述的一种病理指标的智能预测系统，其特征在于，还包括特定结构筛选器获取模块与病理指标预测器获取模块；
所述特定结构筛选器获取模块用于将颜色规定化后的图像块作为输入，各图像块中的图案所属的形状...

【专利技术属性】
技术研发人员：马旭，蔡家铭，赵琦乐，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11