【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 ...
【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 ...
【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
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。