一种确定异常程度的方法、相应的计算机可读介质和分布式癌症分析系统技术方案

目前的癌症筛查方法不适合大规模应用并且对患者不透明。该问题可通过确定异常程度的方法来解决，所述方法包括以下步骤：a)接收全切片图像(11，w，722)，所述全切片图像(11，w，722)描绘了细胞的至少一部分；b)使用神经网络(600)对所述全切片图像(11，w，722)的至少一个图像分块(13，601，721，721’，721”)进行分类，以确定与所述至少一个图像分块(13，601，721，721’，721”)相关联的局部异常程度值(15，a_j，519，719，719’，719”)，所述局部异常程度值(15，a_j，519，719，719’，719”)表示相关联的至少一个片段描述了癌细胞的至少一部分的似然性；和c)基于所述至少一个图像分块(13，601，721，721’，721”)的局部异常程度值(15，a_j，519，719，719’，719”)确定所述全切片图像(11，w，722)的异常程度(17)。

【技术实现步骤摘要】
【国外来华专利技术】一种确定异常程度的方法、相应的计算机可读介质和分布式癌症分析系统
本申请涉及一种确定异常程度的方法、相应的计算机可读介质和分布式癌症分析系统。
技术介绍
癌症筛查计划依赖于通过可信赖的专家对癌症病变进行一致的早期检测。如果癌症发现得足够早，就可以进行局部治疗并因此通常可以有效地避免患者的健康风险。在许多情况下，癌症筛查包括进行活检，活检是潜在癌变区域的小组织样本。这种活检通常在常规医疗检查期间进行，或者在预先医疗检查后的特殊指征下进行。与任何其他病理组织标本一样，活检通过专家(通常是经委员会认证的病理学家)在载玻片上制备后进行评估。病理学家在一定程度上接受过可到职专家团体的培训，并全权负责诊断。通常，病理学家会向同事征求第二种意见。患者本人通常不知道且也不了解组织标本的诊断过程，从未见过且也不了解为他或她做出这一重要医疗决定的人或其资格。结果，患者最终依赖于一个相当不透明的过程。这一过程导致相关的利益攸关方对整个系统的信任有限。这种感觉可以通过许多研究得到客观支持，这些研究显示了在癌症诊断中医疗决策质量的巨大差异。而且，病理样本的评价没本文档来自技高网...

【技术保护点】
1.一种确定异常程度的方法，所述方法包括以下步骤：/nd)接收全切片图像(11，w，722)，所述全切片图像(11，w，722)描绘了细胞、特别是人类细胞的至少一部分；/ne)使用神经网络(600)对所述全切片图像(11，w，722)的至少一个图像分块(13，601，721，721’，721”)进行分类，以确定与所述至少一个图像分块(13，601，721，721’，721”)相关联的局部异常程度值(15，a_j，519，719，719’，719”)，所述局部异常程度值(15，a_j，519，719，719’，719”)表示相关联的至少一个片段描述了癌细胞的至少一部分的似然性；和/nf)基于所述...

【技术特征摘要】
【国外来华专利技术】20180622 IE S2018/01711.一种确定异常程度的方法，所述方法包括以下步骤：
d)接收全切片图像(11，w，722)，所述全切片图像(11，w，722)描绘了细胞、特别是人类细胞的至少一部分；
e)使用神经网络(600)对所述全切片图像(11，w，722)的至少一个图像分块(13，601，721，721’，721”)进行分类，以确定与所述至少一个图像分块(13，601，721，721’，721”)相关联的局部异常程度值(15，a_j，519，719，719’，719”)，所述局部异常程度值(15，a_j，519，719，719’，719”)表示相关联的至少一个片段描述了癌细胞的至少一部分的似然性；和
f)基于所述至少一个图像分块(13，601，721，721’，721”)的局部异常程度值(15，a_j，519，719，719’，719”)确定所述全切片图像(11，w，722)的异常程度(17)。


2.根据权利要求1所述的方法，其特征在于，
所述全切片图像(11，w，722)的异常程度(17)由函数来表示，特别是由max-函数、所述局部异常程度值(15，a_j，519，719，719’，719”)的统计集合，或者取决于所述局部异常程度值(15，a_j，519，719，719’，719”)的平均函数来表示。


3.根据前述权利要求中任一项所述的方法，其特征在于，
-特别是使用k-均值聚类算法，将所述全切片图像(11，w，722)分割成多个图像分块(13，23，502，t_1，…，t_n)，每个所述图像分块的尺寸相同。


4.根据前述权利要求任一项所述的方法，其特征在于，
所述神经网络(600)被实现为卷积神经网络(600)，所述神经网络(600)包括：
-至少五十层，
-至少二十个池化层，
-至少四十个卷积层，
-每个所述卷积层中有至少二十个内核，
-至少一个全连接层(608)，
-softmax-分类器层(608)和/或
-使用对数和/或逻辑函数作为激活函数的神经元。


5.根据前述权利要求任一项所述的方法，其特征在于，
-使用存储在知识库(25，507)中的训练数据(26，509)训练所述神经网络(600)，所述训练数据(26，509)包括多个元组，每个所述元组指示图像分块(13，601，721，721’，721”)、训练异常值(15，519，719，719’，719”，a_j)和似然值(l_j)。


6.根据前述权利要求任一项所述的方法，其特征在于，
-接收更新的全切片图像(11，21，501，722，w)，以更新所述知识库(25，507)；
-将所述更新的全切片图像(11，21，501，722，w)分割成多个图像分块(13，601，721，721’，721”)；
-特别是由人类专家(E)，为多个图像分块(C)的至少一个子集的每个图像分块确定训练异常程度值(a_w)；
-在使用更新的知识库(25，507)进行训练时，如果确定添加所述多个图像分块(C)的子集和相关联的训练异常程度值(a_w)提高了所述神经网络的精度，则使用所述多个图像分块(C)的子集和所述相关联的训练异常程度值(a_w)更新所述知识库(25，507)。


7.根据前述权利要求任一项所述的方法，特别是根据权利要求6所述的方法，其特征在于，更新所述知识库(25，507)还包括：
-使用所述神经网络为所述多个图像分块(13，601，721，721’，721”)中的每一个计算所预测的异常程度值(a_j)和相关联的似然值(l_j)；
-基于所述多个图像分块(13，601，721，721’，721”)中的每一个所预测的异常程度值(a_j)和相关联的似然值(l_j)来确定优先级值(p_j)；
-基于所确定的优先级值(p_j)来确定所述图像分块(C)的子集。


8.根据前述权利要求任一项所述的方法，其特征在于，
在使用所述更新的知识库(25，507)进行训练时，确定添加所述图像分块(C)的子集和所述相关联的训练异常程度值(a_w)提高了所述神经网络的精度包括：
-使用所述图像分块(C)的子集和所述相关联的训练异常程度值(a_w)更新验证数据库(515)，所述验证数据库尤其包括所述知识库的至少一个子集；
-使用所述验证数据库(515)训练所述神经网络(600)；
-使用在所述验证数据库(515)上训练的神经网络(600)来预测独立验证队列(516)中的数据，以计算第一精度值；
-使用在所述知识库(25，517)上训练的神经网络(600)来预测所述独立验证队列(516)中的数据，以计算第二精度值；
-比较所述第一精度值和所述第二精度值，以确定当使用所述更新的知识库(25，507)进行训练时，添加所述图像分块(C)的子集和所述相关联的训练异常程度值(a_w)是否提高了所述神经网络(600)的精度。


9.根据前述权利要求任一项所述的方法，其特征在于，
-在区块链(700)的区块(710，710’，710”)中存储由人类专家(E)确定的所述图像分块(C)的至少一个子集的每一个的训练异常程度值(a_w)。


10.根据前述权利要求任一项所述的方法，特别是根据权利要求9所述的方法，其特征在于，
所述区块链(700)指示所述图像分块(721、721’、721”)、所述相关联的训练异常程度值(719、719’、719”)和确定存储在所述知识库(517)中的训练...

【专利技术属性】
技术研发人员：贝尔德·拉尔曼，
申请(专利权)人：HLABS股份有限公司，
类型：发明
国别省市：德国;DE