一种基于Swin-Unet算法的肠神经元发育异常识别方法技术

本发明专利技术公开了一种基于Swin

【技术实现步骤摘要】
一种基于Swin
‑
Unet算法的肠神经元发育异常识别方法


[0001]本专利技术涉及深度学习的
，尤其涉及一种基于Swin
‑
Unet算法的肠神经元发育异常的识别方法。

技术介绍

[0002]肠神经元发育异常主要包括肠无神经节细胞症及其同源病。肠无神经节细胞症(Aganglionosis；Hirschsprung Disease，HSCR)是由于消化道远端肠管无神经节细胞，引起直肠
‑
肛管抑制反射消失，临床表现为肠管不能舒张、排便困难、腹胀、功能性肠梗阻为特点的一类疾病。某些类似肠无神经节细胞症的表现，如腹胀、肠管扩张、慢性便秘，但是直肠存在肠神经节细胞的疾病，称为巨结肠同源病(Allied Disorders of Hirschsprung Disease)，亦称作肠神经发育异常。根据最新的指南，巨结肠同源病初步分为7类：
①
肠神经节未成熟症；
②
肠神经节减少症；
③
肠神经元发育不良(Intestinal neuronal dysplasia,IND)；
④
巨结肠
‑
小结肠
‑
肠蠕动不良综合征(Megacystis microcolon intestinal hypoperistalsis syndrome,MMIHS)；
⑤
肠管节段性扩张；
⑥
肛门括约肌失迟缓；
⑦
慢性特发性假性肠梗阻(Chronic idiopathic intestinal pseudo
‑
obstruction,CHIP)。肠无神经节细胞症及其同源病的准确诊断都依赖于病理学，肠组织石蜡切片的苏木精
‑
伊红(H&E)染色为诊断的标准方法。鉴于肠神经元发育异常相关疾病种类较多，在病理诊断时，不仅需要鉴别肠组织内是否存在正常神经丛，神经丛内是否存在神经节细胞，并且需要明确神经节细胞的数量是否在正常范围内，以及神经节细胞的形态、发育情况等，这大大增加了该大类疾病的诊断难度。此外，虽然肠神经元发育异常包括的疾病种类较多，但是其发病率相对较低，尤其是巨结肠同源病的诊治基本集中于儿童专科医院或三甲综合型医院，因此仅有少量高年资的病理医生有相关的诊断经验。再者，目前国内、外尚无正常儿童肠管的大样本数据，包括正常神经节面积、间距，节细胞数量、体积等，这也造成了不同医生、不同医院诊断标准上的严重不一致。另外，在医学成像中，对医学图像的解释大多数都是由医生进行的，受到医生主观性、医生认知巨大差异以及疲劳的限制，也在一定程度上影响着对该类疾病的诊断。因此，本专利拟在肠组织切片H&E染色图像基础上，通过人工智能算法构建一套敏感性和特异性均较高的肠神经元发育异常病理辅助诊断方法。
[0003]深度学习已成为计算机视觉领域中领先的技术工具，深度神经网络学习自动从原始数据(图像)获得中级和高级抽象特征。图像分割是医学图像分析的重要组成部分，特别是准确、鲁棒的医学图像分割可以在计算机辅助诊断和图像引导的临床手术中发挥基石作用。近年来，基于U形结构的深度神经网络已广泛应用于各种医学图像任务中。现有的医学图像分割方法主要依赖U型结构的全卷积神经网络(FCNN)。典型的U型网络，U
‑
Net，由一个具有跳跃连接的对称编码器
‑
解码器组成。在编码器中，采用一系列卷积层和连续降采样层来提取接收感受野的深度特征。然后，解码器将提取的深度特征向上采样到输入分辨率进行像素级语义预测，并通过跳跃连接融合来自编码器的不同尺度的高分辨率特征，以减轻降采样导致的空间信息丢失。但是，尽管CNN取得了出色的性能，但是由于卷积操作的局限
性，它无法很好地学习全局和远程语义信息交互，通常在明确建模远程依赖关系方面显示出局限性。
[0004]医生在工作时，不仅需要识别组织切片H&E图像中黏膜下及肌间是否存在正常神经丛形态，神经丛内是否存在神经节细胞，而且需要判断神经丛内神经节细胞的数量，以及神经节细胞的发育情况等特征。

技术实现思路

[0005]专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种基于Swin
‑
Unet算法的肠神经元发育异常的识别方法，该专利技术能够对肠组织神经丛进行分类和识别，并获取神经丛内神经节细胞的特征，从而辅助医生进行后续工作。
[0006]技术方案：为了实现上述专利技术目的，本专利技术提供了一种基于Swin
‑
Unet算法的肠神经元发育异常的识别方法，包括以下步骤，
[0007]S1，获取肠组织苏木素
‑
伊红染色切片中粘膜下和肌间神经丛的图像，并采集神经丛内的神经节细胞图像并对其进行预处理，作为训练数据集；
[0008]S2，对训练数据集进行数据增强；
[0009]S3，构建图像分割模型；
[0010]S4，利用训练数据集对图像分割模型进行训练；
[0011]S5，构建图像分类模型；
[0012]S6，对训练数据集再次进行预处理；
[0013]S7，利用训练数据集对图像分类模型进行训练；
[0014]S8，利用训练好的图像分割模型和图像分类模型对待检测图像进行分割和分类，实现对肠神经节细胞发育状况的判定。
[0015]进一步的，在本专利技术中：所述预处理包括将图像中与诊断无关且干扰分类训练的区域去除，避免训练中发生过拟合。
[0016]进一步的，在本专利技术中：所述数据增强包括对图像进行等比例缩放，令全图缩放至固定尺寸；对图像进行水平翻转、纵向翻转、多角度旋转。
[0017]进一步的，在本专利技术中：所述图像分割模型基于Swin
‑
Unet网络构建，利用Swin Transformer构建encoder、bottleneck和decoder。
[0018]进一步的，在本专利技术中：所述模型的训练选取损失函数作为评价指标，当损失函数下降较慢并趋于稳定时终止训练。
[0019]进一步的，在本专利技术中：所述图像分类模型基于Swin
‑
Transformer网络构建，包括4个阶段，每个阶段中都是类似的重复单元，通过patch partition将输入图片H*W*3划分为不重合的patch集合，其中每个patch的尺寸为4x4，每个patch的特征维度为4*4*3＝48，patch块的数量为H/4*W/4；stage1部分先通过一个linear embedding将输划分后的patch特征维度变成C，然后送入Swin Transformer Block；阶段2到阶段4操作相同，都是先通过一个patch merging，将输入按照2x2的相邻patches合并。
[0020]进一步的，在本专利技术中：所述肠神经元的发育状况包括六个等级，分别为神经节发育良好，发育尚可，发育稍差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Swin
‑
Unet算法的肠神经元发育异常的识别方法，其特征在于：包括以下步骤，S1，获取肠组织苏木素
‑
伊红染色切片中粘膜下和肌间神经丛的图像，并采集神经丛内的神经节细胞图像并对其进行预处理，作为训练数据集；S2，对训练数据集进行数据增强；S3，构建图像分割模型；S4，利用训练数据集对图像分割模型进行训练；S5，构建图像分类模型；S6，对训练数据集再次进行预处理；S7，利用训练数据集对图像分类模型进行训练；S8，利用训练好的图像分割模型和图像分类模型对待检测图像进行分割和分类，实现对肠神经节细胞发育状况的判定。2.如权利要求1所述的基于Swin
‑
Unet算法的肠神经元发育异常的识别方法，其特征在于：所述预处理包括将图像中与诊断无关且干扰分类训练的区域去除，避免训练中发生过拟合。3.如权利要求1或2所述的基于Swin
‑
Unet算法的肠神经元发育异常的识别方法，其特征在于：所述数据增强包括对图像进行等比例缩放，令全图缩放至固定尺寸；对图像进行水平翻转、纵向翻转、多角度旋转。4.如权利要求3所述的基于Swin
‑
Unet算法的肠神经元发育异常的识别方法，其特征在于：所述图像分割模型基于Swin
‑
Unet网络构建，利用Swin Transforme...

【专利技术属性】
技术研发人员：吴婷，唐杰，曹祯庭，邵虎，郑胜钧，李梦婷，钱新月，韩传富，沈纬，唐维兵，周春雷，武海燕，
申请(专利权)人：南京南数数据运筹科学研究院有限公司南京南数科技有限公司南京市儿童医院中国矿业大学，
类型：发明
国别省市：