数字病理图像块良恶性分类方法及系统技术方案

本发明专利技术涉及医疗图像技术领域，提供一种数字病理图像块良恶性分类方法及系统，首先对数字病理切片进行预处理，得到有对应标签图像块和无对应标签图像块；将所述有对应标签图像块进行分组，得到训练集图像块、验证集图像块和测试集图像块，并对所述的训练集图像块进行数据增强；构建深度学习模型，对深度学习模型进行训练，训练收敛后保存模型得到收敛模型；根据所述的收敛模型进行迭代训练，训练收敛后保存模型；在所述验证集图像块中的评价标准无较大波动时，则保存最终模型；将所述测试集图像块输入到所述最终模型，并对最终模型的输出进行运算，得到数字病理图像块良恶性分类结果。本发明专利技术大大提高分类方法的精度和效率，保证其有效性和准确性。有效性和准确性。有效性和准确性。

【技术实现步骤摘要】
数字病理图像块良恶性分类方法及系统


[0001]本专利技术涉及医疗图像
，更具体的说，特别涉及一种数字病理图像块良恶性分类方法及系统。

技术介绍

[0002]病理切片分析被医学界公认为癌症诊断的金标准，许多病人的临床诊断必须通过细胞形态性及组织病理学检查才能得到最终确认，包括各类肿瘤性疾病的区域、良恶性质、分期、分型等，从而为临床选择正确治疗方案、术后诊断提供依据。目前对癌症的诊断需要医生对病理切片进行反复检查，非常消耗时间和精力。因此，计算机辅助诊断方法在数字病理领域具有非常重要的临床意义。

技术实现思路

[0003]本专利技术的目的在于针对现有技术存在的技术问题，提供一种数字病理图像块良恶性分类方法及系统，能够提高分类的准确性，使得深度学习模型在迭代学习的过程中性能逐渐提升。
[0004]为了解决以上提出的问题，本专利技术采用的技术方案为：
[0005]第一方面，本专利技术提供一种数字病理图像块良恶性分类方法，该方法具体步骤包括如下：
[0006]对数字病理切片进行预处理，得到数字病理图像块，包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数字病理图像块良恶性分类方法，其特征在于：该方法具体步骤包括如下：对数字病理切片进行预处理，得到数字病理图像块，包括有对应标签图像块和无对应标签图像块；将所述有对应标签图像块进行分组，得到训练集图像块、验证集图像块和测试集图像块，并对所述的训练集图像块进行数据增强；构建深度学习模型，并对深度学习模型进行训练，训练收敛后保存模型得到收敛模型；根据所述的收敛模型进行迭代训练，训练收敛后保存模型；在所述验证集图像块中的评价标准无较大波动时，则保存最终模型；将所述测试集图像块输入到所述最终模型，并对最终模型的输出进行运算，得到数字病理图像块良恶性分类结果。2.根据权利要求1所述的数字病理图像块良恶性分类方法，其特征在于：所述对数字病理切片预处理的过程包括如下：采用图像分割的方法分割出所述数字病理切片的前景和背景；采用滑动窗口对所述分离出的前景进行切分，得到数字病理图像块，并将所述滑动窗口在标注框内的图像块记为有对应标签图像块，在标注框外的图像块记为无对应标签图像块。3.据权利要求1所述的数字病理图像块良恶性分类方法，其特征在于：所述深度学习模型的训练过程包括如下：初始化所述深度学习模型的参数；将所述训练集图像块中的图像块及其对应的标签，输入至所述的深度学习模型，得到深度学习模型输出的预测值；根据所述预测值计算得到深度学习模型的损失函数：根据所述损失函数和反向传播算法确定所述深度学习模型参数的梯度，并利用预设的RAdam优化器更新所述深度学习模型的参数。4.据权利要求1所述的数字病理图像块良恶性分类方法，其特征在于：所述迭代训练过程包括如下：根据所述的收敛模型对无对应标签图像块进行预测，得到伪标签；其中伪标签采用软标签方法进行预测；将无对应标签图像块及其对应的伪标签，加入到所述训练集图像块得到新训练集图像块；将所述的新训练集图像块中的图像块及...

【专利技术属性】
技术研发人员：魏军，钱东东，何一凡，
申请(专利权)人：广州柏视医疗科技有限公司，
类型：发明
国别省市：