一种基于多分类任务的甲状腺癌检出系统技术方案

本发明专利技术涉及疾病诊断和图像识别技术领域，以人工智能辅助诊断会试，具体提供了基于多分类任务的甲状腺癌检出系统和检测设备。本发明专利技术基于甲状腺癌冰冻切片相关的真实临床应用场景，为研究的真实落地、临床应用和预研工作提供了更大可能性；针对临床真实数据集，本发明专利技术从数据的分布差异性出发，设计了基于ResUNet模型、随机森林、三分类决策树的甲状腺癌高准确率的自动检测和良恶性分类模型。本发明专利技术设计的算法模型面向真实甲状腺癌临床数据集，即包括所有亚型的良恶性病变类型，因而提供了甲状腺癌高准确率的自动检测和良恶性分类模型。腺癌高准确率的自动检测和良恶性分类模型。腺癌高准确率的自动检测和良恶性分类模型。

【技术实现步骤摘要】
一种基于多分类任务的甲状腺癌检出系统


[0001]本专利技术涉及疾病诊断和图像识别
，以人工智能辅助诊断会试，具体提供了基于多分类任务的甲状腺癌检出系统和检测设备。

技术介绍

[0002]近几十年来，世界上多个国家的甲状腺癌发病率逐年上升，例如，在美国，甲状腺癌发病率在恶行肿瘤领域排名第七，且官方评其为女性中重要的新型癌种；2015年，甲状腺癌患病率已在中国女性中升至第五。一般情况下，不断增加的患者数量，对当前紧张的医疗资源也提出了很大的挑战。病理报告始终是甲状腺癌临床诊断和治疗的金标准，且精准的术中冰冻病理报告在患者确诊和治疗过程中具有重要的临床指导意义。然而，当前中国病理医生的床位覆盖率仅有0.55人/100床，面对接近饱和的病理医疗，专业病理医生的临床培养周期通常需要5～10年。
[0003]随着计算机视觉技术在医疗领域的快速发展，越来越多的人工智能技术在临床医疗领域中完全落地，即重复简单的临床工作交给人工智能，专家医生可专注于临床疑难病例和医疗难题的研究。同理，人工智能技术也提供了解决当前病理医生严重短缺问题的可能性。...

【技术保护点】

【技术特征摘要】
1.一种基于多分类任务的甲状腺癌检出训练系统，其特征在于，包括下述模块：模块一：甲状腺冰冻切片数据集模块，用于收集良恶性类型的甲状腺冰冻切片图像的临床真实数据集；模块二：深度学习模型所需的切片级训练集和测试集模块，用于收集切片级训练集和测试集的甲状腺冰冻切片图像数据；模块三：深度学习模块，以由深度学习分割网络ResUNet模型作为深度学习基础模型，用于将成批次送入的训练集对ResUNet模型进行训练，以及用于将成批次送入的验证集用于验证模型是否已经收敛；模块四：甲状腺癌冰冻病理切片推理预测模块，用于实现采用已经收敛的ResUNet模型对甲状腺癌冰冻病理切片进行推理预测，得到恶性病灶是否存在的热图；模块五：预测结果评价模块，采用机器学习模型在切片级别对ResUNet模型的预测结果进行评价；模块六：基于决策树的三分类任务模块，用于提取预测模块所得热图的病灶区域的重要临床特征，分别包括病灶区域的最大面积、最大直径、最大周长和所述热图切片级别的预测概率p；针对预测结果评价模块提到的甲状腺冰冻切片测试集，分别提取现存病理报告中对应临床医生的诊断结果，将其划分为适用三分类决策树的训练集和验证集，并训练决策树中的最大面积参数a、最大直径d、切片预测概率值p、针对切片预测概率值设定的阈值θ；最后，使用上述测试集测试三分类决策树模型的分类结果，其分类结果与病理报告中的临床诊断医生结果进行比较；其中所述三分类分别为：Class 0，表示甲状腺冰冻切片为良性病变，主要包括结节性甲状腺肿和甲状腺纤维钙化结节；Class 1，表示甲状腺冰冻切片为恶性病变，包括甲状腺乳头状癌；Class 2，表示人工智能模型难以准确检测出恶性病变的甲状腺冰冻切片类型，包括甲状腺滤泡癌、髓样癌和其他深度学习模型难以识别的冰冻切片；其三分类标准以切片预测概率值p为基础。当p＞0.5时，如果p＞θ，判断为Class 1；如果p≤θ，则判定为Class 2。当p≤0.5时，如果病灶最大面积＞a，则判定为Class 2；如果病灶最大面积≤a，且病灶最大直径＞d，则判定为Class 2，而病灶最大直径≤d，则进一步地判断，如果病灶最大周长＞p，则判定为Class 2，但如病灶最大周长≤p，则判定为Class 0。2.如权利要求1所述的基于多分类任务的甲状腺癌检出训练系统，其特征在于，模块一中，使用数字扫描仪采集包括所有良恶性类型的甲状腺冰冻切片图像数据；所需数据集的原则是接受临床所有的甲状腺冰冻切片图像，包括占比较少的甲状腺良/恶性种类切片图像，具体包括甲状腺乳头状癌、甲状腺滤泡癌、髓样癌、腺瘤样病变、结节性甲状腺肿、甲状腺纤维钙化结节所有亚型的甲状腺冰冻切片图像。3.如权利要求1所述的基于多分类任务的甲状腺癌检出训练系统，其特征在于，模块二中，所述甲状腺冰冻切片图像数据，包括随机选取例如乳头状癌甲状腺冰冻切片图像和结节性甲状腺肿冰冻切片图像构成切片级别的训练集，随机选取例如乳头状癌甲状腺冰冻切片和结节性甲状腺肿冰冻切片构成切片级别的验证集，其他甲状腺冰冻切片图像构成切片级别的测试集；优选地，针对恶性病变的甲状腺冰冻切片，由专家医生对病灶位置进行准确标注；优选地，将切片图像分割为小图(例如随机截取分辨率为256
×
256的小图，记为正样本，从绿色非蓝色区域随机截取分辨率为256
×
256的小图，记为负样本，所有小图正负样本
构成ResUNet模型的训练集；同理从切片级验证集中构建ResUNet模型的小图级别验证集。4.如权利要求1所述的基于多分类任务的甲状腺癌检出训练系统，其特征在于，模块...

【专利技术属性】
技术研发人员：鲁海珍，孙丰龙，马建辉，陈灿灿，郭强，祝心怡，
申请(专利权)人：中国医学科学院肿瘤医院，
类型：发明
国别省市：