一种基于深度学习的颅内肿瘤细胞的分类方法和系统技术方案

本发明专利技术公开了一种基于深度学习的颅内肿瘤细胞的分类方法和系统，包括获取切片的全片扫描病理学图像，通过三步图像预处理方法得到全片扫描病理学图像的小图块，利用预设的基于深度学习的神经网络模型提取小图块的特征，并根据小图块的特征预测图块分类结果，根据图块分类结果，预测颅内肿瘤细胞的类型，通过基于全片扫描病理学图像对颅内肿瘤细胞进行类型预测，有利于辅助医师预测颅内肿瘤细胞以及进行预后方案的制定，提高了医师对颅内肿瘤细胞的分类准确率与工作效率。的分类准确率与工作效率。的分类准确率与工作效率。

【技术实现步骤摘要】
一种基于深度学习的颅内肿瘤细胞的分类方法和系统


[0001]本专利技术涉及图片识别相关
，尤其是涉及一种基于深度学习的颅内肿瘤细胞的分类方法和系统。

技术介绍

[0002]目前，全球有超过30万例患者被新诊断为中枢神经系统肿瘤，其中约25万例患者因患病去世。少突胶质细胞瘤和星形胶质细胞瘤是胶质瘤中最常见的病理类型。中枢神经系统生殖细胞肿瘤是第三常见的中枢神经系统肿瘤，主要在儿童中常见，而颅内生殖细胞瘤(IG)是其最常见的组织学亚型。虽然IG、少突胶质细胞瘤和星形胶质细胞瘤都属于中枢神经系统肿瘤类别并且具有相似的细胞形态，但它们的治疗方案和预后差异很大。IG具有高度的放疗敏感性，治疗方案以全脑放疗加局部推量作为标准治疗。少突胶质细胞瘤和星形胶质细胞瘤首选手术，然后根据肿瘤的分级选择放疗或/和化疗方案。IG患者预后良好，5年总生存率(0S)超过90％，而星形胶质细胞瘤和少突胶质细胞瘤的5年0S率在48％
‑
66％之间。但是，由于误诊导致不必要的IG切除，可能会破坏大脑的神经认知功能，若误诊导致病灶切除不足可能增加复发的风险。
[0003]IG、少突胶质细胞瘤和星形胶质细胞瘤的准确诊断非常重要，其主要基于三种检查：术中冰冻切片(冰冻切片)检查、基于苏木精伊红(HE)染色的肿瘤切片检查和分子检测。分子检测可识别可以通过免疫组化(IHC)和基因测序进行诊断，具有病理分子检测的活检标本被认为是诊断IG、少突胶质细胞瘤和星形胶质细胞瘤的金标准。然而，分子检测既复杂又耗时(通常需要一周以上)，因此无法在术中或术后早期进行分类诊断。临床上，以冰冻切片和HE染色切片为基础的病理检查是较好的诊断方法。冰冻切片在手术过程中可在几分钟内提供良恶性诊断倾向，而HE染色切片出比冰冻切片具有更好的诊断价值，细胞结构更清晰，可在术后3
‑
5个工作日内结合免疫组化获得诊断结论，从而后续方案。因此，IG、少突胶质细胞瘤和星形胶质细胞瘤的术中和术后决策主要依赖于冰冻切片和HE染色切片的病理学诊断。然而由于细胞形态相似，即使是经验丰富的病理学家也无法仅根据冰冻切片和HE染色切片准确区分IG、少突胶质细胞瘤和星形胶质细胞瘤的形态特征。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题。为此，本专利技术提出一种基于深度学习的颅内肿瘤细胞的分类方法和系统，有利于辅助医师预测颅内肿瘤细胞以及进行预后方案的制定，提高了医师对颅内肿瘤细胞的分类准确率与工作效率。
[0005]本专利技术的第一方面，提供了一种基于深度学习的颅内肿瘤细胞的分类方法，包括如下步骤：
[0006]获取切片的全片扫描病理学图像；
[0007]通过三步图像预处理方法得到所述全片扫描病理学图像的小图块；
[0008]利用预设的基于深度学习的神经网络模型提取所述小图块的特征，并根据所述小
图块的特征预测图块分类结果；
[0009]根据所述图块分类结果，预测所述颅内肿瘤细胞的类型。
[0010]根据本专利技术的实施例，至少具有如下技术效果：
[0011]本方法通过获取切片的全片扫描病理学图像，通过三步图像预处理方法得到全片扫描病理学图像的小图块，利用预设的基于深度学习的神经网络模型提取小图块的特征，并根据小图块的特征预测图块分类结果，根据图块分类结果，预测颅内肿瘤细胞的类型，通过基于全片扫描病理学图像对颅内肿瘤细胞进行类型预测，有利于辅助医师预测颅内肿瘤细胞以及进行预后方案的制定，提高了医师对颅内肿瘤细胞的分类准确率与工作效率。
[0012]根据本专利技术的一些实施例，所述切片包括冰冻切片和HE染色切片。
[0013]根据本专利技术的一些实施例，所述通过三步图像预处理方法得到所述全片扫描病理学图像的小图块，包括：
[0014]将所述全片扫描病理学图像转换为灰度图，并以220为阈值分割灰度图上的组织区域；
[0015]将所述组织区域划分为分辨率为0.5微米每像素图块且不重叠的224
×
224图块；
[0016]将所述224
×
224图块输入至预设的基于深度学习的组织切片选择模型中，得到所述基于深度学习的组织切片选择模型输出的全片扫描病理学图像的小图块。
[0017]根据本专利技术的一些实施例，在所述通过三步图像预处理方法得到所述全片扫描病理学图像的小图块之后，还包括步骤：
[0018]将所述小图块随机进行水平翻转、垂直翻转、修改亮度和依据概率P1对图片进行水平翻转中的一个或几个组合的操作。
[0019]根据本专利技术的一些实施例，所述利用预设的基于深度学习的神经网络模型提取所述小图块的特征，并根据所述小图块的特征预测图块分类结果，包括：
[0020]将所述小图块输入改进的resnet18网络模型中，生成特征图A；其中，所述改进的resnet18网络模型是在resnet18网络模型的基础上，删除平均池化层之后的网络部分；
[0021]将所述特征图A输入ARPY网络模型中，输出重点特征的位置信息，所述ARPY网络模型由两个卷积核为3*3的卷积层相连后再连接两个全连接层组成；
[0022]将重点特征对应的组织区域进行剪裁后重设尺寸为224*224，随机遮挡后输入所述改进的resnet18网络模型中，得到特征图B；
[0023]将所述特征图A和所述特征图B进行拼接操作后再依次经过全连接层FC1、概率为P2的Dropout层、全连接层FC2、BN层、全连接层FC3、relu激活函数层、全连接层FC4和softmax函数，预测小图块的特征区域的类别概率值；
[0024]根据所述类别概率值得到图块分类结果。
[0025]根据本专利技术的一些实施例，所述图块分类结果包括颅内生殖细胞瘤图块，少突胶质细胞瘤图块和星形胶质细胞瘤图块。
[0026]根据本专利技术的一些实施例，所述根据所述图块分类结果，预测所述颅内肿瘤细胞的类型，包括：
[0027]通过多数投票法从图块分类结果中预测出所述颅内肿瘤细胞的类型。
[0028]本专利技术的第二方面，提供一种基于深度学习的颅内肿瘤细胞的分类系统，所述一种基于深度学习的颅内肿瘤细胞的分类系统包括：
[0029]数据获取模块，用于获取切片的全片扫描病理学图像；
[0030]数据预处理模块，用于通过三步图像预处理方法得到所述全片扫描病理学图像的小图块；
[0031]图块分类模块，用于利用预设的基于深度学习的神经网络模型提取所述小图块的特征，并根据所述小图块的特征预测图块分类结果；
[0032]类型预测模块，用于根据所述图块分类结果，预测所述颅内肿瘤细胞的类型。
[0033]本系统获取切片的全片扫描病理学图像，通过三步图像预处理方法得到全片扫描病理学图像的小图块，利用预设的基于深度学习的神经网络模型提取小图块的特征，并根据小图块的特征预测图块分类结果，根据图块分类结果，预测颅内肿瘤细胞的类型，通过基于全片扫描病理学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的颅内肿瘤细胞的分类方法，其特征在于，所述基于深度学习的颅内肿瘤细胞的分类方法包括：获取切片的全片扫描病理学图像；通过三步图像预处理方法得到所述全片扫描病理学图像的小图块；利用预设的基于深度学习的神经网络模型提取所述小图块的特征，并根据所述小图块的特征预测图块分类结果；根据所述图块分类结果，预测所述颅内肿瘤细胞的类型。2.根据权利要求1所述的一种基于深度学习的颅内肿瘤细胞的分类方法，其特征在于，所述切片包括冰冻切片和HE染色切片。3.根据权利要求2所述的一种基于深度学习的颅内肿瘤细胞的分类方法，其特征在于，所述通过三步图像预处理方法得到所述全片扫描病理学图像的小图块，包括：将所述全片扫描病理学图像转换为灰度图，并以220为阈值分割灰度图上的组织区域；将所述组织区域划分为分辨率为0.5微米每像素图块且不重叠的224
×
224图块；将所述224
×
224图块输入至预设的基于深度学习的组织切片选择模型中，得到所述基于深度学习的组织切片选择模型输出的全片扫描病理学图像的小图块。4.根据权利要求3所述的一种基于深度学习的颅内肿瘤细胞的分类方法，其特征在于，在所述通过三步图像预处理方法得到所述全片扫描病理学图像的小图块之后，还包括步骤：将所述小图块随机进行水平翻转、垂直翻转、修改亮度和依据概率P1对图片进行水平翻转中的一个或几个组合的操作。5.根据权利要求4所述的一种基于深度学习的颅内肿瘤细胞的分类方法，其特征在于，所述利用预设的基于深度学习的神经网络模型提取所述小图块的特征，并根据所述小图块的特征预测图块分类结果，包括：将所述小图块输入改进的resnet18网络模型中，生成特征图A；其中，所述改进的resnet18网络模型是在resnet18网络模型的基础上，删除平均池化层之后的网络部分；将所述特征图A输入ARPY网络模型中，输出重点特征的位置信息，所述ARPY网络模型由两个卷积核为3*3的卷积层相连后再连接两个全连接层...

【专利技术属性】
技术研发人员：井笛，高欣，石丽婷，
申请(专利权)人：中南大学湘雅医院，
类型：发明
国别省市：