一种基于注意力机制的前列腺癌分级诊断系统技术方案

本发明专利技术涉及医疗影像领域，本发明专利技术一种基于注意力机制的前列腺癌分级诊断系统，包括以下步骤：公开了采集1000位病人病理图数据，为确保图片标注的准确性，由三甲医院的三名影像科医生进行标注，并对有争议的图片进行复议；1000张图片按照60％：20％：20％划分训练集，验证集和测试集。本发明专利技术提出的前列腺癌自动分级诊断系统，能够实现前列腺癌的自动分级诊断，可以极大节省人力，同时具有较高的准确率，并且通过结合注意力机制，进一步提升了判断的准确性，通过大量实验验证了本专利方法的可行性和有效性，同时该系统的提出在医学领域上也具有重要的意义。有重要的意义。有重要的意义。

【技术实现步骤摘要】
一种基于注意力机制的前列腺癌分级诊断系统


[0001]本专利技术涉及医疗影像领域，特别涉及一种基于注意力机制的前列腺癌分级诊断系统。

技术介绍

[0002]每年全世界有超过100万新增前列腺癌确诊病例以及35万死亡病例，前列腺癌已成为威胁男性生命健康的第二大杀手。前列腺癌是一种进展特别缓慢的癌症，前期无明显的症状，早期很难发现。因此，研发一个准确并且快速的诊断系统对减少前列腺癌死亡率尤为关键。
[0003]目前，前列腺癌的恶性程度判断来自于前列腺组织活检的等级，这些组织样本由病理学家检查，并根据格里森(Gleason)评分规则进行评分。格里森评分(Gleason grade)是判断前列腺癌患者“风险分级”的一个关键要素。通过在显微镜下观察组织切片，依据癌细胞与正常前列腺细胞的相似度对癌细胞进行评分。评分系统包含：癌细胞组织检测和细胞组织格里森模式分级两大模块。为活检细胞进行格里森评分后，将其转换为ISUP评分。格里森评分和ISUP评分对应关系如下表所示：
[0004]Gleason score 6＝ISUP grade 1
[0005]Gleason score 7(3+4)＝ISUP grade 2
[0006]Gleason score 7(4+3)＝ISUP grade 3
[0007]Gleason score 8＝ISUP grade 4
[0008]Gleason score 9
‑
10＝ISUP grade 5
[0009]格里森分级是前列腺癌最重要的预后指标，而ISUP分级则是用来指导患者如何治疗。由于这种基于影像分析的诊断模式完全依赖于医疗资源的分配和供给关系，在一些医疗资源薄弱的地区，医生数量严重不足，同时影像诊断依赖于人的知识以及经验，分析结果可能多变且不准确。

技术实现思路

[0010]本专利技术要解决的技术问题是克服现有技术的缺陷，提供一种基于注意力机制的前列腺癌分级诊断系统。
[0011]本专利技术提供了如下的技术方案：
[0012]本专利技术提供一种基于注意力机制的前列腺癌分级诊断系统，包括以下步骤：
[0013](1)采集1000位病人病理图数据，为确保图片标注的准确性，由三甲医院的三名影像科医生进行标注，并对有争议的图片进行复议；1000张图片按照60％：20％：20％划分训练集，验证集和测试集；
[0014](2)包含数据增强和数据预处理过程，准备的tiff格式的前列腺核磁共振图片可读取三个维度，因为第一维度和第三维度的图片尺寸分别过大和过小，所以选择大小适中的第二维度的图片用于模型训练；对原始图像进行像素梯度权重计算，得到对应的梯度权
重图；对以上求得的梯度权重图进行封闭区域的腐蚀膨胀操作，去除图像中的噪声；为了更高效地使神经网络学习到有效的细胞核信息，使用一个128*128的滑动窗口遍历整张病理图，并计算每个滑动窗口内的像素值，并进行排序，选取top k张图拼接成一个k张图拼接成一个的矩形，其中k为超参，通过实验选取；神经网络的输入尺寸为512*512，并且在训练集上通过随机旋转(0
°
，90
°
，180
°
，270
°
)和随机翻转进行数据增强；
[0015](3)在神经网络的训练过程中，数据分批次输入网络，在神经网络的每一次迭代中，本方案通过注意力网络来产生病变候选区域的灰度图。
[0016]与现有技术相比，本专利技术的有益效果如下：
[0017]本专利技术提出的前列腺癌自动分级诊断系统，能够实现前列腺癌的自动分级诊断，可以极大节省人力，同时具有较高的准确率，并且通过结合注意力机制，进一步提升了判断的准确性，通过大量实验验证了本专利方法的可行性和有效性，同时该系统的提出在医学领域上也具有重要的意义。
附图说明
[0018]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0019]图1是前列腺癌示意图；
[0020]图2是格里森评分系统全过程示意图；
[0021]图3是病理图原图(左)和去除冗余空白后的病理拼接图(右)的对比示意图；
[0022]图4是注意力机制SE模块示意图；
[0023]图5含有注意力机制SE模块的残差神经网络结构图。
具体实施方式
[0024]以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0025]实施例1
[0026]如图1至5所示，本专利技术一种基于注意力机制的前列腺癌分级诊断系统，包括以下步骤：
[0027](1)采集1000位病人病理图数据，为确保图片标注的准确性，由三甲医院的三名影像科医生进行标注，并对有争议的图片进行复议。1000张图片按照60％：20％：20％划分训练集，验证集和测试集；
[0028](2)包含数据增强和数据预处理过程，在步骤(1)中准备的tiff格式的前列腺核磁共振图片可读取三个维度，因为第一维度和第三维度的图片尺寸分别过大和过小，所以我们选择了大小适中的第二维度的图片用于模型训练。对原始图像进行像素梯度权重计算，得到对应的梯度权重图。对以上求得的梯度权重图进行封闭区域的腐蚀膨胀操作，去除图像中的噪声。图3中，左图为一张前列腺病理图的全图，可以看出其中有大量的空白部分，有效的细胞核信息占比较小。为了更高效地使神经网络学习到有效的细胞核信息，使用一个128*128的滑动窗口遍历整张病理图，并计算每个滑动窗口内的像素值，并进行排序，选取
top k张图拼接成一个的矩形，其中k为超参，通过实验选取。图3中，右图为去除冗余空白后的病理拼接图。
[0029]本专利中，神经网络的输入尺寸为512*512，并且在训练集上通过随机旋转(0
°
，90
°
，180
°
，270
°
)和随机翻转进行数据增强。
[0030]在神经网络的训练过程中，数据分批次输入网络，在神经网络的每一次迭代中，本专利提出了通过注意力网络来产生病变候选区域的灰度图。图四为注意力机制具体示例，其中包含Squeeze，Excitation和Reweight三个模块。
[0031]具体的：给定一个输入x，其特征通道数为c，通过一系列卷积等一般变换后得到一个特征通道数为c的特征图。Squeeze模块：通过对特征的空间维度进行特征压缩，将每个二维的特征通道变成一个实数，这样设计可以使特征获得全局的感受野，同时该模块需要控制输出的维度和输入的特征通道数相匹配。Excitation模块：为了获得特征通道间的相关性，采用为每个特征通道生成一个权重的方式来为每个特征通道分配重要程度(权重越大代表特征越重要)。Reweight模块：将Excitation模块输出的权本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的前列腺癌分级诊断系统，其特征在于，包括以下步骤：(1)采集1000位病人病理图数据，为确保图片标注的准确性，由三甲医院的三名影像科医生进行标注，并对有争议的图片进行复议；1000张图片按照60％：20％：20％划分训练集，验证集和测试集；(2)包含数据增强和数据预处理过程，准备的tiff格式的前列腺核磁共振图片可读取三个维度，因为第一维度和第三维度的图片尺寸分别过大和过小，所以选择大小适中的第二维度的图片用于模型训练；对原始图像进行像素梯度权重计算，得到对应的梯度权重图；对以上求得的梯度权重图进行封闭区域的腐蚀膨胀操作，去除图像中的噪声；为了更高效...

【专利技术属性】
技术研发人员：张帅，谢巍盛，徐小龙，方徐伟，
申请(专利权)人：天翼电子商务有限公司，
类型：发明
国别省市：