【技术实现步骤摘要】
一种人工智能的辅助阅片方法及系统
[0001]本专利技术涉及人工智能辅助诊断
，具体涉及一种人工智能的辅助阅片方法及系统。
技术介绍
[0002]人工智能阅片，也称AI阅片，是针对病理切片图像采用对应于特定疾病的人工智能模型进行图像处理、辅助诊断的技术方案。
[0003]现有技术中，已存在有应用人工智能技术辅助医生进行影像诊断的技术方案。该类技术方案通常是针对医生的阅片需求，比如针对病灶区域等进行模型训练，随后采用训练好的模型对输入的图像进行识别，直接生成预测结果或者是对病灶区域进行分割、提取等。
[0004]但是，在实际实施过程中，专利技术人发现，该类技术方案在实施时由于是预先设定了通过某种规则进行阅片，比如由人工智能模型直接生成诊断结果、由人工智能模型进行病灶分割再进行人工识别等，但在实际操作时容易因为制片操作不同导致最终成像的颜色，性状产生变化，且这些变化所导致的图像特征的改变有时人眼并不能有效观测到，这便使得人工智能模型的识别结果与人工识别结果不完全一致，导致了最终识别的结果可能出现偏差。
技术实现思路
[0005]针对现有技术中存在的上述问题，现提供一种人工智能的辅助阅片方法；另一方面，还提供用于实施该辅助阅片方法的辅助阅片系统。
[0006]具体技术方案如下：
[0007]一种人工智能的辅助阅片方法，包括：
[0008]步骤S1：对待识别玻片采集数字病理图像；
[0009]步骤S2：对所述数字病理图像进行预识别以得到预识别评分；>[0010]步骤S3：判断所述预识别评分是否大于预设的评分阈值；
[0011]若是，转向步骤S4；
[0012]若否，转向步骤S5；
[0013]步骤S4：采用第一标注方法对所述数字病理图像进行标注随后转送至医生进行阅片；
[0014]步骤S5：采用第二标注方法对所述数字病理图像进行标注随后转送至所述医生进行阅片。
[0015]另一方面，所述步骤S2包括：
[0016]步骤S21：对所述数字病理图像进行滑窗分割得到多个图像块；
[0017]步骤S22：对所有的所述图像块依次进行特征识别得到多个对应于疑似阳性细胞的标注框，以及对应于所述标注框的预测分数；
[0018]步骤S23：对所有的所述预测分数进行处理以得到所述预识别评分。
[0019]另一方面，所述步骤S4包括：
[0020]步骤S41：获取所有的所述标注框对应于所述标注框的预测分数；
[0021]步骤S42：依照所述预测分数的大小由高至低对所述标注框进行排序；
[0022]步骤S43：依照排序结果和预先设置的第一抽取数量选取所述标注框，并依照所述标注框在所述数字病理图像上生成实际阅片标注；
[0023]步骤S44：向所述医生发送具有所述实际阅片标注的所述数字病理图像。
[0024]另一方面，所述步骤S5包括：
[0025]步骤S51：获取所有的所述标注框对应于所述标注框的预测分数；
[0026]步骤S42：依照所述预测分数的大小由高至低对所述标注框进行排序；
[0027]步骤S43：依照排序结果和预先设置的第二抽取数量选取所述标注框，并依照所述标注框在所述数字病理图像上生成实际阅片标注；
[0028]步骤S44：向所述医生发送具有所述实际阅片标注的所述数字病理图像。
[0029]另一方面，所述步骤S2中，采用预先训练的细胞识别模型对所述图像块进行识别以得到所述标注框和所述预测分数；
[0030]所述细胞识别模型包括：
[0031]输入层，所述输入层获取所述数字病理图像并对所述数字病理图像进行处理得到增强图像；
[0032]分片层，所述分片层连接所述输入层，所述分片层将所述增强图像拆分成第一切片图像、第二切片图像和第三切片图像；
[0033]特征融合层，所述特征融合层连接所述分片层，所述特征融合层对所述第一切片图像、所述第二切片图像和所述第三切片图像分别进行特征融合处理以得到第一特征融合结果、第二特征融合结果和第三特征融合结果；
[0034]预测层，所述预测层连接所述特征融合层，所述预测层根据所述第一特征融合结果、所述第二特征融合结果和所述第三特征融合结果生成所述标注框以及所述标注框的置信度；
[0035]所述置信度作为所述预测评分输出。
[0036]一种人工智能的辅助阅片系统，用于实施上述的辅助阅片方法，包括：
[0037]图像采集模块，所述图像采集模块对待识别玻片采集数字病理图像；
[0038]预识别模块，所述预识别模块连接所述图像采集模块，所述预识别模块对所述数字病理图像进行预识别以得到预识别评分；
[0039]判别模块，所述判别模块连接所述预识别模块，所述判别模块根据所述预识别评分和预设的评分阈值判断需要采用的标注方法；
[0040]第一标注模块，所述第一标注模块连接所述判别模块，所述第一标注模块获取所述数字病理图像并采用第一标注方法对所述数字病理图像进行标注随后转送至医生进行阅片；
[0041]第二标注模块，所述第二标注模块连接所述判别模块，所述第二标注模块获取所述数字病理图像并采用第二标注方法对所述数字病理图像进行标注随后转送至医生进行阅片。
[0042]另一方面，所述预识别模块包括：
[0043]滑窗模块，所述滑窗模块对所述数字病理图像进行滑窗分割得到多个图像块；
[0044]识别模块，所述识别模块连接所述滑窗模块，所述识别模块对所有的所述图像块依次进行特征识别得到多个对应于疑似阳性细胞的标注框，以及对应于所述标注框的预测分数；
[0045]评分生成模块，所述评分生成模块连接所述识别模块，所述评分生成模块对所有的所述预测分数进行处理以得到所述预识别评分。
[0046]另一方面，所述第一标注模块包括：
[0047]第一标注获取模块，所述第一标注获取模块获取所有的所述标注框对应于所述标注框的预测分数；
[0048]第一排序模块，所述第一排序模块连接所述第一标注获取模块，所述第一排序模块依照所述预测分数的大小由高至低对所述标注框进行排序；
[0049]第一标注生成模块，所述第一标注生成模块连接所述第一排序模块，所述第一标注生成模块依照排序结果和预先设置的第一抽取数量选取所述标注框，并依照所述标注框在所述数字病理图像上生成实际阅片标注；
[0050]第一转发模块，所述第一转发模块连接所述第一标注生成模块，所述第一转发模块向所述医生发送具有所述实际阅片标注的所述数字病理图像。
[0051]另一方面，所述第二标注模块包括：
[0052]第二标注获取模块，所述第二标注获取模块获取所有的所述标注框对应于所述标注框的预测分数；
[0053]第二排序模块，所述第二排序模块连接所述第二标注获取模块，所述第二排序模块依照所述预测分数的大小由高至低对所述标注框进本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种人工智能的辅助阅片方法，其特征在于，包括：步骤S1：对待识别玻片采集数字病理图像；步骤S2：对所述数字病理图像进行预识别以得到预识别评分；步骤S3：判断所述预识别评分是否大于预设的评分阈值；若是，转向步骤S4；若否，转向步骤S5；步骤S4：采用第一标注方法对所述数字病理图像进行标注随后转送至医生进行阅片；步骤S5：采用第二标注方法对所述数字病理图像进行标注随后转送至所述医生进行阅片。2.根据权利要求1所述的辅助阅片方法，其特征在于，所述步骤S2包括：步骤S21：对所述数字病理图像进行滑窗分割得到多个图像块；步骤S22：对所有的所述图像块依次进行特征识别得到多个对应于疑似阳性细胞的标注框，以及对应于所述标注框的预测分数；步骤S23：对所有的所述预测分数进行处理以得到所述预识别评分。3.根据权利要求2所述的辅助阅片方法，其特征在于，所述步骤S4包括：步骤S41：获取所有的所述标注框对应于所述标注框的预测分数；步骤S42：依照所述预测分数的大小由高至低对所述标注框进行排序；步骤S43：依照排序结果和预先设置的第一抽取数量选取所述标注框，并依照所述标注框在所述数字病理图像上生成实际阅片标注；步骤S44：向所述医生发送具有所述实际阅片标注的所述数字病理图像。4.根据权利要求2所述的辅助阅片方法，其特征在于，所述步骤S5包括：步骤S51：获取所有的所述标注框对应于所述标注框的预测分数；步骤S42：依照所述预测分数的大小由高至低对所述标注框进行排序；步骤S43：依照排序结果和预先设置的第二抽取数量选取所述标注框，并依照所述标注框在所述数字病理图像上生成实际阅片标注；步骤S44：向所述医生发送具有所述实际阅片标注的所述数字病理图像。5.根据权利要求2所述的辅助阅片方法，其特征在于，所述步骤S2中，采用预先训练的细胞识别模型对所述图像块进行识别以得到所述标注框和所述预测分数；所述细胞识别模型包括：输入层，所述输入层获取所述数字病理图像并对所述数字病理图像进行处理得到增强图像；分片层，所述分片层连接所述输入层，所述分片层将所述增强图像拆分成第一切片图像、第二切片图像和第三切片图像；特征融合层，所述特征融合层连接所述分片层，所述特征融合层对所述第一切片图像、所述第二切片图像和所述第三切片图像分别进行特征融合处理以得到第一特征融合结果、第二特征融合结果和第三特征融合结果；预测层，所述预测层连接所述特征融合层，所述预测层根据所述第一特征融合结果、所述第二特征融合结果和所述第三特征融合结果生成所述标注框以及所述标注框的置信度；所述置信度作为所述预测评分输出。
6.一种人工智能的辅助阅片系统，其特征在于，用于实施如权利要求1<...
【专利技术属性】
技术研发人员：王晓梅，章万韩，
申请(专利权)人：杭州医策科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。