卷积神经网络模型、病理图像的识别系统、方法、设备及介质技术方案

本申请提供了一种卷积神经网络模型、病理图像的识别系统、方法、设备及介质，其中，卷积神经网络模型，所述卷积神经网络模型至少包括依次连接的第一模块、第二模块、第三模块、第四模块、第五模块和第六模块；所述第一模块，用于对接收到的目标特征图的通道数进行降值处理；所述第二模块和所述第三模块，分别依次用于对降值处理后的通道数进行第一转换，并对所述目标特征图的尺寸进行降维处理；所述第四模块，用于基于所述第一转换后的通道数进行第二转换；所述第五模块，用于获取所述第二转换后每个通道平面的特征向量；所述第六模块，用于根据所述特征向量输出分类结果。据所述特征向量输出分类结果。据所述特征向量输出分类结果。

【技术实现步骤摘要】
卷积神经网络模型、病理图像的识别系统、方法、设备及介质


[0001]本申请涉及信息
，尤其涉及一种卷积神经网络模型、病理图像的识别系统、方法、设备及介质。

技术介绍

[0002]病理诊断是肿瘤诊断的金标准，病理诊断一般需要通过显微镜观察细胞的病理组织切片的成像，以确定病变组织的类型、排列方式、分化程度、细胞学类型或者是组织学来源、手术切缘的情况以及淋巴结有没有转移，血管里面有没有癌栓，有没有侵犯神经等等。
[0003]相关技术中，病理医生需要结合整个病理图像进行微观特征和宏观特征的识别，才能进一步根据识别结果得到肿瘤诊断的结论。而伴随着人工智能相关技术的迅猛发展，利用卷积神经网络模型对病理图像进行特征识别已成为可能，卷积神经网络和病理图像的结合势必可以显著提升病理医生的工作效率。
[0004]然而，专利技术人发现相关技术中至少存在如下技术问题：对于病理图像等需要结合微观特征和宏观特征进行综合识别的图像，无法使用已有的卷积神经网络模型进行识别。

技术实现思路

[0005]本申请的一个目的是提供一种卷积神经网络模型、病理图像的识别系统、方法、设备及介质，至少用以解决相关技术中无法使用已有的卷积神经网络模型进行识别的技术问题。
[0006]为实现上述目的，本申请的一些实施例提供了一种卷积神经网络模型，所述卷积神经网络模型至少包括依次连接的第一模块、第二模块、第三模块、第四模块、第五模块和第六模块；所述第一模块，用于对接收到的目标特征图的通道数进行降值处理；所述第二模块和所述第三模块，分别依次用于对降值处理后的通道数进行第一转换，并对所述目标特征图的尺寸进行降维处理；所述第四模块，用于基于所述第一转换后的通道数进行第二转换；所述第五模块，用于获取所述第二转换后每个通道平面的特征向量；所述第六模块，用于根据所述特征向量输出分类结果。
[0007]本申请的一些实施例还提供了一种病理图像的识别系统，所述系统包括图像切分单元、特征提取单元、图像特征生成单元和图像输入单元；所述图像切分单元，用于将所述病理图像切分为若干病理图像块；所述特征提取单元，用于提取所述病理图像块的病理特征；所述图像特征生成单元，用于根据所述病理特征生成与所述病理图像对应的病理特征图；所述图像输入单元，用于将所述病理特征图输入至预先训练好的如上任意一项所述的卷积神经网络模型，以使所述卷积神经网络模型对所述病理特征图进行特征识别，得到识别结果。
[0008]本申请的一些实施例还提供了一种病理图像的识别方法，应用于如上所述的系统，所述方法包括：将所述病理图像切分为若干病理图像块；提取所述病理图像块的病理特征；根据所述病理特征生成与所述病理图像对应的病理特征图；将所述病理特征图输入至
预先训练好的如上任意一项所述的卷积神经网络模型，以使所述卷积神经网络模型对所述病理特征图进行特征识别，得到识别结果。
[0009]本申请的一些实施例还提供了一种电子设备，所述设备包括：一个或多个处理器；以及存储有计算机程序指令的存储器，所述计算机程序指令在被执行时使所述处理器执行如上所述的方法。
[0010]本申请的一些实施例还提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令可被处理器执行以实现如上所述的方法。
[0011]相较于现有技术，本申请实施例提供的卷积神经网络模型，可以适应对需要考量图像中微观因素和宏观因素的目标图像进行预处理后得到的目标特征图进行处理，重新设计了所述卷积神经网络模型的具体结构。
附图说明
[0012]图1为本申请实施例提供的一种卷积神经网络模型的结构示意图；
[0013]图2为本申请实施例提供的另一种卷积神经网络模型的结构示意图；
[0014]图3为本申请实施例提供的一种卷积模组的处理流程图；
[0015]图4为本申请实施例提供的一种卷积块的处理流程图；
[0016]图5为本申请实施例提供的一种下降卷积块的处理流程图；
[0017]图6为本申请实施例提供的一种将所述病理图像切分为若干病理图像块的示意图；
[0018]图7为本申请实施例提供的一种病理图像的识别方法的流程图；
[0019]图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0020]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0021]在本文中使用以下术语，见表1。
[0022][0023][0024]表1
[0025]实施例一
[0026]本申请实施例提供了一种卷积神经网络模型，所述卷积神经网络模型至少包括依
次连接的第一模块、第二模块、第三模块、第四模块、第五模块和第六模块，如图1所示。
[0027]所述第一模块，用于对接收到的目标特征图的通道数进行降值处理；
[0028]所述第二模块和所述第三模块，分别依次用于对降值处理后的通道数进行第一转换，并对所述目标特征图的尺寸进行降维处理；
[0029]所述第四模块，用于基于所述第一转换后的通道数进行第二转换；
[0030]所述第五模块，用于获取所述第二转换后每个通道平面的特征向量；
[0031]所述第六模块，用于根据所述特征向量输出分类结果。
[0032]具体地说，所述目标特征图具体为：对需要考量图像中微观因素和宏观因素的目标图像进行预处理后得到的目标特征图。在一些例子中，所述预处理可以包括：将所述目标图像切分为若干图像块，提取所述图像块的特征向量，根据所述特征向量生成与所述目标图像对应的目标特征图。进一步地，所述根据所述特征向量生成与所述目标图像对应的目标特征图可以包括：获取所述图像块的特征长度，根据所述图像块的特征向量和所述特征长度进行拼接，生成与目标图像对应的目标特征图。其中，该目标特征图与相关技术中的普通的卷积神经网络模型能够处理的图像相比，具有更大的通道值且具有更小的尺寸。其他关于所述目标特征图的具体描述可以参见实施例三的描述，此处不作过多赘述。
[0033]可以理解，相关技术中，由于目标图像属于巨图，会占用较大的内存，比如病理图像需要占用较大的内存，其一般在几百兆字节(MB)以上，甚至几个吉字节(G)。如果一次性把目标图像对应的样本图像整张输入至卷积神经网络模型，普通GPU显存容量则会远远不足，因此在计算机工程上无法进行卷积神经网络模型的训练和学习；假如把整个样本图像切分为若干样本图像块后进行各自独立地学习，由于未考虑到各样本图像块之间的关联关系，缺乏对整个样本图像的宏观考量，会导致得到“只见树木，不见森林”的狭隘结论。因此，如果使用相关技术中已有的卷积神经网络模型对病理图像进行特征识别的准确性较低。而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卷积神经网络模型，所述卷积神经网络模型至少包括依次连接的第一模块、第二模块、第三模块、第四模块、第五模块和第六模块；所述第一模块，用于对接收到的目标特征图的通道数进行降值处理；所述第二模块和所述第三模块，分别依次用于对降值处理后的通道数进行第一转换，并对所述目标特征图的尺寸进行降维处理；所述第四模块，用于基于所述第一转换后的通道数进行第二转换；所述第五模块，用于获取所述第二转换后每个通道平面的特征向量；所述第六模块，用于根据所述特征向量输出分类结果。2.根据权利要求1所述的卷积神经网络模型，其特征在于，所述第一模块包括卷积运算层、归一化层和非线性激活函数层；所述第二模块和所述第三模块分别包括卷积模组和下降卷积块；所述第四模块包括所述卷积模组、所述归一化层和所述非线性激活函数层；所述第五模块包括全局最大池化层和全连接层；所述第六模块为分类器。3.根据权利要求2所述的卷积神经网络模型，其特征在于，所述卷积模组包括卷积块和特征通道拼接模块；所述卷积块包括依次连接的所述归一化层、所述非线性激活函数层和所述二维卷积运算层。4.根据权利要求2所述的卷积神经网络模型，其特征在于，所述下降卷积块包括依次连接的所述归一化层、所述二维卷积运算层和平均池化层。5.一种病理图像的识别系统，其特征在于，所述系统包括图像切分单元、特征提取单元、图像特征生成单元和图像输入单元；所述图像切分单元，用于将所述病理图像切分...

【专利技术属性】
技术研发人员：严庆兵，朱宏彬，刘超，
申请(专利权)人：上海鸢理冠智能科技有限公司，
类型：发明
国别省市：