一种基于深度学习的FCDⅡ型病理特征测量方法技术

本发明专利技术公开了一种基于深度学习的FCDⅡ型病理特征测量方法，属于FCD II型病理特征测量领域，该方法包括获取并根据FCD II型的病理样本，利用抗波形蛋白抗体进行免疫组化染色，得到病理全切片图像；根据染色程度和病变细胞数量，将病理全切片图像划分为数量相等的四组，得到训练数据集；利用训练数据集对UNet++分割网络模型进行训练，得到病变细胞检测模型；利用病变细胞检测模型对获取的待测病理切片进行检测，得到检测结果；对检测结果进行可视化操作，并计算得到病变细胞数量和病变细胞密度，完成病理特征测量。本发明专利技术解决了现有的FCDⅡ型病理特征测量准确度低和耗时长的问题。型病理特征测量准确度低和耗时长的问题。型病理特征测量准确度低和耗时长的问题。

【技术实现步骤摘要】
一种基于深度学习的FCDⅡ型病理特征测量方法


[0001]本专利技术属于FCD II型病理特征测量领域，尤其涉及一种基于深度学习的FCDⅡ型病理特征测量方法。

技术介绍

[0002]局灶性皮质发育不良(Focal Cortical Dysplasia,FCD)是一种以皮层分层紊乱为特征的局灶性发育脑畸形，常伴有异常病变细胞。自1971年由David Taylor提出以来，FCD一直是药物难治性癫痫病因研究的重点之一。目前FCD II型是根据皮白质结构和细胞结构的病理改变进行确诊。病变细胞检测计数、定量病变细胞密度等病理特征测量研究有很大的潜力，有助于发现特异的病理标志物，从而判断FCD II型的病理改变。而高效精确的病理特征测量，可作为了解疾病进展和神经病理学的基础，为疾病机制提供指导和见解。
[0003]对于FCD II型的病理特征测量，既往研究多采用人工视觉测量和图像处理测量的方法。使用人工视觉测量过于耗时耗力，效率低，存在疏漏隐患。而现有的图像处理方法与视觉测量相比准确度偏低。这些测量方法的误差会影响发病区和非发病区病变细胞密度的比较，进而影响医生对FCD的诊断。因此对于大样本的病理切片细胞识别，基于深度学习的病理特征测量具有显著的优越性。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种基于深度学习的FCDⅡ型病理特征测量方法解决了现有的FCDⅡ型病理特征测量准确度低和耗时长的问题。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于深度学习的FCDⅡ型病理特征测量方法，包括以下步骤：
[0006]S1、获取FCD II型的病理样本，并根据FCD II型的病理样本，利用抗波形蛋白抗体进行免疫组化染色，得到病理全切片图像；
[0007]S2、根据染色程度和病变细胞数量，将病理全切片图像划分为数量相等的四组，得到训练数据集；
[0008]S3、利用训练数据集对UNet++分割网络模型进行训练，得到病变细胞检测模型；
[0009]S4、获取待测病理切片，并利用病变细胞检测模型对待测病理切片进行检测，得到检测结果；
[0010]S5、对检测结果进行可视化操作，并计算得到病变细胞数量和病变细胞密度，完成病理特征测量。
[0011]本专利技术的有益效果为：本专利技术在对病理切片进行切割过程中使用最大类间方差法进行细胞组织检测，减少了无用图像块的数量，避免模型训练过程中出现类别不均衡问题，使模型更容易收敛；本专利技术根据病理切片染色情况对数据集进行划分，可提高模型分割精度和泛化能力；本专利技术对病变细胞的分割精确，误检率和漏检率低，可极大减少医生诊断有误和疏漏的隐患；本专利技术实现了切片级的病变细胞检测结果可视化，使医生可直观的观察
到病变细胞所在区域，有助于医生发现特异的病理标志物，从而判断FCD II型的病理改变，为疾病机制提供指导和见解。
[0012]进一步地，所述步骤S1具体为：
[0013]S101、获取FCD II型的病理样本；
[0014]S102、将病理样本连续切分为4μm厚切片，得到切片样本；
[0015]S103、利用抗波形蛋白抗体对切片样本进行染色，得到染色样本；
[0016]S104、利用全自动数字切片扫描系统扫描染色样本，得到病理全切片图像。
[0017]上述进一步方案的有益效果为：可以得到免疫组化染色的病理切片，在切片中病变球囊细胞被染成深棕色，以便后续进行病变细胞分割以及病变细胞密度统计。
[0018]进一步地，所述步骤S2具体为：
[0019]S201、将病理全切片图像按照染色程度和病变细胞数量划分为数量相等的四组切片图像；
[0020]S202、利用Histolab软件包读取四组切片图像，去掉玻片背景，得到第一图像组；
[0021]S203、按照从上到下，从左到右的顺序将第一图像组切割为512
×
512的图像块，得到图像块集；
[0022]S204对图像块集中的各图像块，利用最大类间方差法进行细胞组织检测，得到各图像块的组织区域；
[0023]S205、分别判断各图像块的组织区域是否大于80％，若是，保存为组织图像块，否则，保存为背景图像块；
[0024]S206、根据组织图像块和背景图像块，得到训练数据集。
[0025]上述进一步方案的有益效果为：根据病理切片染色情况对数据集进行划分，使每组图像块数量接近相等，可提高模型分割精度和泛化能力；使用最大类间方差法进行细胞组织检测，减少了无用图像块的数量，使模型更容易收敛。
[0026]进一步地，所述步骤S3中UNet++分割网络模型的编码器模块使用Residual Block残差块；所述UNet++分割网络模型的优化器为SGD。
[0027]上述进一步方案的有益效果为：使用Residual Block残差块可以解决由于网络层数变深导致的梯度消失和精度下降的问题；使用SGD优化器可增加模型的泛化表现，使模型更容易收敛到全局最优解。
[0028]进一步地，所述步骤S3中病变细胞检测模型的损失函数为：
[0029][0030]y
n,c
∈Y
[0031]p
n,c
∈P
[0032]其中，L(Y,P)为病变细胞检测模型的损失函数；Y为目标标签；P为模型预测结果；N为训练数据集中图像块的像素总数；n为训练数据集中图像块的像素序号；C为标签类别总数；c为标签类别序号；y
n,c
为训练数据集中图像块中第n个像素第c类的标签值；p
n,c
训练数据集中图像块中第n个像素第c类的预测值。
[0033]上述进一步方案的有益效果为：损失函数不仅包含预测值和真值的交叉熵损失，也包含预测值和真值的DICE损失，可提高模型在训练过程中的精度和泛化能力，使模型更
关注病变细胞的边缘信息。
[0034]进一步地，所述病变细胞检测模型的目标函数为：
[0035]Q＝min(L(Y,P))
[0036]其中，Q为病变细胞检测模型的目标函数；min(
·
)为最小值函数。
[0037]上述进一步方案的有益效果为：目标函数是最小化损失函数，可保证模型在训练过程中不断收敛。
[0038]进一步地，所述步骤S4具体为：
[0039]S401、获取待测病理切片；
[0040]S402、对待测病理切片进行染色和分割，得到待测图像；
[0041]S403、根据待测图像集，利用病变细胞检测模型对待测图像进行检测，得到检测结果。
[0042]上述进一步方案的有益效果为：得到数据集，为后续模型分析做准备。
[0043]进一步地，所述步骤S5具体为：
[0044]S501、获取待测图像的坐标信息；
[0045]S502、根据检测结果和待测图像的坐标信息，通过Ope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FCDⅡ型病理特征测量方法，其特征在于，包括以下步骤：S1、获取FCD II型的病理样本，并根据FCD II型的病理样本，利用抗波形蛋白抗体进行免疫组化染色，得到病理全切片图像；S2、根据染色程度和病变细胞数量,将病理全切片图像划分为数量相等的四组，得到训练数据集；S3、利用训练数据集对UNet++分割网络模型进行训练，得到病变细胞检测模型；S4、获取待测病理切片，并利用病变细胞检测模型对待测病理切片进行检测，得到检测结果；S5、对检测结果进行可视化操作，并计算得到病变细胞数量和病变细胞密度，完成病理特征测量。2.根据权利要求1所述基于深度学习的FCDⅡ型病理特征测量方法，其特征在于，所述步骤S1具体为：S101、获取FCD II型的病理样本；S102、将病理样本连续切分为4μm厚切片，得到切片样本；S103、利用抗波形蛋白抗体对切片样本进行染色，得到染色样本；S104、利用全自动数字切片扫描系统扫描染色样本，得到病理全切片图像。3.根据权利要求1所述基于深度学习的FCDⅡ型病理特征测量方法，其特征在于，所述步骤S2具体为：S201、将病理全切片图像按照染色程度和病变细胞数量划分为数量相等的四组切片图像；S202、利用Histolab软件包读取四组切片图像，去掉玻片背景，得到第一图像组；S203、按照从上到下，从左到右的顺序将第一图像组切割为512
×
512的图像块，得到图像块集；S204对图像块集中的各图像块，利用最大类间方差法进行细胞组织检测，得到各图像块的组织区域；S205、分别判断各图像块的组织区域是否大于80％，若是，保存为组织图像块，否则，保存为背景图像块；S206、根据组织图像块和背景图像块，得到训练数据集。4.根据权利要求1所述基于深度学习的FCDⅡ型病理特征测量方法，其特征在于，所述步骤S3中UNet++分割网络模型的编码器模块使用ResidualBlock残差块；所述UNet++分割网络模型的优化器为SGD。5.根据权利要求1所述基于深度学习的FCDⅡ型病理特征测量方法，其特征在于，所述步骤S3中病变细胞检测模型的损失函数为：y
n,c
∈Yp
n...

【专利技术属性】
技术研发人员：阎波，张国宁，李超，陈邵，林水生，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：