基于级联深度学习的胃部病理诊断与分型系统技术方案

本发明专利技术提供了基于级联深度学习的胃部病理诊断与分型系统，包括：监督信息增强标注分系统，对胃部病理图像级数据进行像素级标注，通过弱监督学习框架对标注进行进一步的细化，获得精细像素级标注；跳跃连接系列诊断模型分系统，通过跳跃连接残差网络的多尺度空洞卷积神经网络结构，对带有精细像素级标注的图像块进行训练，获得跳跃连接系列诊断模型；多分类炎症分型模型；系列级联病理切片流转分系统，将跳跃连接系列诊断模型进行级联，获取级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转；循环测试炎症分型输出分系统，通过胃部病理大数据对级联系统胃部病理诊断模型进行测试炎症分型，获取胃部病理炎症分型结果

【技术实现步骤摘要】
基于级联深度学习的胃部病理诊断与分型系统


[0001]本专利技术涉及机器学习智能识别
，更具体地说，本专利技术涉及基于级联深度学习的胃部病理诊断与分型系统
。

技术介绍

[0002]胃部疾病的类型和分级对于制定治疗方案和预测患者预后非常重要，对于制定治疗策略和预测患者生存率至关重要；传统的胃部病理学分型和分级方法主要依赖病理学专家的经验和主观判断，存在一定的主观性和不确定性；传统的预后预测方法通常基于有限的临床数据和经验判断，存在一定的主观性和不确定性；胃部病理学是一门复杂而专业的学科，需要医生经过长时间的学习和实践才能获得熟练的诊断能力等问题尚待解决；因此，有必要提出基于级联深度学习的胃部病理诊断与分型系统，以至少部分地解决现有技术中存在的问题
。

技术实现思路

[0003]在
技术实现思路
部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明；本专利技术的
技术实现思路
部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围
。
[0004]为至少部分地解决上述问题，本专利技术提供了基于级联深度学习的胃部病理诊断与分型系统，包括：
[0005]监督信息增强标注分系统，获取胃部病理图像级数据，对胃部病理图像级数据进行像素级标注，通过弱监督学习框架对标注进行进一步的细化，获得精细像素级标注；
[0006]跳跃连接系列诊断模型分系统，通过跳跃连接残差网络的多尺度空洞卷积神经网络结构，对带有精细像素级标注的图像块进行训练，获得跳跃连接系列诊断模型；跳跃连接系列诊断模型包括：胃癌检测识别模型
、
胃癌分型模型
、
多分类良性分型模型及多分类炎症分型模型；
[0007]系列级联病理切片流转分系统，将跳跃连接系列诊断模型进行级联，获取级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转，获取胃部病理流转诊断数据；
[0008]循环测试炎症分型输出分系统，通过胃部病理大数据对级联系统胃部病理诊断模型进行测试炎症分型，获取胃部病理炎症分型结果；将胃部病理流转诊断数据与胃部病理炎症分型结果输出生成胃部组织切片病理诊断与分型数字报告
。
[0009]优选的，监督信息增强标注分系统包括：
[0010]第一像素级标注子系统，获取胃部病理图像数据，通过第一像素级标注框架，对胃部病理图像数据进行像素级标注，获取胃部病理图像第一像素级标注数据；
[0011]增强训练块级标注子系统，根据胃部病理图像第一像素级标注数据，通过组合多实例学习框架对胃部病理图像第一像素级标注数据进行分块处理，将图像级标注转换到图像块级标注，获取胃部病理图像第一图像块级标注数据；将第一图像块级标注数据增强训
练标注获得指数倍有监督信息，获取第二图像块级标注数据；
[0012]标注细化块级像素还原子系统，通过多实例弱监督学习框架对胃部病理图像第一图像块级标注数据进行细化，将图像块级别的标注直接赋给每一个像素点，生成第二像素级标注数据，获得精细像素级标注
。
[0013]优选的，跳跃连接系列诊断模型分系统包括：
[0014]残差网络层数选择子系统，根据深度神经网络层级，自动选择跳跃连接残差网络层数；
[0015]恒等映射跳跃连接子系统，根据跳跃连接残差网络层数，通过恒等映射设置跳跃连接线跨越层级，获取跳跃连接残差网络；
[0016]跳跃连接系列诊断模型子系统，根据跳跃连接残差网络，构建跳跃连接残差网络的多尺度空洞卷积神经网络结构，对带有精细像素级标注的图像块进行训练，获得跳跃连接系列诊断模型
。
[0017]优选的，系列级联病理切片流转分系统包括：
[0018]诊断模型系统级联子系统，将跳跃连接系列诊断模型进行级联，获取级联系统胃部病理诊断模型；
[0019]胃部数字病理切片流转子系统，通过级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转，获取胃部病理流转诊断数据；通过级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转包括：数字切片首先经过胃癌检测识别模型，有癌区域经过胃癌分型模型，无癌区域经过多分类良性分型模型，最后炎症区域经过多分类炎症分型模型
。
[0020]优选的，循环测试炎症分型输出分系统包括：
[0021]循环测试分型架构子系统，通过胃部病理大数据对级联系统胃部病理诊断模型进行测试，形成胃部病理诊断循环测试分型架构；
[0022]胃部病理炎症分型子系统，根据胃部病理诊断循环测试分型架构，对胃部病理流转诊断数据进行炎症分型，获取胃部病理炎症分型结果；
[0023]胃部病理数字报告子系统，将胃部病理流转诊断数据与胃部病理炎症分型结果通过胃部病理诊断循环测试分型架构输出，生成胃部组织切片病理诊断与分型数字报告
。
[0024]优选的，跳跃连接系列诊断模型子系统包括：
[0025]胃癌检测识别模型识别模块，通过胃癌检测识别模型对胃癌区域进行识别检测；
[0026]胃癌分型模型识别模块，通过胃癌分型模型多分类识别低分化胃癌
、
中分化胃癌
、
高分化胃癌
、
高级别异性增生或高级别上皮内瘤变
、
印戒细胞癌与粘液腺癌；
[0027]多分类良性分型模型识别模块，通过多分类良性分型模型多分类识别低级别异性增生或低级别上皮内瘤变
、
肠化与炎症；
[0028]多分类炎症分型模型识别模块，通过多分类炎症分型模型多分类识别慢性胃炎
、
急性胃炎或活动性胃炎与胃萎缩
。
[0029]优选的，胃癌检测识别模型识别模块包括：
[0030]概率丢弃全连接模型构建单元，设置多阶段检测深度神经网络，在多阶段检测深度神经网络最后的神经网络层后增加全连接层，在全连接层后添加神经元概率丢弃层，创建胃癌检测识别模型；
[0031]胃癌检测模型检测单元，通过胃癌检测识别模型，预测胃癌实际区域，对胃癌区域进行识别检测
。
[0032]优选的，胃癌分型模型识别模块包括：
[0033]逻辑处理器运算单元，通过处理器运算每个胃部病理样本与各聚类中心的列向量
、
行向量和对角向量；运算每个胃部病理样本与各聚类中心的列向量相关系数
、
行向量相关系数和对角向量的相关系数；加入行向量
、
列向量
、
行向量相关系数和列向量相关系数所占的权重，运算每个胃部病理样本与各聚类中心的相似度度量；根据相似度度量将每个胃部病理样本进行重新分簇；运算重新分簇后的各簇的聚类中心；
[0034]分型模型创建识别单元，进行处理器运算循环，判定聚类中心是否仍有变化；当聚类中心不再变化聚类结束，得到胃癌分型模型；通过胃癌分型模型多分类识别低分化胃癌
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于级联深度学习的胃部病理诊断与分型系统，其特征在于，包括：监督信息增强标注分系统，获取胃部病理图像级数据，对胃部病理图像级数据进行像素级标注，通过弱监督学习框架对标注进行进一步的细化，获得精细像素级标注；跳跃连接系列诊断模型分系统，通过跳跃连接残差网络的多尺度空洞卷积神经网络结构，对带有精细像素级标注的图像块进行训练，获得跳跃连接系列诊断模型；跳跃连接系列诊断模型包括：胃癌检测识别模型
、
胃癌分型模型
、
多分类良性分型模型及多分类炎症分型模型；系列级联病理切片流转分系统，将跳跃连接系列诊断模型进行级联，获取级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转，获取胃部病理流转诊断数据；循环测试炎症分型输出分系统，通过胃部病理大数据对级联系统胃部病理诊断模型进行测试炎症分型，获取胃部病理炎症分型结果；将胃部病理流转诊断数据与胃部病理炎症分型结果输出生成胃部组织切片病理诊断与分型数字报告
。2.
根据权利要求1所述的基于级联深度学习的胃部病理诊断与分型系统，其特征在于，监督信息增强标注分系统包括：第一像素级标注子系统，获取胃部病理图像数据，通过第一像素级标注框架，对胃部病理图像数据进行像素级标注，获取胃部病理图像第一像素级标注数据；增强训练块级标注子系统，根据胃部病理图像第一像素级标注数据，通过组合多实例学习框架对胃部病理图像第一像素级标注数据进行分块处理，将图像级标注转换到图像块级标注，获取胃部病理图像第一图像块级标注数据；将第一图像块级标注数据增强训练标注获得指数倍有监督信息，获取第二图像块级标注数据；标注细化块级像素还原子系统，通过多实例弱监督学习框架对胃部病理图像第一图像块级标注数据进行细化，将图像块级别的标注直接赋给每一个像素点，生成第二像素级标注数据，获得精细像素级标注
。3.
根据权利要求1所述的基于级联深度学习的胃部病理诊断与分型系统，其特征在于，跳跃连接系列诊断模型分系统包括：残差网络层数选择子系统，根据深度神经网络层级，自动选择跳跃连接残差网络层数；恒等映射跳跃连接子系统，根据跳跃连接残差网络层数，通过恒等映射设置跳跃连接线跨越层级，获取跳跃连接残差网络；跳跃连接系列诊断模型子系统，根据跳跃连接残差网络，构建跳跃连接残差网络的多尺度空洞卷积神经网络结构，对带有精细像素级标注的图像块进行训练，获得跳跃连接系列诊断模型
。4.
根据权利要求1所述的基于级联深度学习的胃部病理诊断与分型系统，其特征在于，系列级联病理切片流转分系统包括：诊断模型系统级联子系统，将跳跃连接系列诊断模型进行级联，获取级联系统胃部病理诊断模型；胃部数字病理切片流转子系统，通过级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转，获取胃部病理流转诊断数据；通过级联系统胃部病理诊断模型，对新输入胃部数字病理切片进行流转包括：数字切片首先经过胃癌检测识别模型，有癌区域经过胃癌分型模型，无癌区域经过多分类良性分型模型，最后炎症区域经过多分类炎症分型模
型
。5.
根据权利要求1所述的基于级联深度学习的胃部病理诊断与分型系统，其特征在于，循环测试炎症分型输出分系统包括：循环测试分型架构子系统，通过胃部病理大数据对级联系统胃部病理诊断模型进行测试，形成胃部病理诊断循环测试分型架构；胃部病理炎症分型子系统，根据胃部病理诊断循环测试分型架构，对胃部病理流转诊断数据进行炎症分型，获取胃部病理炎症分型结果；胃部病理数字报告子系统，将胃部病理流转诊断数据与胃部病理炎症分型结果通过胃部病理诊断循环测试分型架构输出，生成胃部组织切片病理诊断与分型数字报告
。6.
根据权利要求1所述的基于级联深度学习的胃部病理诊断与分型系统，其特征在于，跳跃连接系列诊断模型子系统包括：胃癌检测识别模型识别模块，通过胃癌检测识别模型对胃癌区域进行识别检测；胃癌分型模型识别模块，通过胃癌分型模型多分类识别低分化胃癌
、
中分化胃癌
、
高分...

【专利技术属性】
技术研发人员：王书浩，
申请(专利权)人：北京透彻未来科技有限公司，
类型：发明
国别省市：