【技术实现步骤摘要】
本专利技术涉及一种肝细胞癌病理识别模型的构建方法，同时也涉及采用该构建方法的电子设备，属于医疗保健信息学。
技术介绍
1、肝细胞癌（hepatocellular carcinoma，简写为hcc）是全球第六大常见的癌症，在全球范围内癌症相关死亡原因中排名第三，具有高发病率和高死亡率的特点。据统计近年来我国每年新增肝细胞癌患者高达40万人，每年死于肝细胞癌的患者高达39万人，因此，肝细胞癌的准确诊断和及时治疗有着十分重要的意义。
2、在现有技术中，对肝癌病理切片的判断是肝癌疾病诊治中的关键和依据，目前，人工病理阅片仍是主要的诊断方法。但是，人工病理阅片存在主观性高、重复性低、定量及信息利用度不足，以及耗时多、劳动强度大、知识经验传承困难等问题，并且容易出现漏诊或误诊现象。另一方面，由于临床医生的人力资源匮乏，使得很多边远地区对于肝细胞癌的诊疗能力存在问题，对于患者带来严重的不利影响。因此，有必要利用机器学习的方法，构建一种肝细胞癌病理识别的通用模型，对于患者的病理切片进行自动分析、分割和检测感兴趣区域，辅助医生进行肿瘤标注和诊断，并且可以改善区域医疗资源不均衡的现状。
3、目前的卷积神经网络识别方法，普遍存在计算开销大、病理识别精度不高的缺点，仍待进一步优化。例如，传统的resnet18卷积神经网络是针对数据量巨大的图像分类任务开发的，不利于处理数据量偏小的肝细胞癌病理切片的肝癌细胞识别任务。另一方面，在传统的病理模型构建过程中，需要人工对大量病理图片进行标记。这些标记十分粗糙，精度远达不到细胞级别的标记需
4、在专利号为zl 202310438603.9的中国专利技术专利中，公开了一种肝细胞癌预测模型构建方法。该方法包括如下步骤：确定预测对象的样本预测信息；基于该样本预测信息进行模型训练，获得肝细胞癌预测模型；该肝细胞癌预测模型包括第一模型、第二模型和第三模型；该第一模型的训练过程包括：基于属性信息和第一肝指标信息训练初始的第一模型，获得训练后的第一模型；第二模型的训练过程包括：基于第一模型和第二肝指标信息训练初始的第二模型，获得训练后的第二模型；第三模型的训练过程包括：基于第一模型、第二肝指标信息和循环游离dna特征训练初始的第三模型，获得训练后的第三模型。该肝细胞癌模型构建方法能够提高肝细胞癌预测模型的预测准确性。
技术实现思路
1、本专利技术所要解决的首要技术问题在于提供一种肝细胞癌病理识别模型的构建方法。
2、本专利技术所要解决的另一技术问题在于提供一种基于深度学习的肝细胞癌病理辅助识别方法。
3、本专利技术所要解决的又一技术问题在于提供一种采用该构建方法的电子设备。
4、为了实现上述目的，本专利技术采用以下的技术方案：
5、根据本专利技术实施例的第一方面，提供一种肝细胞癌病理识别模型的构建方法，包括如下步骤：
6、（1）采集肝病患者的病理切片数据建立数据集，所述数据集包括训练集、测试集和验证集；其中，所述病理切片数据中的图像块的设定像素为320×320；
7、（2）基于python 3.8构建hccm卷积神经网络，并基于imagenet数据集进行预训练后得到初始模型；其中，在进行卷积操作时取消补齐设置，以保持所述病理切片数据在病理识别过程中的完整性；
8、（3）将所述初始模型迁移到病理切片数据构成的所述数据集中；
9、（4）利用迁移后的所述初始模型对所述数据集中的图像块数据进行特征提取，得到多个特征向量；
10、（5）在训练的过程中，采用合成少数类过采样技术对训练集中的样本进行数量扩增，同时均衡所纳入的肝细胞癌肿瘤细胞与非肿瘤细胞的比例；将图像块数据输入肝细胞癌病理识别模型，经过病理识别后得到包含肝细胞癌组织标注信息的图像块数据；采用弱监督学习方法并结合人机闭环反馈学习，对所述肝细胞癌病理识别模型进行训练和优化；
11、（6）采用所述测试集对所述肝细胞癌病理识别模型进行泛化能力评估。
12、其中较优地，所述步骤（1）中包括如下子步骤：
13、（11）将采集病例的病理组织制作石蜡切片并进行he染色后选取典型切片；
14、（12）将选取的所述典型切片转为全视野数字切片图像，形成病理切片数据；
15、（13）随机选取预设数量的所述病理切片数据，对其中的肝细胞癌肿瘤范围进行人工标注，包括癌组织、非癌组织以及玻片无组织区域；
16、（14）将所述病理切片数据处理成统一的放大倍数，并分割为图像块，对所述图像块进行灰度归一化处理。
17、其中较优地，所述步骤（2）中，所述hccm卷积神经网络包括18个卷积层和全连接层、softmax激活层。
18、其中较优地，所述步骤（3）中包括如下子步骤：
19、（31）通过梯度下降法进行循环调参；
20、（32）移除原始softmax激活层；
21、（33）引入基于多示例学习的肝癌标注分类器；
22、（34）保留特征提取层中的参数设定。
23、其中较优地，所述步骤（5）中，在进行所述数量扩增后，设置界值参数的初始值；所述界值参数与模型识别结果中每个图像块包含肝细胞癌的概率成正相关，初始值设置为0.5。
24、其中较优地，所述步骤（5）中，在机器标注的所述图像块数据中随机抽取预设数量的样本，对其中的机器标注进行人工校准，然后将校准结果回带到所述肝细胞癌病理识别模型中，反复对所述肝细胞癌病理识别模型进行迭代优化。
25、其中较优地，当两次人工校准标注之间，所述肝细胞癌病理识别模型的aic指标的变化小于0.01时，结束模型优化工作。
26、根据本专利技术实施例的第二方面，提供一种基于深度学习的肝细胞癌病理辅助识别方法，包括如下步骤：
27、首先，选取肝病患者的典型病理切片，并将其转换为全视野数字切片图像数据；然后，将所述全视野数字切片图像数据输入至肝细胞癌病理识别模型进行识别，得到包含肝细胞癌组织标注信息的病理识别图像。
28、根据本专利技术实施例的第三方面，提供一种电子设备，该电子设备包括处理器和存储器，所述存储器与所述处理器耦接；其中，
29、所述存储器用于存储计算机程序，当该计算机程序被所述处理器执行时，实现上述的肝细胞癌病理识别模型的构建方法。
30、与现有技术相比较，本专利技术实施例提供的肝细胞癌病理识别模型的构建方法，通过采用hccm卷积神经网络预训练后得到初始模型，然后将初始模型迁移到病理切片数据集中，采用弱监督学习方法对模型进行训练和优化，得到肝细胞癌病理识别模型。基于该肝细胞癌病理识别模型可以实现对患者病理切片的自动分割、分析和检测并标注感兴趣区域，得到肝细胞癌的病理识别结果。因此，本专利技术本文档来自技高网...
【技术保护点】
1.一种肝细胞癌病理识别模型的构建方法，其特征在于包括如下步骤：
2.如权利要求1所述的肝细胞癌病理识别模型的构建方法，其特征在于所述步骤（1）包括如下子步骤：
3.如权利要求1所述的肝细胞癌病理识别模型的构建方法，其特征在于所述步骤（2）中，所述HCCM卷积神经网络包括18个卷积层和全连接层、Softmax激活层。
4.如权利要求1所述的肝细胞癌病理识别模型的构建方法，其特征在于所述步骤（3）包括如下子步骤：
5.如权利要求1所述的肝细胞癌病理识别模型的构建方法，其特征在于所述步骤（5）还包括如下子步骤：
6.如权利要求1所述的肝细胞癌病理识别模型的构建方法，其特征在于所述步骤（5）中，在进行所述数量扩增后，设置界值参数的初始值；所述界值参数与模型识别结果中每个图像块包含肝细胞癌的概率成正相关，初始值设置为0.5。
7.如权利要求1所述的肝细胞癌病理识别模型的构建方法，其特征在于所述步骤（5）中，在机器标注的所述图像块数据中随机抽取预设数量的样本，对其中的机器标注进行人工校准，然后将校准结果回带到所述肝细胞
8.如权利要求7所述的肝细胞癌病理识别模型的构建方法，其特征在于：
9.一种基于深度学习的肝细胞癌病理辅助识别方法，基于权利要求1～8中任意一项所述的肝细胞癌病理识别模型的构建方法实现，其特征在于包括如下步骤：
10.一种电子设备，其特征在于包括处理器和存储器，所述存储器与所述处理器耦接；其中，
...【技术特征摘要】
1.一种肝细胞癌病理识别模型的构建方法，其特征在于包括如下步骤：
2.如权利要求1所述的肝细胞癌病理识别模型的构建方法，其特征在于所述步骤（1）包括如下子步骤：
3.如权利要求1所述的肝细胞癌病理识别模型的构建方法，其特征在于所述步骤（2）中，所述hccm卷积神经网络包括18个卷积层和全连接层、softmax激活层。
4.如权利要求1所述的肝细胞癌病理识别模型的构建方法，其特征在于所述步骤（3）包括如下子步骤：
5.如权利要求1所述的肝细胞癌病理识别模型的构建方法，其特征在于所述步骤（5）还包括如下子步骤：
6.如权利要求1所述的肝细胞癌病理识别模型的构建方法，其特征在于所述步骤（5）中，在进行所述数量扩增后，设置界值参数的初始...
【专利技术属性】
技术研发人员：曹爽，王蕾，夏宇，石中月，郁斯涵，赵永威，贺强，魏林，孙丽莹，朱志军，
申请(专利权)人：首都医科大学附属北京友谊医院，
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。