【技术实现步骤摘要】
本专利技术属于医疗图像处理，尤其涉及一种基于深度学习的宫颈腺癌silva分型系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、基于silva分型(silva a、b和c型)模式的hpv相关普通型侵袭性宫颈腺癌的病理分类系统已经成为辅助预测宫颈腺癌患者淋巴结转移和疾病复发风险的可靠系统。病理学家用肉眼在光学显微镜下检查病理组织仍是确定silva分型的常规方法，但这一分型系统的广泛应用取决于病理医生对宫颈腺癌诊断的一致性、准确性和可重复性；而且人工阅片病理诊断工作效率低，高负荷的工作易引起阅片者视觉疲劳，也会导致漏诊、误诊，影响诊断结果的准确性。
3、全切片数字化图像扫描技术的进步促成了数字病理学的诞生，随着存储技术的提高和互联网技术与计算机技术的迅速发展，深度学习的方法被广泛应用于病理学图像的分析中。但是，数字病理切片图像复杂、图像的获取缺乏统一的实施标准、质量大小不一，这势必会对训练深度学习模型造成影响从而影响诊断的准确性。基于以上问题，目前人工智能在宫颈腺癌silva分型病理图像识别中的研究处于空白状态。
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供了一种基于深度学习的宫颈腺癌silva分型系统。
2、为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
3、本专利技术第一方面提供了一种基于深度学习的宫颈腺癌silva分型系统，包括：
4、全
5、全数字病理切片图像分类模块，用于基于训练后的silva3-ai深度学习模型对全数字病理切片图像进行特征提取及分析，得到全数字病理切片图像的类型；
6、所述silva3-ai深度学习模型包括依次连接的视觉转换器模型、图像排序模块以及递归神经网络模型；
7、所述视觉转换器模型用于对全数字病理切片图像的图像块进行特征提取，同时根据特征提取结果计算每个图像块的类型得分；
8、所述图像排序模块用于根据图像块的类型得分对图像块进行排序，筛选出设定数量的得分较高的全数字病理切片图像的图像块；
9、所述递归神经网络模型用于对筛选出的图像块进行分析，输出全数字病理切片图像的类型。
10、以上一个或多个技术方案存在以下有益效果：
11、(1)本专利技术构建的silva3-ai深度学习模型可以高通量、自动化的进行silva病理类型的诊断，使用nvidia tesla m40处理器分析一张病理切片的时间约为90秒，提升了图像分型效率；并且结合专家检验对silva3-ai深度学习模型进行训练，提高了模型对图像分型的准确率。
12、(2)本专利技术分块处理图像，不仅能够提取更加精细的特征以提高图像分型的准确率；而且去除含有肿瘤成分少的图像块后，只留下有效的图像块，有利于提高图像处理速度，提升了图像分型效率。
13、(3)本专利技术开发的用户应用界面，临床医生或者病理医生通过上传病理切片，后台自动进行图像分析，在90秒内即可计算出silva类型以及概率值，达到辅助诊断的目的，以更好的指导临床决策。
14、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的宫颈腺癌Silva分型系统，其特征在于，包括：
2.如权利要求1所述的一种基于深度学习的宫颈腺癌Silva分型系统，其特征在于，所述全数字图像是对病理切片进行染色处理并数字化的图像。
3.如权利要求1所述的一种基于深度学习的宫颈腺癌Silva分型系统，其特征在于，还包括全数字病理切片图像预处理模块，用于对获取的全数字病理切片图像进行切块以及颜色标准化处理。
4.如权利要求1所述的一种基于深度学习的宫颈腺癌Silva分型系统，其特征在于，所述视觉转换器模型基于编码器和解码器构建，包括依次连接的图像输入模块、多头注意力模块、多层感知机模块、残差模块和分类输出模块；
5.如权利要求4所述的一种基于深度学习的宫颈腺癌Silva分型系统，其特征在于，所述所述多层感知机模块包括依次连接的输入层、输出层和128层的隐藏层；
6.如权利要求4所述的一种基于深度学习的宫颈腺癌Silva分型系统，其特征在于，所述输入的多个图像块为H×W×C的图像，进行排列后形成N×(P2×C)的图像块序列；
7.如权利要求
8.如权利要求1所述的一种基于深度学习的宫颈腺癌Silva分型系统，其特征在于，还包括全数字病理切片图像可视化模块，用于对所述全数字病理切片图像分类模块输出的全数字病理切片图像以及图像类型进行可视化展示。
9.如权利要求1所述的一种基于深度学习的宫颈腺癌Silva分型系统，其特征在于，还包括Silva3-AI深度学习模型训练模块，所述Silva3-AI深度学习模型训练模块用于利用训练集对Silva3-AI深度学习模型进行训练。
10.如权利要求9所述的一种基于深度学习的宫颈腺癌Silva分型系统，其特征在于，在训练过程中，利用验证集对Silva3-AI深度学习模型进行检验。
...【技术特征摘要】
1.一种基于深度学习的宫颈腺癌silva分型系统，其特征在于，包括：
2.如权利要求1所述的一种基于深度学习的宫颈腺癌silva分型系统，其特征在于，所述全数字图像是对病理切片进行染色处理并数字化的图像。
3.如权利要求1所述的一种基于深度学习的宫颈腺癌silva分型系统，其特征在于，还包括全数字病理切片图像预处理模块，用于对获取的全数字病理切片图像进行切块以及颜色标准化处理。
4.如权利要求1所述的一种基于深度学习的宫颈腺癌silva分型系统，其特征在于，所述视觉转换器模型基于编码器和解码器构建，包括依次连接的图像输入模块、多头注意力模块、多层感知机模块、残差模块和分类输出模块；
5.如权利要求4所述的一种基于深度学习的宫颈腺癌silva分型系统，其特征在于，所述所述多层感知机模块包括依次连接的输入层、输出层和128层的隐藏层；
6.如权利要求4所述的一种基于深度学习的宫颈腺癌silva分型系统，其特征在于，...
【专利技术属性】
技术研发人员：刘青青，董涛涛，崔保霞，张晓芳，
申请(专利权)人：山东大学齐鲁医院，
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。