CN108734708A - 胃癌识别方法、装置及存储介质 - Google Patents
胃癌识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN108734708A CN108734708A CN201810502324.3A CN201810502324A CN108734708A CN 108734708 A CN108734708 A CN 108734708A CN 201810502324 A CN201810502324 A CN 201810502324A CN 108734708 A CN108734708 A CN 108734708A
- Authority
- CN
- China
- Prior art keywords
- picture
- pathological section
- gastric cancer
- cut
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30092—Stomach; Gastric
Abstract
本发明公开了一种胃癌识别方法、装置及存储介质,该方法获取第一预设数量的胃部病理切片样本图片,在每个胃部病理切片样本图片上标注非癌变标记点、癌变标记点及癌变标记点形成癌变形状曲线,并进行裁剪处理,生成裁剪图片集合。接着,利用裁剪图片集合中的样本图片对结构识别模型进行训练。最后,接收待胃癌识别的病理切片图片,利用预先训练的结构识别模型对该病理切片图片进行识别,生成识别结果。本发明采用一种新型结构的模型对病理切片图片进行识别,判断该病理切片图片对应的患者是否患有胃癌,提高胃癌的识别精准度。
Description
技术领域
本发明涉及图片识别技术领域,尤其涉及一种胃癌识别方法、装置及计算机可读存储介质。
背景技术
癌症是当今医学上难以治愈的几种疾病之一。根据数据统计,中国每年新发病例约为220万,因癌症死亡的人数约为160万。而胃癌在癌症中的患病比例比较高,当胃癌患者出现特异性症状时,胃癌往往已经属于晚期了。因此,如何准确且迅速的发现胃部癌变,已经成为医疗界最重要的课题之一。
目前,常用的胃癌识别方法是通过人工对病理切片进行检测。一般而言,患者只有怀疑患有胃癌的情况下,才会花费金钱和时间做病理切片的人工病理检测,而且,人工病理检测通常需要花费数天时间,这在一定程度上大幅提高了胃癌的不可治愈性,严重危及了患者的生命。
发明内容
鉴于以上内容,本发明提供一种胃癌识别方法、装置及计算机可读存储介质,其主要目的在于利用新型结构的模型对病理切片图片进行精准识别,提高胃癌识别精度。
为实现上述目的,本发明提供一种胃癌识别方法,该方法包括:
样本处理步骤:获取第一预设数量的胃部病理切片样本图片,在每个胃部病理切片样本图片上标注非癌变标记点、癌变标记点及癌变标记点形成癌变形状曲线,并对获取的各个胃部病理切片样本图片进行裁剪处理,生成裁剪图片集合;
训练步骤:利用裁剪图片集合中的样本图片对结构识别模型进行训练;
接收步骤:接收待胃癌识别的病理切片图片;
识别步骤:将该病理切片图片输入训练好的结构识别模型进行识别,生成识别结果。
优选地,所述结构识别模型为深度卷积神经网络模型,该深度卷积神经网络模型的主神经网络中嵌入七个子网络,所述病理切片样本图片分别经过所述七个子网络提取特征并进行特征拼接后,再输入主网络结构中参与训练。
优选地,所述结构识别模型的训练步骤如下:
获取第一预设数量的胃部病理切片样本图片,在每个胃部病理切片样本图片上标注非癌变标记点、癌变标记点及癌变标记点形成癌变形状曲线;
对获取的各个胃部病理切片样本图片进行裁剪处理,生成裁剪图片集合;
将裁剪图片集合分为第一比例的训练集和第二比例的验证集;
利用训练集中的各个裁剪图片集合进行模型训练,生成所述结构识别模型,并利用验证集中的各个裁剪图片集合对生成的结构识别模型进行验证;
若验证通过率大于或等于预设值,则训练完成,若验证通过率小于预设值,则增加第二预设数量的胃部病理切片样本图片,并对增加的胃部病理切片样本图片进行裁剪处理,之后流程返回将裁剪图片集合分为训练集和验证集的步骤。
优选地,所述样本处理步骤包括:
将各个胃部病理切片样本图片裁剪为第一预设大小的目标样本图片;
分别将各个目标样本图片分别沿着x轴和y轴方向,且以预设步长进行裁剪,获得若干张对应的第二预设大小的裁剪图片,每个目标样本图片对应的若干张裁剪图片归为一个裁剪图片集合。
优选地,所述识别步骤包括:
将待胃癌识别的病理切片图片剪裁为第一预设大小的目标图片;
将该目标图片分别沿着x轴和y轴方向,且以预设步长进行裁剪,获得若干张对应的第二预设大小的裁剪图片;
将该裁剪图片输入训练好的结构识别模型中,进行识别。
此外,本发明还提供一种电子装置,该电子装置包括:存储器、处理器,所述存储器上存储胃癌识别程序,所述胃癌识别程序被所述处理器执行,可实现如下步骤:
样本处理步骤:获取第一预设数量的胃部病理切片样本图片,在每个胃部病理切片样本图片上标注非癌变标记点、癌变标记点及癌变标记点形成癌变形状曲线,并对获取的各个胃部病理切片样本图片进行裁剪处理,生成裁剪图片集合;
训练步骤:利用裁剪图片集合中的样本图片对结构识别模型进行训练;
接收步骤:接收待胃癌识别的病理切片图片;
识别步骤:将该病理切片图片输入训练好的结构识别模型进行识别,生成识别结果。
优选地,所述结构识别模型为深度卷积神经网络模型,该深度卷积神经网络模型的主神经网络中嵌入七个子网络,所述病理切片样本图片分别经过所述七个子网络提取特征并进行特征拼接后,再输入主网络结构中参与训练。
优选地,所述训练步骤包括:
将裁剪图片集合分为第一比例的训练集和第二比例的验证集;
利用训练集中的各个裁剪图片集合进行模型训练,生成所述结构识别模型,并利用验证集中的各个裁剪图片集合对生成的结构识别模型进行验证;
若验证通过率大于或等于预设值,则训练完成,若验证通过率小于预设值,则增加第二预设数量的胃部病理切片样本图片,并对增加的胃部病理切片样本图片进行裁剪处理,之后流程返回将裁剪图片集合分为训练集和验证集的步骤。
优选地,所述识别步骤包括:
将待胃癌识别的病理切片图片剪裁为第一预设大小的目标图片;
将该目标图片分别沿着x轴和y轴方向,且以预设步长进行裁剪,获得若干张对应的第二预设大小的裁剪图片;
将该裁剪图片输入训练好的结构识别模型中,进行识别。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中包括胃癌识别程序,所述胃癌识别程序被处理器执行时,可实现如上所述胃癌识别方法中的任意步骤。
本发明提出的胃癌识别方法、电子装置及计算机可读存储介质,通过利用预先训练的结构识别模型对接收的待胃癌识别的病理切片图片进行识别,生成识别结果。若生成的识别结果为胃癌的确定结果,则输出预设格式的提示信息,从而提高胃癌症识别的准确率。
附图说明
图1为本发明电子装置较佳实施例的示意图;
图2为图1中胃癌识别程序较佳实施例的模块示意图;
图3为本发明胃癌识别方法较佳实施例的流程图;
图4为本发明结构识别模型训练的流程图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,是本发明电子装置1较佳实施例的示意图。
在本实施例中,电子装置1可以是服务器、智能手机、平板电脑、个人电脑、便携计算机以及其他具有运算功能的电子设备。
该电子装置1包括:存储器11、处理器12、网络接口13及通信总线14。其中,网络接口13可选地可以包括标准的有线接口、无线接口(如WI-FI接口)。通信总线14用于实现这些组件之间的连接通信。
存储器11至少包括一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中,所述存储器11可以是所述电子装置1的内部存储单元,例如该电子装置1的硬盘。在另一些实施例中,所述存储器11也可以是所述电子装置1的外部存储单元,例如所述电子装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
在本实施例中,所述存储器11不仅可以用于存储安装于所述电子装置1的应用软件及各类数据,例如胃癌识别程序10、待胃癌识别的病理切片图片和模型训练的胃部病理切片样本图片,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其它数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行胃癌识别程序10的计算机程序代码和结构识别模型的训练等。
优选地,该电子装置1还可以包括显示器,显示器可以称为显示屏或显示单元。在一些实施例中显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode,OLED)触摸器等。显示器用于显示在电子装置1中处理的信息以及用于显示可视化的工作界面。
优选地,该电子装置1还可以包括用户接口,用户接口可以包括输入单元比如键盘(Keyboard)、语音输出装置比如音响、耳机等,可选地用户接口还可以包括标准的有线接口、无线接口。
如图2所示,是图1中胃癌识别程序较佳实施例的模块示意图。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。
在本实施例中,胃癌识别程序10包括:样本处理模块110、训练模块120、接收模块130、识别模块140,所述模块110-140所实现的功能或操作步骤均如下所示:
样本处理模块110,用于获取第一预设数量的胃部病理切片样本图片,在每个胃部病理切片样本图片上标注非癌变标记点、癌变标记点及癌变标记点形成癌变形状曲线,并对获取的各个胃部病理切片样本图片进行裁剪处理,生成裁剪图片集合。其中,所述胃部病理切片样本图片包括患有胃癌的胃部组织的病理切片样本图片及正常胃部组织的病理切片样本图片。例如,获取10000张胃部病理切片样本图片,其中包括8000张带有胃癌标签的胃部病理切片样本图片,2000张带有正常标签的胃部病理切片样本图片。每张胃部病理切片样本图片上对应标有非癌变标记点,或者癌变标记点及癌变形状曲线。对获取的各个胃部病理切片样本图片进行裁剪处理具体包括:将获取的各个胃部病理切片样本图片裁剪为第一预设大小的目标样本图片,如将2048*2048像素大小的病理切片样本图片裁剪为299*299像素大小的目标样本图片。接着,将各个目标样本图片分别沿着x轴和y轴方向,且以预设步长进行裁剪,获得若干张对应的第二预设大小的裁剪图片。每个目标样本图片对应的若干张裁剪图片归为一个裁剪图片集合。例如,若目标样本图片a对应的裁剪图片集合包括a1、a2、a3,目标样本图片b对应的裁剪图片集合包括b1、b2、b3,则a1、a2、a3归为同一个裁剪图片集合K1,b1、b2、b3归为同一个裁剪图片集合K2。
训练模块120,用于利用裁剪图片集合中的样本图片对结构识别模型进行训练。所述结构识别模型为深度卷积神经网络模型,该深度卷积神经网络模型的主网络结构如表1所示。
表1:结构识别模型的主网络结构
层标签 | 功能层名 | 卷积核或参数 | 特征图个数 | 输入 |
卷积 | 3*3 | 32 | 299*299*3 | |
卷积 | 3*3 | 32 | ||
卷积 | 3*3 | 64 | ||
最大值池化 | 3*3 | \ | ||
卷积 | 1*1 | 80 | ||
卷积 | 3*3 | 192 | ||
最大值池化 | 3*3 | \ | ||
Mixed0 | Nnet1 | |||
Mixed1 | Nnet1 | |||
Mixed2 | Nnet1 | |||
Mixed3 | Nnet2 | |||
Mixed4 | Nnet3 | |||
Mixed5 | Nnet4 | |||
Mixed6 | Nnet4 | |||
Mixed7 | Nnet5 | |||
Mixed8 | Nnet6 | |||
Mixed9 | Nnet7 | |||
Mixed10 | Nnet7 | |||
均值池化 | 2*2 | \ | ||
卷积 | 1*1 | 152 | ||
卷积 | 1*1 | 152 | ||
全连层 | 2 |
该深度卷积神经网络模型的主神经网络中嵌入七个子网络,分别为Nnet1,Nnet2,Nnet3,Nnet4,Nnet5,Nnet6,Nnet7,其中,各个子网络的网络结构分别如表2~表8所示。
表2:Nnet1的网络结构
表3:Nnet2的网络结构
表4:Nnet3的网络结构
表5:Nnet4的网络结构
表6:Nnet5的网络结构
表7:Nnet6的网络结构
表8:Nnet7的网络结构
各个子网络中均存在1*1直连通道,允许输入特征可以比较完全的通过,使得全网络前向计算过程中可以保证原始特征可以尽量多地保留到网络较深的位置,从而给各层网络提供比较充分的特征进行参数训练以最后给出判决。所述病理切片样本图片分别经过所述七个子网络提取特征并进行特征拼接后,再输入主网络结构中参与训练。
接收模块130,用于接收待胃癌识别的病理切片图片。其中,所述病理切片图片是通过取患者一定大小的胃部组织切片,用病理组织学方法染色制成病理切片,并在显微镜下拍摄得到的。例如,当我们需要检测某患者是否患有胃癌时,利用纤维胃镜夹取一部分胃组织,然后对患者胃部组织进行切片、脱水、染色,从而得到显微镜下该患者的胃部病理切片的照片。常见的染色指利用H.E染色法通过苏木素将细胞核中的染色质染成蓝色,伊红将细胞的胞质和核仁等染成红色。
识别模块140,用于将该病理切片图片输入训练好的结构识别模型进行识别,生成识别结果。接收到待胃癌识别的病理切片图片后,为了使得识别结果更加准确,需要对待胃癌识别的病理切片图片进行处理,所述处理步骤如下:将待胃癌识别的病理切片图片裁剪为第一预设大小的目标图片,如将2048*2048像素大小的病理切片图片裁剪为299*299像素大小的目标图片。接着,将该目标图片分别沿着x轴和y轴方向,且以预设步长进行裁剪,获得若干张对应的第二预设大小的裁剪图片。例如,在目标图片的左下角设置原点,并以目标图片的左边界为Y轴、以目标图片的下边界为X轴,假设以步长为32像素进行裁剪,则每张目标图片可以获取9张224*224像素的裁剪图片。最后,将该裁剪图片输入预先训练的结构识别模型中进行识别。若生成的识别结果为胃癌的确定结果,则输出预设格式的提示信息。例如,若识别结果确定为胃癌,则输出提示信息:“该图片对应的患者有胃癌,建议尽快制定有效的治疗方案。”
在另一个实施例中,还可以利用结构识别模型对胃癌病理切片图片识别,进一步的判断胃癌的癌变阶段。针对胃癌的不同癌变阶段,输出不同的提示信息。例如,识别出该病理切片图片对应的患者为胃癌早期,则输出第一预设格式的提示信息,如“图片***的患者为胃癌早期,建议通过检验手段尽快确认病情,并尽早制定有效的治疗方案”;识别出该病理切片图片对应的患者为胃癌中期,则输出第二预设格式的提示信息,如“图片***的患者为胃癌中期,建议尽快制定有效的治疗方案”;识别出该病理切片图片对应的患者为胃癌晚期,则输出第三预设格式的提示信息,如“图片***的患者为胃癌晚期,建议开通绿色医疗通道,并紧急制定有效的治疗方案”。
如图3所示,是本发明胃癌识别方法较佳实施例的流程图。
在本实施例中,处理器12执行存储器11中存储的胃癌识别程序10的计算机程序时实现胃癌识别方法包括:步骤S10-步骤S30:
步骤S10,样本处理模块110获取第一预设数量的胃部病理切片样本图片,在每个胃部病理切片样本图片上标注非癌变标记点、癌变标记点及癌变标记点形成癌变形状曲线,并对获取的各个胃部病理切片样本图片进行裁剪处理,生成裁剪图片集合。其中,所述胃部病理切片样本图片包括患有胃癌的胃部组织的病理切片样本图片及正常胃部组织的病理切片样本图片。例如,获取10000张胃部病理切片样本图片,其中包括8000张带有胃癌标签的胃部病理切片样本图片,2000张带有正常标签的胃部病理切片样本图片。每张胃部病理切片样本图片上对应标有非癌变标记点,或者癌变标记点及癌变形状曲线。对获取的各个胃部病理切片样本图片进行裁剪处理具体包括:将获取的各个胃部病理切片样本图片裁剪为第一预设大小的目标样本图片,如将2048*2048像素大小的病理切片样本图片裁剪为299*299像素大小的目标样本图片。接着,将各个目标样本图片分别沿着x轴和y轴方向,且以预设步长进行裁剪,获得若干张对应的第二预设大小的裁剪图片。每个目标样本图片对应的若干张裁剪图片归为一个裁剪图片集合。例如,若目标样本图片a对应的裁剪图片集合包括a1、a2、a3,目标样本图片b对应的裁剪图片集合包括b1、b2、b3,则a1、a2、a3归为同一个裁剪图片集合K1,b1、b2、b3归为同一个裁剪图片集合K2。
步骤S20,训练模块120利用裁剪图片集合中的样本图片对结构识别模型进行训练。如图4所示,是本发明结构识别模型训练的流程图,所述结构识别模型的训练步骤如下:
将裁剪图片集合分为第一比例的训练集和第二比例的验证集。例如,将所有的裁剪图片集合按照7:3的比例随机分成训练集和验证集,训练集占裁剪图片集合的70%,剩余的30%裁剪图片集合作为验证集对模型的优劣进行检测。
利用训练集中的各个裁剪图片集合进行模型训练,生成所述结构识别模型,并利用验证集中的各个裁剪图片集合对生成的结构识别模型进行验证。其中,具体过程如下:将训练集中的每个裁剪图片集合的裁剪图片组成299*299*3结构,每次迭代由1个图像更新模型参数。将组成299*299*3的图块输入到主神经网络中,经过主网络卷积及最大值池化之后依次输入到七个子网络中。各个子网络中均存在1*1直连通道,允许输入特征可以比较完全的通过,使得全网络前向计算过程中可以保证原始特征可以尽量多地保留到网络较深的位置,病理切片样本图片分别经过所述七个子网络提取特征并进行特征拼接后,再输入主网络结构中参与训练,从而给各层网络提供比较充分的特征进行参数训练以最后给出判决。
若验证通过率大于或等于预设值,则训练完成,若验证通过率小于预设值,则增加第二预设数量的胃部病理切片样本图片,之后流程返回将裁剪图片集合分为训练集和验证集的步骤。假设预设值为96%,生成结构识别模型后,将验证集中的各个裁剪图片输入到结构识别模型中验证,如果通过率达大于或等于96%,训练完成。如果通过率小于96%,增加5000张胃部病理切片样本图片,并对增加的胃部病理切片样本图片进行裁剪处理。之后,返回到将裁剪图片集合分为训练集和验证集的步骤,调整模型参数直到训练出最优的结构识别模型。
步骤S30,接收模块130接收待胃癌识别的病理切片图片。其中,所述病理切片图片是通过取患者一定大小的胃部组织切片,用病理组织学方法染色制成病理切片,并在显微镜下拍摄得到的。例如,当我们需要检测某患者是否患有胃癌时,利用纤维胃镜夹取一部分胃组织,然后对患者胃部组织进行切片、脱水、染色,从而得到显微镜下该患者的胃部病理切片的照片。常见的染色指利用H.E染色法通过苏木素将细胞核中的染色质染成蓝色,伊红将细胞的胞质和核仁等染成红色。
步骤S40,识别模块140利用预先训练的结构识别模型对该病理切片图片进行识别,生成识别结果。接收到待胃癌识别的病理切片图片后,为了使得识别结果更加准确,需要对待胃癌识别的病理切片图片进行处理,所述处理步骤如下:将待胃癌识别的病理切片图片裁剪为第一预设大小的目标图片,如将2048*2048像素大小的病理切片图片裁剪为299*299像素大小的目标图片。接着,将该目标图片分别沿着x轴和y轴方向,且以预设步长进行裁剪,获得若干张对应的第二预设大小的裁剪图片。例如,在目标图片的左下角设置原点,并以目标图片的左边界为Y轴、以目标图片的下边界为X轴,假设以步长为32像素进行裁剪,则每张目标图片可以获取9张224*224像素的裁剪图片。最后,将该裁剪图片输入预先训练的结构识别模型中进行识别。若生成的识别结果为胃癌的确定结果,则输出预设格式的提示信息。进一步地,所述识别结果包括胃癌的确定结果及非胃癌的确定结果。当识别结果为非胃癌的确定结果时,说明该病理切片图片对应的患者没有患有胃癌,继续识别下一张待胃癌识别病理切片图片。当识别结果为胃癌的确定结果时,输出提示信息,如:“该图片对应的患者有胃癌,建议尽快制定有效的治疗方案。”
在另一个实施例中,还可以利用结构识别模型对胃癌病理切片图片识别,进一步的判断胃癌的癌变阶段。针对胃癌的不同癌变阶段,输出不同的提示信息。例如,识别出该病理切片图片对应的患者为胃癌早期,则输出第一预设格式的提示信息,如“图片***的患者为胃癌早期,建议通过检验手段尽快确认病情,并尽早制定有效的治疗方案”;识别出该病理切片图片对应的患者为胃癌中期,则输出第二预设格式的提示信息,如“图片***的患者为胃癌中期,建议尽快制定有效的治疗方案”;识别出该病理切片图片对应的患者为胃癌晚期,则输出第三预设格式的提示信息,如“图片***的患者为胃癌晚期,建议开通绿色医疗通道,并紧急制定有效的治疗方案”。
本实施例提出的胃癌识别方法,通过利用新型结构的结构识别模型对待胃癌识别的病理切片图片进行识别,快速、准确地检测出该病理切片图片对应的患者是否患有胃癌,减少胃癌检测出错率,增大胃癌患者发现机率。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质中包括胃癌识别程序10,所述胃癌识别程序10被处理器执行时实现如下操作:
样本处理步骤:获取第一预设数量的胃部病理切片样本图片,在每个胃部病理切片样本图片上标注非癌变标记点、癌变标记点及癌变标记点形成癌变形状曲线,并对获取的各个胃部病理切片样本图片进行裁剪处理,生成裁剪图片集合;
训练步骤:利用裁剪图片集合中的样本图片对结构识别模型进行训练;
识别步骤:将该病理切片图片输入训练好的结构识别模型进行识别,生成识别结果。
优选地,所述结构识别模型为深度卷积神经网络模型,该深度卷积神经网络模型的主神经网络中嵌入七个子网络,所述病理切片样本图片分别经过所述七个子网络提取特征并进行特征拼接后,再输入主网络结构中参与训练。
优选地,所述训练步骤包括:
将裁剪图片集合分为第一比例的训练集和第二比例的验证集;
利用训练集中的各个裁剪图片集合进行模型训练,生成所述结构识别模型,并利用验证集中的各个裁剪图片集合对生成的结构识别模型进行验证;
若验证通过率大于或等于预设值,则训练完成,若验证通过率小于预设值,则增加第二预设数量的胃部病理切片样本图片,并对增加的胃部病理切片样本图片进行裁剪处理,之后流程返回将裁剪图片集合分为训练集和验证集的步骤。
优选地,所述样本处理步骤包括:
将各个胃部病理切片样本图片裁剪为第一预设大小的目标样本图片;
分别将各个目标样本图片分别沿着x轴和y轴方向,且以预设步长进行裁剪,获得若干张对应的第二预设大小的裁剪图片,每个目标样本图片对应的若干张裁剪图片归为一个裁剪图片集合。
优选地,所述识别步骤包括:
将待胃癌识别的病理切片图片剪裁为第一预设大小的目标图片;
将该目标图片分别沿着x轴和y轴方向,且以预设步长进行裁剪,获得若干张对应的第二预设大小的裁剪图片;
将该裁剪图片输入训练好的结构识别模型中,进行识别。
本发明之计算机可读存储介质的具体实施方式与上述胃癌识别方法的具体实施方式大致相同,在此不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种胃癌识别方法,其特征在于,所述方法包括:
样本处理步骤:获取第一预设数量的胃部病理切片样本图片,在每个胃部病理切片样本图片上标注非癌变标记点、癌变标记点及癌变标记点形成癌变形状曲线,并对获取的各个胃部病理切片样本图片进行裁剪处理,生成裁剪图片集合;
训练步骤:利用裁剪图片集合中的样本图片对结构识别模型进行训练;
接收步骤:接收待胃癌识别的病理切片图片;
识别步骤:将该病理切片图片输入训练好的结构识别模型进行识别,生成识别结果。
2.根据权利要求1所述的胃癌识别方法,其特征在于,所述结构识别模型为深度卷积神经网络模型,该深度卷积神经网络模型的主神经网络中嵌入七个子网络,所述病理切片样本图片分别经过所述七个子网络提取特征并进行特征拼接后,再输入主网络结构中参与训练。
3.根据权利要求2所述的胃癌识别方法,其特征在于,所述训练步骤包括:
将裁剪图片集合分为第一比例的训练集和第二比例的验证集;
利用训练集中的各个裁剪图片集合进行模型训练,生成所述结构识别模型,并利用验证集中的各个裁剪图片集合对生成的结构识别模型进行验证;
若验证通过率大于或等于预设值,则训练完成,若验证通过率小于预设值,则增加第二预设数量的胃部病理切片样本图片,并对增加的胃部病理切片样本图片进行裁剪处理,之后流程返回将裁剪图片集合分为训练集和验证集的步骤。
4.根据权利要求1任意一项所述的胃癌识别方法,其特征在于,所述样本处理步骤包括:
将各个胃部病理切片样本图片裁剪为第一预设大小的目标样本图片;
分别将各个目标样本图片分别沿着x轴和y轴方向,且以预设步长进行裁剪,获得若干张对应的第二预设大小的裁剪图片,每个目标样本图片对应的若干张裁剪图片归为一个裁剪图片集合。
5.根据权利要求1所述的胃癌识别方法,其特征在于,所述识别步骤包括:
将待胃癌识别的病理切片图片剪裁为第一预设大小的目标图片;
将该目标图片分别沿着x轴和y轴方向,且以预设步长进行裁剪,获得若干张对应的第二预设大小的裁剪图片;
将该裁剪图片输入训练好的结构识别模型中,进行识别。
6.一种电子装置,其特征在于,所述装置包括:存储器、处理器,所述存储器上存储有胃癌识别程序,所述胃癌识别程序被所述处理器执行,可实现如下步骤:
样本处理步骤:获取第一预设数量的胃部病理切片样本图片,在每个胃部病理切片样本图片上标注非癌变标记点、癌变标记点及癌变标记点形成癌变形状曲线,并对获取的各个胃部病理切片样本图片进行裁剪处理,生成裁剪图片集合;
训练步骤:利用裁剪图片集合中的样本图片对结构识别模型进行训练;
接收步骤:接收待胃癌识别的病理切片图片;
识别步骤:将该病理切片图片输入训练好的结构识别模型进行识别,生成识别结果。
7.根据权利要求6所述的电子装置,其特征在于,所述结构识别模型为深度卷积神经网络模型,该深度卷积神经网络模型的主神经网络中嵌入七个子网络,所述病理切片样本图片分别经过所述七个子网络提取特征并进行特征拼接后,再输入主网络结构中参与训练。
8.根据权利要求7所述的电子装置,其特征在于,所述训练步骤包括:
将裁剪图片集合分为第一比例的训练集和第二比例的验证集;
利用训练集中的各个裁剪图片集合进行模型训练,生成所述结构识别模型,并利用验证集中的各个裁剪图片集合对生成的结构识别模型进行验证;
若验证通过率大于或等于预设值,则训练完成,若验证通过率小于预设值,则增加第二预设数量的胃部病理切片样本图片,并对增加的胃部病理切片样本图片进行裁剪处理,之后流程返回将裁剪图片集合分为训练集和验证集的步骤。
9.根据权利要求6所述的电子装置,其特征在于,所述识别步骤包括:
将待胃癌识别的病理切片图片剪裁为第一预设大小的目标图片;
将该目标图片分别沿着x轴和y轴方向,且以预设步长进行裁剪,获得若干张对应的第二预设大小的裁剪图片;
将该裁剪图片输入训练好的结构识别模型中,进行识别。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括胃癌识别程序,所述统胃癌识别程序被处理器执行时,可实现如权利要求1至5中任一项所述胃癌识别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810502324.3A CN108734708B (zh) | 2018-05-23 | 2018-05-23 | 胃癌识别方法、装置及存储介质 |
PCT/CN2018/102131 WO2019223146A1 (zh) | 2018-05-23 | 2018-08-24 | 胃癌识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810502324.3A CN108734708B (zh) | 2018-05-23 | 2018-05-23 | 胃癌识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734708A true CN108734708A (zh) | 2018-11-02 |
CN108734708B CN108734708B (zh) | 2021-02-19 |
Family
ID=63935140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810502324.3A Active CN108734708B (zh) | 2018-05-23 | 2018-05-23 | 胃癌识别方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108734708B (zh) |
WO (1) | WO2019223146A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179264A (zh) * | 2020-01-10 | 2020-05-19 | 中国人民解放军总医院 | 标本的复原图制作方法、装置、标本处理系统、电子设备 |
CN111382656A (zh) * | 2019-04-02 | 2020-07-07 | 深圳市鸿合创新信息技术有限责任公司 | 一种图像识别方法、装置、电子设备及存储介质 |
CN111915609A (zh) * | 2020-09-22 | 2020-11-10 | 平安科技(深圳)有限公司 | 病灶检测分析方法、装置、电子设备及计算机存储介质 |
CN113065605A (zh) * | 2021-04-16 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 金银花识别模型的训练方法、装置、计算机设备及介质 |
WO2021174786A1 (zh) * | 2020-07-28 | 2021-09-10 | 平安科技(深圳)有限公司 | 训练样本制作方法、装置、计算机设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373137A (zh) * | 2016-08-24 | 2017-02-01 | 安翰光电技术(武汉)有限公司 | 用于胶囊内窥镜的消化道出血图像检测方法 |
CN106951848A (zh) * | 2017-03-13 | 2017-07-14 | 平安科技(深圳)有限公司 | 图片识别的方法及系统 |
CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
CN107665492A (zh) * | 2017-06-29 | 2018-02-06 | 南京信息工程大学 | 基于深度网络的结直肠全景数字病理图像组织分割方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7912246B1 (en) * | 2002-10-28 | 2011-03-22 | Videomining Corporation | Method and system for determining the age category of people based on facial images |
CN106022338A (zh) * | 2016-05-23 | 2016-10-12 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种数字病理全切片图像感兴趣区域自动检测方法 |
CN106874687A (zh) * | 2017-03-03 | 2017-06-20 | 深圳大学 | 病理切片图像智能分类方法及装置 |
-
2018
- 2018-05-23 CN CN201810502324.3A patent/CN108734708B/zh active Active
- 2018-08-24 WO PCT/CN2018/102131 patent/WO2019223146A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373137A (zh) * | 2016-08-24 | 2017-02-01 | 安翰光电技术(武汉)有限公司 | 用于胶囊内窥镜的消化道出血图像检测方法 |
CN106951848A (zh) * | 2017-03-13 | 2017-07-14 | 平安科技(深圳)有限公司 | 图片识别的方法及系统 |
CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
CN107665492A (zh) * | 2017-06-29 | 2018-02-06 | 南京信息工程大学 | 基于深度网络的结直肠全景数字病理图像组织分割方法 |
Non-Patent Citations (1)
Title |
---|
王旭阳: "基于深度学习的食道癌图像检测技术的研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382656A (zh) * | 2019-04-02 | 2020-07-07 | 深圳市鸿合创新信息技术有限责任公司 | 一种图像识别方法、装置、电子设备及存储介质 |
CN111179264A (zh) * | 2020-01-10 | 2020-05-19 | 中国人民解放军总医院 | 标本的复原图制作方法、装置、标本处理系统、电子设备 |
CN111179264B (zh) * | 2020-01-10 | 2023-10-03 | 中国人民解放军总医院 | 标本的复原图制作方法、装置、标本处理系统、电子设备 |
WO2021174786A1 (zh) * | 2020-07-28 | 2021-09-10 | 平安科技(深圳)有限公司 | 训练样本制作方法、装置、计算机设备及可读存储介质 |
CN111915609A (zh) * | 2020-09-22 | 2020-11-10 | 平安科技(深圳)有限公司 | 病灶检测分析方法、装置、电子设备及计算机存储介质 |
CN111915609B (zh) * | 2020-09-22 | 2023-07-14 | 平安科技(深圳)有限公司 | 病灶检测分析方法、装置、电子设备及计算机存储介质 |
CN113065605A (zh) * | 2021-04-16 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 金银花识别模型的训练方法、装置、计算机设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2019223146A1 (zh) | 2019-11-28 |
CN108734708B (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734708A (zh) | 胃癌识别方法、装置及存储介质 | |
CN108154509A (zh) | 癌症识别方法、装置及存储介质 | |
CN107895367B (zh) | 一种骨龄识别方法、系统及电子设备 | |
CN108009589A (zh) | 样本数据处理方法、装置和计算机可读存储介质 | |
WO2019109526A1 (zh) | 人脸图像的年龄识别方法、装置及存储介质 | |
CN108446621A (zh) | 票据识别方法、服务器及计算机可读存储介质 | |
CN109961009A (zh) | 基于深度学习的行人检测方法、系统、装置及存储介质 | |
CN107680684A (zh) | 用于获取信息的方法及装置 | |
CN109657694A (zh) | 图片自动分类方法、装置及计算机可读存储介质 | |
CN107563123A (zh) | 用于标注医学图像的方法和装置 | |
CN108596338A (zh) | 一种神经网络训练集的获取方法及其系统 | |
WO2019223147A1 (zh) | 肝脏癌变定位方法、装置及存储介质 | |
JP2017536635A (ja) | ピクチャーのシーンの判定方法、装置及びサーバ | |
CN108052523A (zh) | 基于卷积神经网络的赌博网站识别方法和系统 | |
CN110059697A (zh) | 一种基于深度学习的肺结节自动分割方法 | |
CN107730507A (zh) | 一种基于深度学习的病变区域自动分割方法 | |
CN110264443A (zh) | 基于特征可视化的眼底图像病变标注方法、装置及介质 | |
CN107229952A (zh) | 图像的识别方法及装置 | |
CN103299342B (zh) | 提供用于姿势识别的机制的方法和装置 | |
CN110532866A (zh) | 视频数据检测方法、装置、计算机设备及存储介质 | |
CN110502987A (zh) | 一种基于深度学习的植物病虫害识别方法及系统 | |
CN110415212A (zh) | 异常细胞检测方法、装置及计算机可读存储介质 | |
CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN109410211A (zh) | 一种图像中目标物体的分割方法及装置 | |
CN110037680A (zh) | 心电图的识别方法及装置、存储介质、计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |