CN111192678A - 病理显微图像诊断、模型训练方法、装置、设备及介质 - Google Patents

病理显微图像诊断、模型训练方法、装置、设备及介质 Download PDF

Info

Publication number
CN111192678A
CN111192678A CN201911062993.4A CN201911062993A CN111192678A CN 111192678 A CN111192678 A CN 111192678A CN 201911062993 A CN201911062993 A CN 201911062993A CN 111192678 A CN111192678 A CN 111192678A
Authority
CN
China
Prior art keywords
positive
sub
images
negative
microscopic image
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
Application number
CN201911062993.4A
Other languages
English (en)
Other versions
CN111192678B (zh
Inventor
叶德贤
房劬
姜辰希
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Xingmai Information Technology Co ltd
Original Assignee
Shanghai Xingmai Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Xingmai Information Technology Co ltd filed Critical Shanghai Xingmai Information Technology Co ltd
Priority to CN201911062993.4A priority Critical patent/CN111192678B/zh
Publication of CN111192678A publication Critical patent/CN111192678A/zh
Application granted granted Critical
Publication of CN111192678B publication Critical patent/CN111192678B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种病理显微图像诊断、模型训练方法、装置、设备及介质，所述病理显微图像诊断方法包括：获取病理显微图像，将所述病理显微图像切割成若干子图像；采用预先训练的阴阳性预测模型对所有所述子图像进行预测并输出预测结果；判断所述预测结果中是否存在预测结果为阳性的子图像，若存在，则将所述病理显微图像的标签标注为阳性。本发明可以自动对病理显微图像(全视野数字切片)进行阴阳性诊断，并对阳性细胞病理显微图像中的阳性区域进行标注，将全视野数字切片全视野数字切片中的阳性区域提示给医生，辅助医生进行诊断。

Description

病理显微图像诊断、模型训练方法、装置、设备及介质
技术领域
本发明属于图像处理技术领域，特别是涉及病理显微图像处理技术领域，具体为一种病理显微图像诊断、模型训练方法、装置、设备及介质。
背景技术
细胞病理显微图像由于放大倍数很高，图像尺寸往往非常大。医生凭借经验诊断的结果会受到医生水平经验的影响，而且医生观察容易出现疏漏。
随着人工智能技术的发展，深度学习神经网络已经应用到许多领域，也包括医学影像诊断领域，如对肺部X光片的智能诊断。但在显微病理诊断领域，仍以病理科医生的观察为主要诊断方式。例如，肺部细胞病理显微玻片的诊断，可以是气管镜活检采集到的气管镜活检印片、或者细针穿刺采集到的细针穿刺涂片等。使用数字显微镜对肺部细胞玻片进行扫描后，都会得到一张病理超大图，也叫做whole slide image。这类图片通常有亿级别的像素数量。运用算法分析whole slide image的阴阳性时，通常需要事先标注阳性区域。这是一个工作量非常大的任务，而且容易遗漏标注小对阳性区域，此外对于边缘区域，从图像上可能会出现难以分界的情况，即正常细胞与异常细胞交织在一起。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种病理显微图像诊断、模型训练方法、装置、设备及介质，用于准确、高效地对病理显微图像进行诊断预测，输出病理显微图像的诊断结果。
为实现上述目的及其他相关目的，本发明的实施例提供一种病理显微图像诊断方法，所述病理显微图像诊断方法包括：获取病理显微图像，将所述病理显微图像切割成若干子图像；采用预先训练的阴阳性预测模型对所有所述子图像进行预测并输出预测结果；判断各所述子图像的所述预测结果中是否存在预测结果为阳性的子图像，若存在，则确定所述病理显微图像的诊断结果为阳性；若不存在，则确定所述病理显微图像的诊断结果为阴性。
于本申请的一实施例中，预先训练所述阴阳性预测模型的一种实现方式包括：获取由具有阴阳性标签的样本病理显微图像切割成的若干子图像；通过卷积神经网络模型对所有子图像的阴阳性进行预测，并获得各所述子图像的预测阳性概率；若所述样本病理显微图像的标签为阳性，则获取按从大到小排序的预测阳性概率最大的一个或多个子图像，记为阳性子图像；若所述样本病理显微图像的标签为阴性，则获取按从大到小排序的预测阳性概率最小的一个或多个子图像，记为阴性子图像；将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练；重复以上述步骤对所述卷积神经网络模型进行多次迭代训练，得到所述阴阳性预测模型。
于本申请的一实施例中，在将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练时，所述卷积神经网络模型根据损失函数计算得到的损失值下降并收敛时，形成的模型即为所述阴阳性预测模型。
于本申请的一实施例中，所述损失函数的一种表达形式如下：
Figure RE-GDA0002447449520000021
其中：loss(x,class)表示损失函数，weight表示权重，x表示预测概率，class表示对应的标签类别，j表示所有子图像的序号。
于本申请的一实施例中，所述损失函数的一种表达形式如下：
Figure RE-GDA0002447449520000022
其中：loss(x，class)表示损失函数，x表示预测概率，class表示对应的标签类别，j表示所有子图像的序号。
于本申请的一实施例中，若所述病理显微图像中存在预测结果为阳性的子图像，所述病理显微图像诊断方法还包括：获取并标注该阳性的子图像于所述病理显微图像中的位置；输出显示标注有该阳性的子图像的所述病理显微图像。
本发明的实施例还提供一种阴阳性预测模型的模型训练生成方法，所述阴阳性预测模型的模型训练生成方法包括：获取由具有阴阳性标签的样本病理显微图像切割成的若干子图像；通过卷积神经网络模型对所有子图像的阴阳性进行预测，并获得各所述子图像的预测阳性概率；若所述样本病理显微图像的标签为阳性，则获取按从大到小排序的预测阳性概率最大的一个或多个子图像，记为阳性子图像；若所述样本病理显微图像的标签为阴性，则获取按从大到小排序的预测阳性概率最小的一个或多个子图像，记为阴性子图像；将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练；重复以上述步骤对所述卷积神经网络模型进行多次迭代训练，得到所述阴阳性预测模型。
本发明的实施例还提供一种病理显微图像诊断装置，所述病理显微图像诊断装置包括：输入模块，用于获取病理显微图像；切割模块，用于将所述病理显微图像切割成若干子图像；预测模块，采用预先训练的阴阳性预测模型对所有所述子图像进行预测并输出预测结果；结果输出模块，用于判断各所述子图像的所述预测结果中是否存在预测结果为阳性的子图像，若存在，则确定所述病理显微图像的诊断结果为阳性；若不存在，则确定所述病理显微图像的诊断结果为阴性。
于本申请的一实施例中，所述病理显微图像诊断装置还包括：阴阳性预测模型训练生成模块；所述阴阳性预测模型训练生成模块包括：样本获取单元，用于获取具有阴阳性标签的样本病理显微图像；样本切割单元，用于将各所述样本病理显微图像切割成若干子图像；概率获取单元，用于通过卷积神经网络模型对所有子图像的阴阳性进行预测，并获得各所述子图像的预测阳性概率；若所述样本病理显微图像的标签为阳性，则获取按从大到小排序的预测阳性概率最大的一个或多个子图像，记为阳性子图像；若所述样本病理显微图像的标签为阴性，则获取按从大到小排序的预测阳性概率最小的一个或多个子图像，记为阴性子图像；模型生成单元，用于将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练，并对所述卷积神经网络模型进行多次迭代训练，得到所述阴阳性预测模型。
于本申请的一实施例中，所述病理显微图像诊断装置还包括：显示输出模块；所述显示输出模块包括：位置标注单元，用于获取并标注所述病理显微图像中阳性的子图像于所述病理显微图像中的位置；输出显示单元，用于输出显示标注有该阳性的子图像的所述病理显微图像。
本发明的实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的病理显微图像诊断方法或者如上所述的阴阳性预测模型的模型训练生成方法。
本发明的实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有程序指令，所述处理器运行程序指令实现如上所述的病理显微图像诊断方法或者如上所述的阴阳性预测模型的模型训练生成方法。
如上所述，本发明的病理显微图像诊断、模型训练方法、装置、设备及介质，具有以下有益效果：
本发明可以自动对病理显微图像(全视野数字切片)进行阴阳性诊断，并对阳性细胞病理显微图像中的阳性区域进行标注，将全视野数字切片全视野数字切片中的阳性区域提示给医生，辅助医生进行诊断，节省了大量的困难且耗时的人工观察工作。
附图说明
图1显示为本发明的病理显微图像诊断方法的整体流程示意图。
图2显示为本发明的病理显微图像诊断方法中将病理显微图像切割成若干子图像的示意图。
图3显示为本发明的病理显微图像诊断方法中得到阴阳性预测模型的流程图。
图4显示为本发明使用的卷积神经网络模型图。
图5显示为本发明的病理显微图像诊断方法中图像输出的流程示意图。
图6显示为正常的肺部细胞显微图像。
图7显示为腺癌阳性的肺部细胞显微图像。
图8显示为本发明的病理显微图像诊断装置的整体原理结构框图。
图9显示为本发明的病理显微图像诊断装置中阴阳性预测模型训练生成模块的原理结构框图。
图10显示为本发明的病理显微图像诊断装置的优选原理结构框图。
图11显示为本发明的病理显微图像诊断装置中显示输出模块的原理结构框图。
图12显示为本申请一实施例中的电子终端的结构示意图。
元件标号说明
100 病理显微图像诊断装置
110 输入模块
120 切割模块
130 预测模块
140 结果输出模块
150 显示输出模块
151 位置标注单元
152 输出显示单元
160 阴阳性预测模型训练生成模块
161 样本获取单元
162 样本切割单元
163 概率获取单元
164 模型生成单元
201 输入层
202 卷积层
203 池化层
204 卷积层
205 池化层
206 全连接层
207 输出层
1101 处理器
1102 存储器
S110～S170 步骤
S121～S124 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本实施例的目的在于提供一种病理显微图像诊断、模型训练方法、装置、设备及介质，用于准确、高效地对病理显微图像进行诊断预测，输出病理显微图像的诊断结果。
以下将详细阐述本实施例的病理显微图像诊断、模型训练方法、装置、设备及介质的原理及实施方式，使本领域技术人员不需要创造性劳动即可理解本发明的病理显微图像诊断、模型训练方法、装置、设备及介质。
实施例1
如图1所示，本实施例提供一种病理显微图像诊断方法，所述病理显微图像诊断方法包括以下步骤：
步骤S110，获取病理显微图像，将所述病理显微图像切割成若干子图像病理显微图像；
步骤S120，采用预先训练的阴阳性预测模型对所有所述子图像进行预测并输出预测结果；
步骤S130，判断各所述子图像的所述预测结果中是否存在预测结果为阳性的子图像；若存在，则继续执行步骤S140，若不存在，则继续执行步骤S150。
步骤S140，确定所述病理显微图像的诊断结果为阳性；
步骤S150，确定所述病理显微图像的诊断结果为阴性。
以下对本实施例病理显微图像诊断方法的步骤S110至步骤S150进行详细说明。
步骤S110，获取病理显微图像，将所述病理显微图像切割成若干子图像。
病理扫描设备输出的病理超大图即病理显微图像，也叫全视野数字切片(wholeslide images，WSI)。本实施例中，如图2所示，将所述病理显微图像切割成若干子图像，即对于病理扫描设备输出的病理超大图，将其切成小图片。
具体地，采用图片处理工具以滑窗的形式对全视野数字切片(whole slideimages，WSI) 不重叠的进行切割，切割的子图像大小一般为256、512或1024。具体切割的子图像的数量和大小与本实施例使用的卷积神经网络模型所需要的输入大小一致。
步骤S120，采用预先训练的阴阳性预测模型对所有所述子图像进行预测并输出预测结果。
具体地，于本实施例中，如图3所示，预先训练所述阴阳性预测模型(也可以称为阴阳性分类器)的一种实现方式包括：
步骤S121，获取由具有阴阳性标签的样本病理显微图像切割成的若干子图像。
其中，在训练所述阴阳性预测模型时，将具有阴阳性标签的样本病理显微图像切割成的若干子图像一种方式是：一次性全部切割完，每次取出一个具有阴阳性标签的样本病理显微图像的所有子图像(形成一个多示例包)执行步骤S121至步骤S124；
另一种方式是，于本步骤中，在训练所述阴阳性预测模型时，先切割一个具有阴阳性标签的样本病理显微图像获取其子图像，在对该样本病理显微图像执行完步骤S121至步骤S124 的训练之后，再继续进行下一个具有阴阳性标签的样本病理显微图像的切割。
其中，标签即为该病理显微图像的诊断结果。
于本实施例中，所述标签为二分类标签，即阴性标签和阳性标签。也就是说，本实施例的标签是针对一种病症的二分类标签，例如，二分类标签可以是：有无病变、有无癌变、有无鳞癌、有无腺癌、有无炎症等。
本实施例中采用的样本病理显微图像是已经具有阴阳性标签的病理显微图像，所以在训练阴阳性预测模型时，不需要事先由医生进行阳性区域的标注，只需要数据库中的病理显微图像具有阴性或阳性的标签即可，因此容易获取大量的训练数据。
将各所述样本病理显微图像切割成若干子图像，具体地，采用图片处理工具以滑窗的形式对全视野数字切片(whole slide images，WSI)不重叠的进行切割，切割的子图像大小一般为256、512或1024。具体切割的子图像的数量和大小与本实施例使用的卷积神经网络模型所需要的输入大小一致。
即由所有的子图像(小图)组成一个多示例包，一个多示例包对应一张样本病理显微图像该示例包的标签即为WSI的标签，这是很容易从诊断报告中获取的，接着使用多示例学习算法来训练细胞病理显微图像的阴阳性分类器。
步骤S122，通过卷积神经网络模型对所有子图像的阴阳性进行预测，并获得各所述子图像的预测阳性概率。
具体的，使用卷积神经网络包括但不限于ResNet、DenseNet。
其中，在一种实施例中，于对各所有子图像的阴阳性进行预测的卷积神经网络模型如图 4所示，包括：输入层201，卷积层202，池化层203，卷积层204，池化层205，全连接层206，输出层207。输入层201执行图像输入，在这里图像可以看作是由一个个像素点构成的二维数组，每个像素点具有其各自的像素值。卷积层202、204配置为对输入的图像进行特征提取，在卷积神经网络中，可以有一个或多个卷积层。在一个实施例中，卷积层利用一个3×3的卷积核，对于8×8的输入图像，计算得到6×6的特征图。当计算卷积时，输出特征映射的大小比原图小。使用的卷积核越大，得到的特征图就越小。对于n×m大小的卷积核，输入图像的大小将丢失(n-1)×(m-1)。因此，上面的例子如果用5×5的卷积核，那特征图将只有4×4。多数情况下，需要特征图和原图等大，这时就要填充特征图，一般用0填充。假设原图大小为8×8，而核为5×5，那么需要先把原图填充到12×12，添加4个额外的行和列，每侧各2行/列。为了减少计算量提高计算速度，可以为卷积层生成一个池化层，配置为对特征图进行降采样，生成尺寸更小的特征图。全连接层206配置为将池化层205降采样得到的特征映射到样本标记空间。最后通过输出层207输出分类预测结果。
其中，于本实施例中，通过卷积神经网络模型得到的首先是一个预测阳性概率，然后可以通过一个阈值来得出阴性或阳性的预测结果的结论。在预测阳性概率大于等于阈值时获得阳性的预测结果，在预测阳性概率小于阈值时获得阴性的预测结果，所述阈值是可以调节，例如90％、80％或95％，比如，预测阳性概率高于90％(80％、95％)，就得出阳性的预测结果，否则是阴性的预测结果。
步骤S123，若所述样本病理显微图像的标签为阳性，则获取按从大到小排序的预测阳性概率最大的一个或多个子图像，记为阳性子图像；若所述样本病理显微图像的标签为阴性，则获取按从大到小排序的预测阳性概率最小的一个或多个子图像，记为阴性子图像。
例如，一个所述样本病理显微图像对应的所有子图像构成的多示例包的标签是鳞癌，多示例包中共有1000张子图像(示例)，采用卷积神经网络模型对这1000张子图像分别进行预测，每张子图像都会对应一个属于鳞癌的概率，然后根据概率的大小进行排序，找到其中最大概率的那张子图像，例如是第999张，鳞癌概率是0.999，是最大的，那就把第999张子图像取出来。
步骤S124，将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练。
重复上述步骤S121至步骤S124，对所述卷积神经网络模型进行多次迭代训练，得到所述阴阳性预测模型。
其中，于本实施例中，在将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练时，所述卷积神经网络模型根据损失函数计算得到的损失值下降并收敛时，形成的模型即为所述阴阳性预测模型。
于本实施例中，所述损失函数的一种表达形式如下：
Figure RE-GDA0002447449520000081
其中：loss(x,class)表示损失函数，x表示预测概率，class表示对应的标签类别，j表示所有子图像的序号。
此外，于另一实施例中，所述损失函数可以通过一带权重的交叉熵(crossentropy)平衡阴性标签的所述样本病理显微图像的数量和阳性标签的所述样本病理显微图像的数量。
此时，所述损失函数的一种表达形式如下：
Figure RE-GDA0002447449520000082
其中：loss(x,class)表示损失函数，weight表示权重，x表示预测概率，class表示对应的标签类别，j表示所有子图像的序号。
本实施例中，将未带标签即待诊断的病理显微图像切割成若干子图像之后，采用上述训练好的阴阳性预测模型对所有所述子图像进行预测，其中，一个所述病理显微图像对应的所有的子图像组成一个多示例包，使用上述训练的阴阳性预测模型对其中所有示例进行预测。
步骤S130，判断所述预测结果中是否存在预测结果为阳性的子图像，步骤S140，确定所述病理显微图像的标签标注为阳性；步骤S150，确定所述病理显微图像的标签标注为阴性。
也就是说，若预测结果中存在正示例(阳性图片)，则整个病理显微图像(WSI)为阳性，否则为阴性。
特别地，于本实施例中，如图5所示，若所述病理显微图像中存在预测结果为阳性的子图像，所述病理显微图像诊断方法还可以包括：
步骤S160，获取并标注该阳性的子图像于所述病理显微图像中的位置；
步骤S170，输出显示标注有该阳性的子图像的所述病理显微图像。
请参考图6和图7的对比，通过正示例在病理显微图像(WSI)中的位置，将病理显微图像(WSI)中的阳性区域提示给医生，辅助医生进行诊断。
所以本实施例的病理显微图像诊断方法可以自动对病理显微图像(全视野数字切片)进行阴阳性诊断，并对阳性细胞病理显微图像中的阳性区域进行标注，将全视野数字切片全视野数字切片中的阳性区域提示给医生，辅助医生进行诊断，节省了大量的困难且耗时的人工观察工作。
实施例2
如图3所示，本实施例提供一种阴阳性预测模型的模型训练生成方法，所述阴阳性预测模型的模型训练生成方法包括：
步骤S121，获取由具有阴阳性标签的样本病理显微图像切割成的若干子图像；
步骤S122，通过卷积神经网络模型对所有子图像的阴阳性进行预测，并获得各所述子图像的预测阳性概率；
步骤S123，若所述样本病理显微图像的标签为阳性，则获取按从大到小排序的预测阳性概率最大的一个或多个子图像，记为阳性子图像；若所述样本病理显微图像的标签为阴性，则获取按从大到小排序的预测阳性概率最小的一个或多个子图像，记为阴性子图像；
步骤S124，将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练。
重复上述步骤S121至步骤S124，对所述卷积神经网络模型进行多次迭代训练，得到所述阴阳性预测模型。
以下对本实施例中阴阳性预测模型的模型训练生成方法的上述步骤S121至步骤S124进行详细说明。
步骤S121，获取由具有阴阳性标签的样本病理显微图像切割成的若干子图像。
其中，在训练所述阴阳性预测模型时，将具有阴阳性标签的样本病理显微图像切割成的若干子图像一种方式是：一次性全部切割完，每次取出一个具有阴阳性标签的样本病理显微图像的所有子图像(形成一个多示例包)执行步骤S121至步骤S124；
另一种方式是，于本步骤中，在训练所述阴阳性预测模型时，先切割一个具有阴阳性标签的样本病理显微图像获取其子图像，在对该样本病理显微图像执行完步骤S121至步骤S124 的训练之后，再继续进行下一个具有阴阳性标签的样本病理显微图像的切割。
其中，标签即为该病理显微图像的诊断结果。于本实施例中，所述标签为二分类标签，即阴性标签和阳性标签。也就是说，本实施例的标签是针对同一种病症的二分类标签，例如，二分类标签可以是：有无病变、有无癌变、有无鳞癌、有无腺癌、有无炎症等。
本实施例中采用的样本病理显微图像是已经具有阴阳性标签的病理显微图像，所以在训练阴阳性预测模型时，不需要事先由医生进行阳性区域的标注，只需要数据库中的病理显微图像具有阴性或阳性的标签即可，因此容易获取大量的训练数据。
将各所述样本病理显微图像切割成若干子图像，具体地，采用图片处理工具以滑窗的形式对全视野数字切片(whole slide images，WSI)不重叠的进行切割，切割的子图像大小一般为256、512或1024。具体切割的子图像的数量和大小与本实施例使用的卷积神经网络模型所需要的输入大小一致。
即由所有的子图像(小图)组成一个多示例包，一个多示例包对应一张样本病理显微图像该示例包的标签即为WSI的标签，这是很容易从诊断报告中获取的，接着使用多示例学习算法来训练细胞病理显微图像的阴阳性分类器。
步骤S122，通过卷积神经网络模型对所有子图像的阴阳性进行预测，并获得各所述子图像的预测阳性概率。
具体的，使用卷积神经网络包括但不限于ResNet、DenseNet。
其中，在一种实施例中，于对各所有子图像的阴阳性进行预测的卷积神经网络模型如图 4所示，包括：输入层501，卷积层502，池化层503，卷积层504，池化层505，全连接层506，输出层507。输入层501执行图像输入，在这里图像可以看作是由一个个像素点构成的二维数组，每个像素点具有其各自的像素值。卷积层502、504配置为对输入的图像进行特征提取，在卷积神经网络中，可以有一个或多个卷积层。在一个实施例中，卷积层利用一个3×3的卷积核，对于8×8的输入图像，计算得到6×6的特征图。当计算卷积时，输出特征映射的大小比原图小。使用的卷积核越大，得到的特征图就越小。对于n×m大小的卷积核，输入图像的大小将丢失(n-1)×(m-1)。因此，上面的例子如果用5×5的卷积核，那特征图将只有4×4。多数情况下，需要特征图和原图等大，这时就要填充特征图，一般用0填充。假设原图大小为8×8，而核为5×5，那么需要先把原图填充到12×12，添加4个额外的行和列，每侧各2行/列。为了减少计算量提高计算速度，可以为卷积层生成一个池化层，配置为对特征图进行降采样，生成尺寸更小的特征图。全连接层506配置为将池化层505降采样得到的特征映射到样本标记空间。最后通过输出层507输出分类预测结果。
其中，于本实施例中，通过卷积神经网络模型得到的首先是一个预测阳性概率，然后可以通过一个阈值来得出阴性或阳性的预测结果的结论。在预测阳性概率大于等于阈值时获得阳性的预测结果，在预测阳性概率小于阈值时获得阴性的预测结果，所述阈值是可以调节，例如90％、80％或95％，比如，预测阳性概率高于90％(80％、95％)，就得出阳性的预测结果，否则是阴性的预测结果。
步骤S123，若所述样本病理显微图像的标签为阳性，则获取按从大到小排序的预测阳性概率最大的一个或多个子图像，记为阳性子图像；若所述样本病理显微图像的标签为阴性，则获取按从大到小排序的预测阳性概率最小的一个或多个子图像，记为阴性子图像。
例如，一个所述样本病理显微图像对应的所有子图像构成的多示例包的标签是鳞癌，多示例包中共有1000张子图像(示例)，采用卷积神经网络模型对这1000张子图像分别进行预测，每张子图像都会对应一个属于鳞癌的概率，然后根据概率的大小进行排序，找到其中最大概率的那张子图像，例如是第999张，鳞癌概率是0.999，是最大的，那就把第999张子图像取出来。
步骤S124，将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练。
重复上述步骤S121至步骤S124，对所述卷积神经网络模型进行多次迭代训练，得到所述阴阳性预测模型。
其中，于本实施例中，在将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练时，所述卷积神经网络模型根据损失函数计算得到的损失值下降并收敛时，形成的模型即为所述阴阳性预测模型。
于本实施例中，所述损失函数的一种表达形式如下：
Figure RE-GDA0002447449520000111
其中：loss(x,class)表示损失函数，x表示预测概率，class表示对应的标签类别，j表示所有子图像的序号。
此外，于另一实施例中，所述损失函数可以通过一带权重的交叉熵(crossentropy)平衡阴性标签的所述样本病理显微图像的数量和阳性标签的所述样本病理显微图像的数量。
此时，所述损失函数的一种表达形式如下：
Figure RE-GDA0002447449520000112
其中：loss(x,class)表示损失函数，weight表示权重，x表示预测概率，class表示对应的标签类别，j表示所有子图像的序号。
本实施例中，将未带标签即待诊断的病理显微图像切割成若干子图像之后，采用上述训练好的阴阳性预测模型对所有所述子图像进行预测，其中，一个所述病理显微图像对应的所有的子图像组成一个多示例包，使用上述训练的阴阳性预测模型对其中所有示例进行预测。
实施例3
如图8所示，本实施例还提供一种病理显微图像诊断装置100，所述病理显微图像诊断装置100包括：输入模块110，切割模块120，预测模块130以及结果输出模块140。
具体地，于本实施例中，所述输入模块110用于获取病理显微图像。病理扫描设备输出的病理超大图即病理显微图像，也叫全视野数字切片(whole slide images，WSI)。
于本实施例中，所述切割模块120用于将所述病理显微图像切割成若干子图像。
本实施例中，如图2所示，将所述病理显微图像切割成若干子图像，即对于病理扫描设备输出的病理超大图，将其切成小图片。
具体地，采用图片处理工具以滑窗的形式对全视野数字切片(whole slideimages，WSI) 不重叠的进行切割，切割的子图像大小一般为256、512或1024。具体切割的子图像的数量和大小与本实施例使用的卷积神经网络模型所需要的输入大小一致。
于本实施例中，所述位置记录模块用于记录所有子图像于所述病理显微图像。
于本实施例中，所述预测模块130采用预先训练的阴阳性预测模型对所有所述子图像进行预测并输出预测结果。
于本实施例中，如图9所示，所述病理显微图像诊断装置100还包括：阴阳性预测模型训练生成模块160。所述阴阳性预测模型训练生成模块160包括：样本获取单元161，样本切割单元162，概率获取单元163以及模型生成单元164。
于本实施例中，所述样本获取单元161用于获取具有阴阳性标签的样本病理显微图像。
其中，标签即为该病理显微图像的诊断结果。
于本实施例中，所述标签为二分类标签，即阴性标签和阳性标签。也就是说，本实施例的标签是针对同一种病症的二分类标签，例如，二分类标签可以是：有无病变、有无癌变、有无鳞癌、有无腺癌、有无炎症等。
本实施例中采用的样本病理显微图像是已经具有阴阳性标签的病理显微图像，所以在训练阴阳性预测模型时，不需要事先由医生进行阳性区域的标注，只需要数据库中的病理显微图像具有阴性或阳性的标签即可，因此容易获取大量的训练数据。
于本实施例中，所述样本切割单元162用于将所述样本病理显微图像切割成若干子图像。
其中，在训练所述阴阳性预测模型时，将具有阴阳性标签的样本病理显微图像切割成的若干子图像一种方式是：一次性全部切割完，每次取出一个具有阴阳性标签的样本病理显微图像的所有子图像输入到卷积神经网络进行训练学习。
另一种方式是，在训练所述阴阳性预测模型时，先切割一个具有阴阳性标签的样本病理显微图像获取其子图像，在对该样本病理显微图像进行训练之后，再继续进行下一个具有阴阳性标签的样本病理显微图像的切割。
将各所述样本病理显微图像切割成若干子图像，具体地，采用图片处理工具以滑窗的形式对全视野数字切片(whole slide images，WSI)不重叠的进行切割，切割的子图像大小一般为256、512或1024。具体切割的子图像的数量和大小与本实施例使用的卷积神经网络模型所需要的输入大小一致。
即由所有的子图像(小图)组成一个多示例包，一个多示例包对应一张样本病理显微图像该示例包的标签即为WSI的标签，这是很容易从诊断报告中获取的，接着使用多示例学习算法来训练细胞病理显微图像的阴阳性分类器。
于本实施例中，所述概率获取单元163用于通过卷积神经网络模型对所有子图像的阴阳性进行预测，并获得各所述子图像的预测阳性概率；若所述样本病理显微图像的标签为阳性，则获取按从大到小排序的预测阳性概率最大的一个或多个子图像，记为阳性子图像；若所述样本病理显微图像的标签为阴性，则获取按从大到小排序的预测阳性概率最小的一个或多个子图像，记为阴性子图像。
具体的，使用卷积神经网络包括但不限于ResNet、DenseNet。
其中，在一种实施例中，于对各所有子图像的阴阳性进行预测的卷积神经网络模型如图 4所示，包括：输入层201，卷积层202，池化层203，卷积层204，池化层205，全连接层206，输出层207。输入层201执行图像输入，在这里图像可以看作是由一个个像素点构成的二维数组，每个像素点具有其各自的像素值。卷积层202、204配置为对输入的图像进行特征提取，在卷积神经网络中，可以有一个或多个卷积层。在一个实施例中，卷积层利用一个3×3的卷积核，对于8×8的输入图像，计算得到6×6的特征图。当计算卷积时，输出特征映射的大小比原图小。使用的卷积核越大，得到的特征图就越小。对于n×m大小的卷积核，输入图像的大小将丢失(n-1)×(m-1)。因此，上面的例子如果用5×5的卷积核，那特征图将只有4×4。多数情况下，需要特征图和原图等大，这时就要填充特征图，一般用0填充。假设原图大小为8×8，而核为5×5，那么需要先把原图填充到12×12，添加4个额外的行和列，每侧各2行/列。为了减少计算量提高计算速度，可以为卷积层生成一个池化层，配置为对特征图进行降采样，生成尺寸更小的特征图。全连接层206配置为将池化层205降采样得到的特征映射到样本标记空间。最后通过输出层207输出分类预测结果。
其中，于本实施例中，通过卷积神经网络模型得到的首先是一个预测阳性概率，然后可以通过一个阈值来得出阴性或阳性的预测结果的结论。在预测阳性概率大于等于阈值时获得阳性的预测结果，在预测阳性概率小于阈值时获得阴性的预测结果，所述阈值是可以调节，例如90％、80％或95％，比如，预测阳性概率高于90％(80％、95％)，就得出阳性的预测结果，否则是阴性的预测结果。
例如，一个所述样本病理显微图像对应的所有子图像构成的多示例包的标签是鳞癌，多示例包中共有1000张子图像(示例)，采用卷积神经网络模型对这1000张子图像分别进行预测，每张子图像都会对应一个属于鳞癌的概率，然后根据概率的大小进行排序，找到其中最大概率的那张子图像，例如是第999张，鳞癌概率是0.999，是最大的，那就把第999张子图像取出来。
于本实施例中，所述模型生成单元164用于将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练，并对所述卷积神经网络模型进行多次迭代训练，得到所述阴阳性预测模型。
其中，于本实施例中，在将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练时，所述卷积神经网络模型根据损失函数计算得到的损失值下降并收敛时，形成的模型即为所述阴阳性预测模型。
于本实施例中，所述损失函数的一种表达形式如下：
Figure RE-GDA0002447449520000141
其中：loss(x,class)表示损失函数，x表示预测概率，class表示对应的标签类别，j表示所有子图像的序号。
此外，于另一实施例中，所述损失函数通过一带权重的交叉熵(cross entropy)平衡阴性标签的所述样本病理显微图像的数量和阳性标签的所述样本病理显微图像的数量。
此时，所述损失函数的一种表达形式如下：
Figure RE-GDA0002447449520000142
其中：loss(x,class)表示损失函数，weight表示权重，x表示预测概率，class表示对应的标签类别，j表示所有子图像的序号。
本实施例中，将未带标签即待诊断的病理显微图像切割成若干子图像之后，采用上述训练好的阴阳性预测模型对所有所述子图像进行预测，其中，一个所述病理显微图像对应的所有的子图像组成一个多示例包，使用上述训练的阴阳性预测模型对其中所有示例进行预测。
于本实施例中，所述结果输出模块140用于判断所述预测结果中是否存在预测结果为阳性的子图像，若存在，则确定所述病理显微图像的标签标注为阳性，若不存在，则确定所述病理显微图像的标签标注为阴性。
也就是说，若预测结果中存在正示例(阳性图片)，则整个病理显微图像(WSI)为阳性，否则为阴性。
此外，于本实施例中，如图10所示，所述病理显微图像诊断装置100还包括：显示输出模块150；如图11所示，所述显示输出模块150包括：位置标注单元151和输出显示单元152。
所述位置标注单元151用于获取并标注所述病理显微图像中阳性的子图像于所述病理显微图像中的位置；所述输出显示单元152，用于输出显示标注有该阳性的子图像的所述病理显微图像。
通过正示例在病理显微图像(WSI)中的位置，将病理显微图像(WSI)中的阳性区域提示给医生，辅助医生进行诊断。
实施例4
本实施例还提供一种电子设备，所述电子设备为但不限于医疗检测设备，图像处理设备等，如图12所示，所述电子设备处理器1101和存储器1102；存储器1102通过系统总线与处理器1101连接并完成相互间的通信，存储器1102用于存储计算机程序，处理器1101用于运行计算机程序，以使所述电子设备执行所述的病理显微图像诊断方法。上述已经对所述病理显微图像诊断方法进行了详细说明，在此不再赘述。
所述的病理显微图像诊断方法可应用于多种类型的电子设备。所述电子设备例如是控制器，具体如ARM(Advanced RISC Machines)控制器、FPGA(Field Programmable GateArray) 控制器、SoC(System on Chip)控制器、DSP(Digital Signal Processing)控制器、或者MCU (Micorcontroller Unit)控制器等等。所述电子设备例如也可以是包括存储器、存储控制器、一个或多个处理单元(CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O)子系统、显示屏、其他输出或控制设备，以及外部端口等组件的计算机；所述计算机包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、智能电视、个人数字助理(Personal Digital Assistant，简称PDA)等个人电脑。在另一些实施方式中，所述电子设备还可以是服务器，所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上，也可以由分布的或集中的服务器集群构成，本实施例不作限定。
于实际的实现方式中，所述电子设备例如为安装Android操作系统或者iOS操作系统，或者Palm OS、Symbian(塞班)、或者Black Berry(黑莓)OS、Windows Phone等操作系统的电子设备。
在示例性实施例中，所述电子设备可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器、摄像头或其他电子元件实现，用于执行上述病理显微图像诊断方法。
另需说明的是，上述提到的系统总线可以是外设部件互连标准(PeripheralComponent Interconnect，简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture，简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器 (non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器1101可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
实施例5
本实施例提供一种计算机可读存储介质，所述存储介质例如为存储器，存储器被配置为存储各种类型的数据以支持在设备的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，消息，图片等。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，高速随机存取存储器，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器 (PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘等。所述存储器存储有程序指令，所述程序指令被执行时实现如上所述的病理显微图像诊断方法。上述已经对所述的病理显微图像诊断方法进行了详细说明，在此不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本发明可以自动对病理显微图像(全视野数字切片)进行阴阳性诊断，并对阳性细胞病理显微图像中的阳性区域进行标注，将全视野数字切片全视野数字切片中的阳性区域提示给医生，辅助医生进行诊断，节省了大量的困难且耗时的人工观察工作。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (12)

1.一种病理显微图像诊断方法，其特征在于：所述病理显微图像诊断方法包括：
获取病理显微图像，将所述病理显微图像切割成若干子图像；
采用预先训练得到的阴阳性预测模型对所有所述子图像进行预测并输出预测结果；
判断各所述子图像的所述预测结果中是否存在预测结果为阳性的子图像，若存在，则确定所述病理显微图像的诊断结果为阳性；若不存在，则确定所述病理显微图像的诊断结果为阴性。
2.根据权利要求1所述的病理显微图像诊断方法，其特征在于：预先训练得到所述阴阳性预测模型的一种实现方式包括：
获取由具有阴阳性标签的样本病理显微图像切割成的若干子图像；
通过卷积神经网络模型对所有子图像的阴阳性进行预测，并获得各所述子图像的预测阳性概率；
若所述样本病理显微图像的标签为阳性，则获取按从大到小排序的预测阳性概率最大的一个或多个子图像，记为阳性子图像；
若所述样本病理显微图像的标签为阴性，则获取按从大到小排序的预测阳性概率最小的一个或多个子图像，记为阴性子图像；
将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练；
重复以上述步骤对所述卷积神经网络模型进行多次迭代训练，得到所述阴阳性预测模型。
3.根据权利要求2所述的病理显微图像诊断方法，其特征在于：在将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练时，所述卷积神经网络模型根据损失函数计算得到的损失值下降并收敛时，形成的模型即为所述阴阳性预测模型。
4.根据权利要求3所述的病理显微图像诊断方法，其特征在于：所述损失函数的一种表达形式如下：
Figure FDA0002255926800000011
其中：loss(x,class)表示损失函数，weight表示权重，x表示预测概率，class表示对应的标签类别，j表示所有子图像的序号。
5.根据权利要求3所述的病理显微图像诊断方法，其特征在于：所述损失函数的一种表达形式如下：
Figure FDA0002255926800000021
其中：loss(x,class)表示损失函数，x表示预测概率，class表示对应的标签类别，j表示所有子图像的序号。
6.根据权利要求1所述的病理显微图像诊断方法，其特征在于：若所述病理显微图像中存在预测结果为阳性的子图像，所述病理显微图像诊断方法还包括：
获取并标注该阳性的子图像于所述病理显微图像中的位置；
输出显示标注有该阳性的子图像的所述病理显微图像。
7.一种用于病理显微图像诊断的阴阳性预测模型训练方法，其特征在于：所述阴阳性预测模型的模型训练生成方法包括：
获取由具有阴阳性标签的样本病理显微图像切割成的若干子图像；
通过卷积神经网络模型对所有子图像的阴阳性进行预测，并获得各所述子图像的预测阳性概率；
若所述样本病理显微图像的标签为阳性，则获取按从大到小排序的预测阳性概率最大的一个或多个子图像，记为阳性子图像；
若所述样本病理显微图像的标签为阴性，则获取按从大到小排序的预测阳性概率最小的一个或多个子图像，记为阴性子图像；
将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练；
重复以上述步骤对所述卷积神经网络模型进行多次迭代训练，得到所述阴阳性预测模型。
8.一种病理显微图像诊断装置，其特征在于：所述病理显微图像诊断装置包括：
输入模块，用于获取病理显微图像；
切割模块，用于将所述病理显微图像切割成若干子图像；
预测模块，采用预先训练的阴阳性预测模型对所有所述子图像进行预测并输出预测结果；
结果输出模块，用于判断各所述子图像的所述预测结果中是否存在预测结果为阳性的子图像，若存在，则确定所述病理显微图像的诊断结果为阳性；若不存在，则确定所述病理显微图像的诊断结果为阴性。
9.根据权利要求8所述的病理显微图像诊断装置，其特征在于：所述病理显微图像诊断装置还包括：阴阳性预测模型训练生成模块；所述阴阳性预测模型训练生成模块包括：
样本获取单元，用于获取具有阴阳性标签的样本病理显微图像；
样本切割单元，用于将所述样本病理显微图像切割成若干子图像；
概率获取单元，用于通过卷积神经网络模型对所有子图像的阴阳性进行预测，并获得各所述子图像的预测阳性概率；若所述样本病理显微图像的标签为阳性，则获取按从大到小排序的预测阳性概率最大的一个或多个子图像，记为阳性子图像；若所述样本病理显微图像的标签为阴性，则获取按从大到小排序的预测阳性概率最小的一个或多个子图像，记为阴性子图像；
模型生成单元，用于将获取的所述阳性子图像或阴性子图像输入到所述卷积神经网络模型中进行训练，并对所述卷积神经网络模型进行多次迭代训练，得到所述阴阳性预测模型。
10.根据权利要求8所述的病理显微图像诊断装置，其特征在于：所述病理显微图像诊断装置还包括：显示输出模块；所述显示输出模块包括：
位置标注单元，用于获取并标注所述病理显微图像中阳性的子图像于所述病理显微图像中的位置；
输出显示单元，用于输出显示标注有该阳性的子图像的所述病理显微图像。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1至权利要求6任一权利要求所述的病理显微图像诊断方法和/或如权利要求7所述的阴阳性预测模型的模型训练生成方法。
12.一种电子设备，其特征在于：包括处理器和存储器，所述存储器存储有程序指令，所述处理器运行程序指令实现如权利要求1至权利要求6任一权利要求所述的病理显微图像诊断方法和/或如权利要求7所述的阴阳性预测模型的模型训练生成方法。
CN201911062993.4A 2019-10-31 2019-10-31 病理显微图像诊断、模型训练方法、装置、设备及介质 Active CN111192678B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911062993.4A CN111192678B (zh) 2019-10-31 2019-10-31 病理显微图像诊断、模型训练方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911062993.4A CN111192678B (zh) 2019-10-31 2019-10-31 病理显微图像诊断、模型训练方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN111192678A true CN111192678A (zh) 2020-05-22
CN111192678B CN111192678B (zh) 2023-06-02

Family

ID=70709261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911062993.4A Active CN111192678B (zh) 2019-10-31 2019-10-31 病理显微图像诊断、模型训练方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN111192678B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815633A (zh) * 2020-09-08 2020-10-23 上海思路迪医学检验所有限公司 医用图像诊断装置、图像处理装置和方法、判断单元以及存储介质
CN112241961A (zh) * 2020-09-22 2021-01-19 深圳视见医疗科技有限公司 基于深度卷积神经网络的胸部x光片辅助诊断方法及系统
CN112446342A (zh) * 2020-12-07 2021-03-05 北京邮电大学 关键帧识别模型训练方法、识别方法及装置
CN115240000A (zh) * 2022-07-22 2022-10-25 司法鉴定科学研究院 一种用于法医鉴定的糖尿病检测装置及方法
WO2023221697A1 (zh) * 2022-05-17 2023-11-23 腾讯科技（深圳）有限公司 图像识别模型的训练方法、装置、设备、介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809671A (zh) * 2016-03-02 2016-07-27 无锡北邮感知技术产业研究院有限公司 前景区域标注与深度次序推理的联合学习方法
CN108596174A (zh) * 2018-04-28 2018-09-28 中南大学 一种皮肤病影像的病灶定位方法
CN108846311A (zh) * 2018-04-28 2018-11-20 北京羽医甘蓝信息技术有限公司 基于深度学习的检测面部皮肤片状缺陷的方法及装置
CN109584218A (zh) * 2018-11-15 2019-04-05 首都医科大学附属北京友谊医院 一种胃癌图像识别模型的构建方法及其应用
CN110246579A (zh) * 2019-06-13 2019-09-17 西安九清生物科技有限公司 一种病理诊断方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809671A (zh) * 2016-03-02 2016-07-27 无锡北邮感知技术产业研究院有限公司 前景区域标注与深度次序推理的联合学习方法
CN108596174A (zh) * 2018-04-28 2018-09-28 中南大学 一种皮肤病影像的病灶定位方法
CN108846311A (zh) * 2018-04-28 2018-11-20 北京羽医甘蓝信息技术有限公司 基于深度学习的检测面部皮肤片状缺陷的方法及装置
CN109584218A (zh) * 2018-11-15 2019-04-05 首都医科大学附属北京友谊医院 一种胃癌图像识别模型的构建方法及其应用
CN110246579A (zh) * 2019-06-13 2019-09-17 西安九清生物科技有限公司 一种病理诊断方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张翔等: "多任务自主学习的肺癌诊断方法" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815633A (zh) * 2020-09-08 2020-10-23 上海思路迪医学检验所有限公司 医用图像诊断装置、图像处理装置和方法、判断单元以及存储介质
CN112241961A (zh) * 2020-09-22 2021-01-19 深圳视见医疗科技有限公司 基于深度卷积神经网络的胸部x光片辅助诊断方法及系统
CN112446342A (zh) * 2020-12-07 2021-03-05 北京邮电大学 关键帧识别模型训练方法、识别方法及装置
WO2023221697A1 (zh) * 2022-05-17 2023-11-23 腾讯科技（深圳）有限公司 图像识别模型的训练方法、装置、设备、介质
CN115240000A (zh) * 2022-07-22 2022-10-25 司法鉴定科学研究院 一种用于法医鉴定的糖尿病检测装置及方法

Also Published As

Publication number Publication date
CN111192678B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
US11373305B2 (en) Image processing method and device, computer apparatus, and storage medium
CN111192678B (zh) 病理显微图像诊断、模型训练方法、装置、设备及介质
CN110599476B (zh) 基于机器学习的疾病分级方法、装置、设备及介质
CN110427970B (zh) 图像分类方法、装置、计算机设备和存储介质
Roth et al. Deep convolutional networks for pancreas segmentation in CT imaging
US10121245B2 (en) Identification of inflammation in tissue images
CN111931931A (zh) 一种针对病理全场图像的深度神经网络训练方法、装置
CN110738235A (zh) 肺结核判定方法、装置、计算机设备及存储介质
CN115908363B (zh) 肿瘤细胞统计方法、装置、设备和存储介质
AU2021354030B2 (en) Processing images using self-attention based neural networks
CN111583226B (zh) 细胞病理感染评估方法、电子装置及存储介质
CN111583184A (zh) 图像分析方法、网络、计算机设备和存储介质
CN112580668A (zh) 一种背景欺诈检测方法、装置及电子设备
KR20230021665A (ko) 디지털 병리학에서 현저한 정보를 결정하기 위해 전자 이미지들을 처리하는 시스템들 및 방법들
JP2024508867A (ja) 画像クラスタリング方法、装置、コンピュータ機器及びコンピュータプログラム
CN116894974A (zh) 图像分类方法、装置、计算机设备及其存储介质
Li et al. Deep learning segmentation of glomeruli on kidney donor frozen sections
CN115439449A (zh) 全视野组织学图像的处理方法、装置、介质和电子设备
CN114742750A (zh) 异常细胞检测方法、装置、终端设备及可读存储介质
KR102354476B1 (ko) 뉴럴 네트워크를 이용한 방광병변 진단 시스템 제공방법 및 그 시스템
Bak et al. Efficient segmentation framework of cell images in noise environments
Lu et al. Prediction of breast cancer metastasis by deep learning pathology
US20230237662A1 (en) Dual-level model for segmentation
CN116310308A (zh) 图像分割方法、装置、计算机设备和存储介质
CN114820576A (zh) 乳腺特征提取、检测模型的训练方法、装置

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