CN111784683A - 病理切片检测方法及装置、计算机设备及存储介质 - Google Patents

Abstract

本发明提供了一种病理切片检测方法及装置、计算机设备及存储介质，属于医疗器械技术领域，包括获取病理切片的图像编码；调用预设脉冲神经网络模型和预设残差神经网络模型以及谷歌神经网络模型对图像编码进行分析标记；将最终诊断结果所对应的标记图像进行图像重构并显示，做出诊断报告。技术效果：利用预设脉冲神经网络模型和预设残差神经网络模型能够对获取的病理切片图像编码进行分析诊断，精确快速地标记出病变区域，当二者诊断结果不一致时，利用预设谷歌神经网络模型做出最终诊断结果，更加准确地标记出病变区域，相对于人工操作，大大缩短了检测诊断时间，减轻医生的劳动强度，同时，也避免了人工误判，提高了诊断质量和诊断结果准确性。

Description

病理切片检测方法及装置、计算机设备及存储介质

技术领域

本发明属于医疗器械技术领域，更具体地说，是涉及一种病理切片检测方法及装置、计算机设备及存储介质。

背景技术

病理诊断是对手术切下或尸体解剖取下的病理标本，固定染色后，在显微镜下进行组织学检查，以诊断疾病。病理科医生需要在显微镜下观察病理切片，根据观察结果在电脑上撰写病理诊断报告。由于病理诊断的种类中既包括全局组织结构信息，又包括局部差异变化，模式较为复杂，专业性很强，需要由资深病理科医生来完成。

然而，上述手工操作给病理科医生带来大量的重复性劳动，当工作量较多时，也有容易出现误判断。因此，如何减轻劳动强度且保证诊断质量为亟待解决的问题。

发明内容

本发明的目的在于提供一种病理切片检测方法及装置、计算机设备及存储介质，旨在解决在病理诊断中如何减轻劳动强度且保证诊断质量的技术问题。

为实现上述目的，本发明采用的技术方案是：提供一种病理切片检测方法，包括：

获取病理切片的图像编码；

调用预设脉冲神经网络模型对所述图像编码进行分析标记，得到第一诊断结果；

对所述图像编码进行解码获得实际图像，调用预设残差神经网络模型对所述实际图像进行分析标记，得到第二诊断结果；

判断所述第一诊断结果与所述第二诊断结果是否相同，如果所述第一诊断结果与所述第二诊断结果相同，则确认所述第一诊断结果和所述第二诊断结果为最终诊断结果；如果所述第一诊断结果与所述第二诊断结果不同，则调用预设谷歌神经网络模型对所述实际图像进行分析标记，得到第三诊断结果，并确认所述第三诊断结果为最终诊断结果；

将所述最终诊断结果所对应的标记图像进行图像重构并显示，做出诊断报告。

作为本发明的另一实施例，所述获取病理切片的图像编码，包括：

对所述病理切片进行N次扫描，每次扫描获取M组编码矩阵；

将所述编码矩阵进行存储，得到所述图像编码。

作为本发明的另一实施例，所述调用预设脉冲神经网络模型对所述图像编码进行分析标记，得到第一诊断结果，包括：

调用M个所述预设脉冲神经网络模型对M组所述编码矩阵同时进行分析，共调用N次；

对所述编码矩阵进行病变区域标记，得到所述第一诊断结果；

和/或，

所述对所述图像编码进行解码获得实际图像，调用预设残差神经网络模型对所述实际图像进行分析标记，得到第二诊断结果，包括：

对所述编码矩阵进行解码，获得所述实际图像；

调用M个所述预设残差神经网络模型对M张所述实际图像同时进行分析，共调用N次；

对所述实际图像进行病变区域标记，得到所述第二诊断结果。

作为本发明的另一实施例，所述调用预设脉冲神经网络模型对所述图像编码进行分析标记，得到第一诊断结果之前，包括：

利用深度学习中所提供的原生模型，使用标记出正常区域和病变区域的X个训练集对所述原生模型进行训练；

经过I次迭代，得到所述预设脉冲神经网络模型；

和/或，

所述对所述图像编码进行解码获得实际图像，调用预设残差神经网络模型对所述实际图像进行分析标记，得到第二诊断结果之前，包括：

利用深度学习中所提供的原生模型，使用标记出正常区域和病变区域的X个训练集对所述原生模型进行训练；

经过I次迭代，得到所述预设残差神经网络模型。

作为发明的另一实施例，所述将所述最终诊断结果所对应的标记图像进行图像重构并显示，做出诊断报告，包括：

将所述最终诊断结果所对应的多张标记图像根据上传顺序重新整理成为完整的病理切片图像；

显示标记出病变区域的所述病理切片图像；

根据所述病理切片图像所对应的参数，形成诊断报告。

本发明还提供一种病理切片检测装置，包括：

图像采集模块，用于获取病理切片的图像编码；

脉冲模型分析模块，用于调用预设脉冲神经网络模型对所述图像编码进行分析标记，得到第一诊断结果；

残差模型分析模块，用于对所述图像编码进行解码获得实际图像，调用预设残差神经网络模型对所述实际图像进行分析标记，得到第二诊断结果；

谷歌模型分析模块，用于调用预设谷歌神经网络模型对所述实际图像进行分析标记，得到第三诊断结果；

判断模块，用于判断所述第一诊断结果与所述第二诊断结果是否相同，如果所述第一诊断结果与所述第二诊断结果相同，则确认所述第一诊断结果和所述第二诊断结果为最终诊断结果；如果所述第一诊断结果与所述第二诊断结果不相同，则启动所述谷歌模型分析模块，并确认所述第三诊断结果为最终诊断结果；以及

图像诊断模块，用于将所述最终诊断结果所对应的标记图像进行图像重构并显示，做出诊断报告。

作为本发明的另一实施例，所述图像采集模块包括：

图像采集组件，包括用于放置所述病理切片的载玻平台，邻近所述载波平台设置的视觉感知器和反射镜，所述视觉感知器用于采集图像并转换为编码，所述反射镜用于调整光线；

电机控制组件，包括驱动所述载玻平台的第一驱动单元，驱动所述视觉感知器的第二驱动单元，以及驱动所述反射镜的第三驱动单元。

作为本发明的另一实施例，所述电机控制组件还包括用于承载所述载波平台的传送带，所述第一驱动单元包括驱动所述传动带沿第一方向移动的第一电机组，以及驱动所述传动带沿第二方向移动的第二电机组，所述第一方向与所述第二方向垂直设置。

本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上任一实施例中所述的方法的步骤。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一实施例中所述的方法的步骤。

本发明提供的病理切片检测方法及装置、计算机设备及存储介质至少具有以下技术效果：与传统技术相比，本发明提供的病理切片检测方法及装置、计算机设备及存储介质，利用预设脉冲神经网络模型和预设残差神经网络模型能够对获取的病理切片图像编码进行分析诊断，精确快速地标记出病变区域，当二者诊断结果不一致时，利用预设谷歌神经网络模型做出最终诊断结果，更加准确地标记出病变区域，相对于人工操作，大大缩短了检测诊断时间，减轻医生的劳动强度，同时，也避免了人工误判，提高了诊断质量和诊断结果准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的病理切片检测方法的流程图；

图2为本发明一实施例中多线程的示意图；

图3为本发明一实施例提供的病理切片检测装置的结构示意图；

图4为本发明一实施例中图像采集模块的结构示意图；

图5为本发明一实施例中上位机的显示信息；

图6为本发明一实施例提供的计算机设备的内部结构示意图。

图中：

10、病理切片检测装置 100、图像采集模块

200、脉冲模型分析模块 300、残差模型分析模块

400、谷歌模型分析模块 500、判断模块

600、图像诊断模块 112、载玻平台

114、视觉感知器 116、反射镜

121、第一驱动单元 122、第二驱动单元

123、第三驱动单元 124、传送带

125、第一电机组 126、第二电机组

130、高速采集卡 20、病理切片

30、上位机

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。

需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。本文中所出现的“M”、“N”、“X”、“I”为大于零的自然数。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

请一并参阅图1至图6，现对本发明实施例提供的病理切片检测方法及装置、计算机设备及存储介质进行说明。

请参阅图1所示的流程图，本发明实施例提供了一种病理切片检测方法，包括：

S100、获取病理切片的图像编码。

具体地，利用视觉感知器感知病理切片的反射光强弱转换为二进制编码。视觉感知器是一种根据生物学仿真而来的新型图像采集器。生物学分析认为人的眼睛有着接收及分析视像的不同能力，从而组成知觉，以辨认物象的外形、所处的空间，以及物象在外形和空间上的改变。由于人的视觉是建立在光线的基础上，只有当光线存在时，人眼才能分辨出物象本体的明暗。利用这一原理设计出了视觉感知器。

由于传统的工业相机中，一般会拍摄整个物体，虽然可以高效地获取图像，但当光线太强或太弱时，会对摄像效果造成影响，所获取的图像也必须进行二次处理以提高图像可辨识度。此外，工业相机，尤其是线相机，分辨率很高，所获取的图像也较大，会占用较多的内存。

相对于传统的工业相机，视觉感知器采用与之不同的摄像方式。假设某一视觉感知器的感受野大小为225*225，当其在采集图像时，可以采集到50625(225*225)个像素点，由于在光线照射下每个像素点的明暗程度不同，可以将每个像素点的反射光线强度转换为二进制编码进行存储，并得到该感受野的集群编码矩阵，其数据量更小，且当整体光线太强或太弱时，整体编码数值也会随之变大或变小，相较于工业相机拍摄出来的图像，集群编码矩阵更容易调节大小。更为重要的是，由于后期所用预设脉冲神经网络模型的输入为脉冲型数据，集群编码矩阵可以方便地作为预设脉冲神经网络模型的输入。

S200、调用预设脉冲神经网络模型对图像编码进行分析标记，得到第一诊断结果。

具体地，通过调用预设脉冲神经网络模型能够对图像编码进行标记，标记出病变区域和正常区域，该图像编码可以对应地通过解码转换为实际图像，再标记出病变区域和正常区域，一般只在病变区域显示出标记符号，正常区域不做标记符号。本实施例中，脉冲神经网络的英文名称为SNN，因此，预设脉冲神经网络模型又可以称为预设SNN模型。

脉冲神经网络模型被誉为第三代人工神经网络模型，相较于传统的卷积神经网络模型(CNN)、递归神经网络模型(RNN)，所采用的神经元更接近于实际，例如，经典的HH模型神经元和LIF模型神经元。同时，脉冲神经网络模型还考虑了时间信息的影响。相对于传统的人工神经网络模型，采用脉冲编码输入，可以获得更多的信息和更强地计算能力，也能够获取更快地计算速度。基于脉冲神经网络模型还无法构建更深层次的网络模型，其准确性略低于残差神经网络模型，因此，采用预设脉冲神经网络模型能够作为先验模型进行分析和预判。

S300、对图像编码进行解码获得实际图像，调用预设残差神经网络模型对实际图像进行分析标记，得到第二诊断结果。

具体地，利用解码器对图像编码进行解码，获得实际图像，通过调用预设残差神经网络模型能够对实际图像进行标记，标记出病变区域和正常区域，一般只在病变区域显示出标记符号，正常区域不做标记符号。本实施例中，残差神经网络的英文名称为ResNeT，因此，预设残差神经网络模型又可以称为预设ResNeT模型。

残差神经网络模型的准确性相对于脉冲神经网络模型更高，但相应速度响度低一些。因此，采用预设残差神经网络模型能够作为后验模型对实际图像进行二次分析和预判。与普通神经网络模型相比，残差神经网络模型加了一个残差层，可有效解决神经网络训练中梯度消失问题，大大提高检测准确率。本实施例中，步骤S200和步骤S300可以同时进行，也可以先后进行。

S400、判断第一诊断结果与第二诊断结果是否相同，如果第一诊断结果与第二诊断结果相同，则确认第一诊断结果和第二诊断结果为最终诊断结果；如果第一诊断结果与第二诊断结果不同，则调用预设谷歌神经网络模型对实际图像进行分析标记，得到第三诊断结果，并确认第三诊断结果为最终诊断结果。

具体地，由于预设脉冲神经网络模型的响应速度快于预设残差神经网络模型，预设脉冲神经网络模型的准确性低于预设残差神经网络模型，因此，当第一诊断结果和第二诊断结果相同时，则证明诊断结果是准确的，此时，可以确认为最终诊断结果，无需调用预设谷歌神经网络模型，能够减少诊断时间。

当第一诊断结果和第二诊断结果不同时，则证明诊断结果准确性不足，此时，调用准确性更高的预设谷歌神经网络模型进行最终分析，所得到的第三诊断结果为最终诊断结果。可以理解的是，不单独采用谷歌神经网络模型的原因是，其响应速度相对较低，影响诊断时间，综合使用上述三种网络模型，能够在一定程度上尽可能地减少整体的诊断时间。

本实施例中，谷歌神经网络的英文名称为GoogLeNet，因此，预设谷歌神经网络模型又可以称为预设GoogLeNet模型。此外，第一诊断结果、第二诊断结果和第三诊断结果可以转换为同一种表达类型再进行对比。

S500、将最终诊断结果所对应的标记图像进行图像重构并显示，做出诊断报告。

具体地，最终诊断结果对应着上传处理的多张标记图像，多张标记图像根据上传顺序重构成完整的病理切片图像，可以显示在显示屏中，利用预设的报告模板做出诊断报告。

本发明实施例提供的病理切片检测方法至少具有以下技术效果：与传统技术相比，本发明实施例提供的病理切片检测方法，利用预设脉冲神经网络模型和预设残差神经网络模型能够对获取的病理切片图像编码进行分析诊断，精确快速地标记出病变区域，当二者诊断结果不一致时，利用预设谷歌神经网络模型做出最终诊断结果，更加准确地标记出病变区域，相对于人工操作，大大缩短了检测诊断时间，减轻医生的劳动强度，同时，也避免了人工误判，提高了诊断质量和诊断结果准确性。

作为本发明实施例的一种具体实施方式，步骤S100：获取病理切片的图像编码，包括：对病理切片进行N次扫描，每次扫描获取M组编码矩阵；将编码矩阵进行存储，得到图像编码。

具体地，由于病理切片尺寸可能较大，视觉感知器无法一次获取整个图像编码，同时，也为了以图像分割的方式获得更准确的图像编码，需要对病理切片进行N次扫描，每次扫描获取M组编码矩阵，可以理解为，视觉感知器在每次扫描时，视觉感知器或病理切片沿某一方向移动，从而依次获取某一方向的M组编码矩阵。或者，换种角度来看，则可以理解为将病理切片分割为M*N个块，为行列式排布。通过高速采集卡可以将编码矩阵进行存储，得到整个病理切片的图像编码。高速采集卡的英文缩写为PCIE(baiperipheral componentinterconnect express)。

进一步地，步骤S200：调用预设脉冲神经网络模型对图像编码进行分析标记，得到第一诊断结果，包括：调用M个预设脉冲神经网络模型对M组编码矩阵同时进行分析，共调用N次；对编码矩阵进行病变区域标记，得到第一诊断结果。

具体地，如图2所示，本实施例采用多线程的方式进行分析。每一次分析时，可以同步处理M组编码矩阵，M组编码矩阵分别对应M个预设脉冲神经网络模型，共调用N次，可以实现整个病理切片的图像处理。如前述病理切片被分割为M*N，M条线程同时处理M组编码矩阵，每条线程均具有自己的网络模型，M个网络模型之间相互交互实现迁移学习，最终同步产生M组处理过的编码矩阵，也就是被标记出病变区域的编码矩阵，上述多线程处理操作一共执行N次，可以完成整个病理切片的图像处理。如此设置，实现了多个网络模型之间的信息交互，提高了网络模型的学习效率，采用边学习边检测的方式减少了学习时间，能够对编码矩阵进行实时病变标记和判断，最终完成整个病理切片的图像处理。

和/或，进一步地，步骤S300：对图像编码进行解码获得实际图像，调用预设残差神经网络模型对实际图像进行分析标记，得到第二诊断结果，包括：对编码矩阵进行解码，获得实际图像；调用M个预设残差神经网络模型对M张实际图像同时进行分析，共调用N次；对实际图像进行病变区域标记，得到第二诊断结果。

具体地，如图2所示，本实施例采用多线程的方式进行分析。先将编码矩阵解码获得实际图像。每一次分析时，可以同步处理M张实际图像，M张实际图像分别对应M个预设残差神经网络模型，共调用N次，可以实现整个病理切片的图像处理。如前述病理切片被分割为M*N，M条线程同时处理M张实际图像，每条线程均具有自己的网络模型，M个网络模型之间相互交互实现迁移学习，最终同步产生M张处理过的实际图像，也就是被标记出病变区域的实际图像，上述多线程处理操作一共执行N次，可以完成整个病理切片的图像处理。如此设置，实现了多个网络模型之间的信息交互，提高了网络模型的学习效率，采用边学习边检测的方式减少了学习时间，能够对实际图像进行实时病变标记和判断，最终完成整个病理切片的图像处理。

和/或，进一步地，调用预设谷歌神经网络模型对实际图像进行分析标记，得到第三诊断结果，包括：对编码矩阵进行解码，获得实际图像；调用M个预设谷歌神经网络模型对M张实际图像同时进行分析，共调用N次；对实际图像进行病变区域标记，得到第三诊断结果。

具体地，如图2所示，本实施例采用多线程的方式进行分析。先将编码矩阵解码获得实际图像。每一次分析时，可以同步处理M张实际图像，M张实际图像分别对应M个预设谷歌神经网络模型，共调用N次，可以实现整个病理切片的图像处理。如前述病理切片被分割为M*N，M条线程同时处理M张实际图像，每条线程均具有自己的网络模型，M个网络模型之间相互交互实现迁移学习，最终同步产生M张处理过的实际图像，也就是被标记出病变区域的实际图像，上述多线程处理操作一共执行N次，可以完成整个病理切片的图像处理。如此设置，实现了多个网络模型之间的信息交互，提高了网络模型的学习效率，采用边学习边检测的方式减少了学习时间，能够对实际图像进行实时病变标记和判断，最终完成整个病理切片的图像处理。

作为本发明实施例的一种具体实施方式，步骤S200：调用预设脉冲神经网络模型对图像编码进行分析标记，得到第一诊断结果之前，包括：利用深度学习中所提供的原生模型，使用标记出正常区域和病变区域的X个训练集对原生模型进行训练；经过I次迭代，得到预设脉冲神经网络模型。

具体地，预设脉冲神经网络模型是经过X个训练集大量训练所得出来的网络模型，准确率较高。所有的训练集由医生手动标记出病理切片中的正常区域和病变区域，在训练过程中，同步进行模型的有效性验证，由医生确定评判标准，对训练结果进行判断，计算标记正确率以判断网络模型的优劣，从而确定正确率较高的网络模型。例如，使用2万张正常区域图像和2万张病变区域图像作为训练集进行训练，通过预训练改变原生模型的自身参数，经过多次迭代，得到正确率较高的预设脉冲神经网络模型，可以理解的是，训练集为编码类型。然后，利用迁移学习方法，使用病理切片的图像编码在预设脉冲神经网络模型的基础上进行训练，实现迁移学习的效果，得到准确率较高的标记结果。

和/或，作为本发明实施例的一种具体实施方式，步骤S300：对图像编码进行解码获得实际图像，调用预设残差神经网络模型对实际图像进行分析标记，得到第二诊断结果之前，包括：利用深度学习中所提供的原生模型，使用标记出正常区域和病变区域的X个训练集对原生模型进行训练；经过I次迭代，得到预设残差神经网络模型。

具体地，预设残差神经网络模型是经过X个训练集大量训练所得出来的网络模型，准确率较高。所有的训练集由医生手动标记出病理切片中的正常区域和病变区域，在训练过程中，同步进行模型的有效性验证，由医生确定评判标准，对训练结果进行判断，计算标记正确率以判断网络模型的优劣，从而确定正确率较高的网络模型。例如，使用2万张正常区域图像和2万张病变区域图像作为训练集进行训练，通过预训练改变原生模型的自身参数，经过多次迭代，得到正确率较高的预设残差神经网络模型。例如，利用深度学习工具箱PyTorch中提供的原生ResNet-18模型，使用ImageNet训练集对原生模型进行训练，通过这种预训练改变原生模型自身参数，经过35次迭代后，原生模型正确率已高达95％。然后，利用迁移学习方法，使用病理切片的实际图像在预设残差神经网络模型的基础上进行训练，实现迁移学习的效果，得到准确率较高的标记结果。

和/或，作为本发明实施例的一种具体实施方式，对图像编码进行解码获得实际图像，调用预设谷歌神经网络模型对实际图像进行分析标记，得到第三诊断结果之前，包括：利用深度学习中所提供的原生模型，使用标记出正常区域和病变区域的X个训练集对原生模型进行训练；经过I次迭代，得到预设谷歌神经网络模型。

具体地，预设谷歌神经网络模型是经过X个训练集大量训练所得出来的网络模型，准确率较高。所有的训练集由医生手动标记出病理切片中的正常区域和病变区域，在训练过程中，同步进行模型的有效性验证，由医生确定评判标准，对训练结果进行判断，计算标记正确率以判断网络模型的优劣，从而确定正确率较高的网络模型。例如，使用2万张正常区域图像和2万张病变区域图像作为训练集进行训练，通过预训练改变原生模型的自身参数，经过多次迭代，得到正确率较高的预设谷歌神经网络模型。例如，使用2万张正常区域图像和2万张病变区域图像作为训练集进行训练，通过预训练改变原生模型的自身参数，经过多次迭代，得到正确率较高的预设谷歌神经网络模型，然后，利用迁移学习方法，使用病理切片的实际图像在预设谷歌神经网络模型的基础上进行训练，实现迁移学习的效果，得到准确率较高的标记结果。

作为发明实施例的一种具体实施方式，步骤S500：将最终诊断结果所对应的标记图像进行图像重构并显示，做出诊断报告，包括：将最终诊断结果所对应的多张标记图像根据上传顺序重新整理成为完整的病理切片图像；显示标记出病变区域的病理切片图像；根据病理切片图像所对应的参数，形成诊断报告。

具体地，在获取编码矩阵时，每一组编码矩阵都是具有采集顺序的，也就是具有连续的编号。最终诊断结果中对应多张标记图像，需要将这些标记图像按照上传顺序重新整理排序，形成完整的病理切片图像。可以理解的是，当最终诊断结果中为实际图像时，则对应多张标记图像；当最终诊断结果中为编码矩阵时，则通过解码以形成多张标记图像。将标记出病变区域的病理切片图像显示在显示栏中，根据报告模板、病变区域和正常区域所对应的参数，形成电子版诊断报告。

请参阅图3，本发明实施例还提供一种病理切片检测装置10，包括：图像采集模块100、脉冲模型分析模块200、残差模型分析模块300、谷歌模型分析模块400、判断模块500和图像诊断模块400。

具体地，图像采集模块100，用于获取病理切片20的图像编码；脉冲模型分析模块200，用于调用预设脉冲神经网络模型对图像编码进行分析标记，得到第一诊断结果；残差模型分析模块300，用于对图像编码进行解码获得实际图像，调用预设残差神经网络模型对实际图像进行分析标记，得到第二诊断结果；谷歌模型分析模块400，用于调用预设谷歌神经网络模型对实际图像进行分析标记，得到第三诊断结果；判断模块500，用于判断第一诊断结果与第二诊断结果是否相同，如果第一诊断结果与第二诊断结果相同，则确认第一诊断结果和第二诊断结果为最终诊断结果；如果第一诊断结果与第二诊断结果不相同，则启动谷歌模型分析模块400，并确认第三诊断结果为最终诊断结果；以及图像诊断模块400，用于将最终诊断结果所对应的标记图像进行图像重构并显示，做出诊断报告。

本发明实施例提供的病理切片检测装置10至少具有以下技术效果：与传统技术相比，本发明实施例提供的病理切片检测装置10，利用图像采集模块100进行图像编码获取，利用脉冲模型分析模块200和残差模型分析模块300能够对获取的病理切片20图像编码进行分析诊断，精确快速地标记出病变区域，当二者诊断结果不一致时，利用谷歌模型分析模块400做出最终诊断结果，更加准确地标记出病变区域，相对于人工操作，大大缩短了检测诊断时间，减轻医生的劳动强度，同时，也避免了人工误判，提高了诊断质量和诊断结果准确性。

作为一种具体实施方式，图像采集模块100还具体用于对病理切片20进行N次扫描，每次扫描获取M组编码矩阵；将编码矩阵进行存储，得到图像编码。

作为一种具体实施方式，脉冲模型分析模块200还具体用于调用M个预设脉冲神经网络模型对M组编码矩阵同时进行分析，共调用N次；对编码矩阵进行病变区域标记，得到第一诊断结果。

作为一种具体实施方式，残差模型分析模块300还具体用于对编码矩阵进行解码，获得实际图像；调用M个预设残差神经网络模型对M张实际图像同时进行分析，共调用N次；对实际图像进行病变区域标记，得到第二诊断结果。

作为一种具体实施方式，谷歌模型分析模块400还具体用于对编码矩阵进行解码，获得实际图像；调用M个预设谷歌神经网络模型对M张实际图像同时进行分析，共调用N次；对实际图像进行病变区域标记，得到第三诊断结果。

作为一种具体实施方式，图像诊断模块400还具体用于将最终诊断结果所对应的多张标记图像根据上传顺序重新整理成为完整的病理切片20图像；显示标记出病变区域的病理切片20图像；根据病理切片20图像所对应的参数，形成诊断报告。

作为一种具体实施方式，在脉冲模型分析模块200之前，还包括脉冲模型训练模块，用于利用深度学习中所提供的原生模型，使用标记出正常区域和病变区域的X个训练集对原生模型进行训练；经过I次迭代，得到预设脉冲神经网络模型。

作为一种具体实施方式，在残差模型分析模块300之前，还包括残差模型训练模块，用于利用深度学习中所提供的原生模型，使用标记出正常区域和病变区域的X个训练集对原生模型进行训练；经过I次迭代，得到预设残差神经网络模型。

作为一种具体实施方式，在谷歌模型分析模块400之前，还包括谷歌模型训练模块，用于利用深度学习中所提供的原生模型，使用标记出正常区域和病变区域的X个训练集对原生模型进行训练；经过I次迭代，得到预设谷歌神经网络模型。

关于病理切片检测装置10的具体限定可以参见上文中对于病理切片检测方法的限定，在此不再赘述。实现原理和技术效果与上述方法实施例类似，在此不再赘述。

上述病理切片检测装置10中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

下面举例说明图像采集模块100所包括的软件硬件组合。

请参阅图4，作为一种具体实施方式，图像采集模块100包括：图像采集组件，包括用于放置病理切片20的载玻平台112，邻近载波平台设置的视觉感知器114和反射镜116，视觉感知器114用于采集图像并转换为编码，反射镜116用于调整光线；电机控制组件，包括驱动载玻平台112的第一驱动单元121，驱动视觉感知器114的第二驱动单元122，以及驱动反射镜116的第三驱动单元123。

具体地，视觉感知器114的具体限定和实现原理如上述病理切片检测方法中所述，在此不再赘述。例如，视觉感知器114可以将原始图像信息进行二进制编码并上传至上位机30中进行解码。视觉感知器114、载玻平台112和反射镜116沿高度方向间隔设置。通过调整视觉感知器114、传送带124和反射镜116的相对位置，可以采集最优分辨率图像的编码矩阵。

第一驱动单元121可以驱动载玻平台112移动至目标位置或沿目标方向移动，第二驱动单元122可以驱动视觉感知器114移动至目标位置或沿目标方向移动，第三驱动单元123可以驱动反射镜116调整角度以使反射镜116根据实际光源强弱适应性调整，并且，不限定调整方向。上述第一驱动单元121、第二驱动单元122和第三驱动单元123均可以是电机驱动的，可以是电缸驱动的，也可以是气缸等驱动的。上述第一驱动单元121、第二驱动单元122和第三驱动单元123可以由上位机30直接控制，或者由下位机控制。例如，如图4所示，与上位机30连接，实现控制过程。

进一步地，电机控制组件还包括用于承载载波平台的传送带124，第一驱动单元121包括驱动传动带沿第一方向移动的第一电机组125，以及驱动传动带沿第二方向移动的第二电机组126，第一方向与第二方向垂直设置。

具体地，由于视觉感知器114的视野大小问题和病理切片20的大小问题，通常，视觉感知器114无法一次性采集完整个病理切片20的图像编码，需要多次扫描，且每次扫描多组编码矩阵。为此，载玻平台112设于传送带124，传送带124由第一电机组125和第二电机组126沿两个方向移动，即，当设定好视觉感知器114和载玻平台112的相对位置后，首先，利用第一电机组125带动传送带124将病理切片20从左至右完整地通过视觉感知器114，待一行扫描完成后，可以获取M组编码矩阵；然后，利用第二电机组126带动传送带124将病理切片20向后滑行指定距离，再通过第一电机组125反转带动传送带124将病理切片20从右往左完整地通过视觉感知器114。如此往复操作，直至整个病理切片20被扫描完毕，一共扫描N行。

第一电机组125和第二电机组126可以分别包括两个电机本体，以更加平稳地驱动传送带124移动。视觉感知器114和传送带124的间距根据实际观察检测效果确定，其余距离由实际病理切片20长度和传送带124长度共同决定，传送带124运行速度由电机本体转速决定。例如，图5所示的上位机30控制电机参数，图中文字仅为示意，并不限定内容。

此外，图像采集模块100中还包括高速采集卡130(PCIE)，高速采集卡130分别与视觉感知器114和上位机30连接，用于存储图像编码。

本发明实施例还提供了一种计算机设备，该计算机设备可以是上位机，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种病理切片检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本发明实施例技术方案相关的部分结构的框图，并不构成对本发明实施例方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本发明实施例还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现如上任一实施例中所述的方法的步骤。具体步骤与上述病理切片检测方法相同，在此不再赘述。计算机设备具体可以是上位机、下位机等。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上任一实施例中所述的方法的步骤。具体步骤与上述病理切片检测方法相同，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。

易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为进一步地说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.病理切片检测方法，其特征在于，包括：

获取病理切片的图像编码；

调用预设脉冲神经网络模型对所述图像编码进行分析标记，得到第一诊断结果；

对所述图像编码进行解码获得实际图像，调用预设残差神经网络模型对所述实际图像进行分析标记，得到第二诊断结果；

判断所述第一诊断结果与所述第二诊断结果是否相同，如果所述第一诊断结果与所述第二诊断结果相同，则确认所述第一诊断结果和所述第二诊断结果为最终诊断结果；如果所述第一诊断结果与所述第二诊断结果不同，则调用预设谷歌神经网络模型对所述实际图像进行分析标记，得到第三诊断结果，并确认所述第三诊断结果为最终诊断结果；

将所述最终诊断结果所对应的标记图像进行图像重构并显示，做出诊断报告。

2.如权利要求1所述的方法，其特征在于，所述获取病理切片的图像编码，包括：

对所述病理切片进行N次扫描，每次扫描获取M组编码矩阵；

将所述编码矩阵进行存储，得到所述图像编码。

3.如权利要求2所述的方法，其特征在于，所述调用预设脉冲神经网络模型对所述图像编码进行分析标记，得到第一诊断结果，包括：

调用M个所述预设脉冲神经网络模型对M组所述编码矩阵同时进行分析，共调用N次；

对所述编码矩阵进行病变区域标记，得到所述第一诊断结果；

和/或，

所述对所述图像编码进行解码获得实际图像，调用预设残差神经网络模型对所述实际图像进行分析标记，得到第二诊断结果，包括：

对所述编码矩阵进行解码，获得所述实际图像；

调用M个所述预设残差神经网络模型对M张所述实际图像同时进行分析，共调用N次；

对所述实际图像进行病变区域标记，得到所述第二诊断结果。

4.如权利要求1所述的方法，其特征在于，所述调用预设脉冲神经网络模型对所述图像编码进行分析标记，得到第一诊断结果之前，包括：

利用深度学习中所提供的原生模型，使用标记出正常区域和病变区域的X个训练集对所述原生模型进行训练；

经过I次迭代，得到所述预设脉冲神经网络模型；

和/或，

所述对所述图像编码进行解码获得实际图像，调用预设残差神经网络模型对所述实际图像进行分析标记，得到第二诊断结果之前，包括：

利用深度学习中所提供的原生模型，使用标记出正常区域和病变区域的X个训练集对所述原生模型进行训练；

经过I次迭代，得到所述预设残差神经网络模型。

5.如权利要求1所述的方法，其特征在于，所述将所述最终诊断结果所对应的标记图像进行图像重构并显示，做出诊断报告，包括：

将所述最终诊断结果所对应的多张标记图像根据上传顺序重新整理成为完整的病理切片图像；

显示标记出病变区域的所述病理切片图像；

根据所述病理切片图像所对应的参数，形成诊断报告。

6.病理切片检测装置，其特征在于，包括：

图像采集模块，用于获取病理切片的图像编码；

脉冲模型分析模块，用于调用预设脉冲神经网络模型对所述图像编码进行分析标记，得到第一诊断结果；

残差模型分析模块，用于对所述图像编码进行解码获得实际图像，调用预设残差神经网络模型对所述实际图像进行分析标记，得到第二诊断结果；

谷歌模型分析模块，用于调用预设谷歌神经网络模型对所述实际图像进行分析标记，得到第三诊断结果；

判断模块，用于判断所述第一诊断结果与所述第二诊断结果是否相同，如果所述第一诊断结果与所述第二诊断结果相同，则确认所述第一诊断结果和所述第二诊断结果为最终诊断结果；如果所述第一诊断结果与所述第二诊断结果不相同，则启动所述谷歌模型分析模块，并确认所述第三诊断结果为最终诊断结果；以及

图像诊断模块，用于将所述最终诊断结果所对应的标记图像进行图像重构并显示，做出诊断报告。

7.如权利要求6所述的病理切片检测装置，其特征在于，所述图像采集模块包括：

图像采集组件，包括用于放置所述病理切片的载玻平台，邻近所述载波平台设置的视觉感知器和反射镜，所述视觉感知器用于采集图像并转换为编码，所述反射镜用于调整光线；

电机控制组件，包括驱动所述载玻平台的第一驱动单元，驱动所述视觉感知器的第二驱动单元，以及驱动所述反射镜的第三驱动单元。

8.如权利要求7所述的病理切片检测装置，其特征在于，所述电机控制组件还包括用于承载所述载波平台的传送带，所述第一驱动单元包括驱动所述传动带沿第一方向移动的第一电机组，以及驱动所述传动带沿第二方向移动的第二电机组，所述第一方向与所述第二方向垂直设置。

9.计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-5任一项所述的方法的步骤。

10.计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的方法的步骤。

Images