CN114387201A - 一种基于深度学习和强化学习细胞病理图像辅助诊断系统 - Google Patents
一种基于深度学习和强化学习细胞病理图像辅助诊断系统 Download PDFInfo
- Publication number
- CN114387201A CN114387201A CN202110378616.2A CN202110378616A CN114387201A CN 114387201 A CN114387201 A CN 114387201A CN 202110378616 A CN202110378616 A CN 202110378616A CN 114387201 A CN114387201 A CN 114387201A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- image
- lesion
- data
- area
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 151
- 238000013135 deep learning Methods 0.000 title claims abstract description 65
- 230000002787 reinforcement Effects 0.000 title claims abstract description 53
- 230000000120 cytopathologic effect Effects 0.000 title claims description 17
- 230000003902 lesion Effects 0.000 claims abstract description 106
- 238000001514 detection method Methods 0.000 claims abstract description 74
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 230000001575 pathological effect Effects 0.000 claims abstract description 33
- 230000007170 pathology Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000009966 trimming Methods 0.000 claims abstract description 8
- 238000003709 image segmentation Methods 0.000 claims abstract description 7
- 238000005520 cutting process Methods 0.000 claims abstract description 6
- 238000004088 simulation Methods 0.000 claims description 60
- 230000006399 behavior Effects 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 48
- 238000013507 mapping Methods 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 19
- 230000035945 sensitivity Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000002546 full scan Methods 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
Images
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
- 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
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- 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
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习和强化学习细胞病理图像辅助诊断系统，包括切边图像模块、深度学习模块、强化学习模块和辅助诊断模型模块；所述切边图像模块用于获取并分割全扫描细胞病理图像，确定分割图像；所述深度学习模块用于基于预设的深度学习检测算法，对所述分割图像进行训练处理，确定病变细胞的病变类别和相对位置；所述强化学习模块用于基于预设的强化学习算法，对所述分割图像进行分析处理，确定病变细胞的诊断阈值；其中，所述诊断阈值包括细胞分数阈值和诊断个数判别阈值；所述辅助诊断模型模块用于基于所述诊断阈值，按照所述病变细胞的病变类别和相对位置，生成辅助诊断模型。
Description
技术领域
本发明涉及深度学习、医学图像辅助诊断技术领域，特别涉及一种基于深度学习和强化学习细胞病理图像辅助诊断系统。
背景技术
目前，随着人工智能技术的发展，人工智能也开始与医疗领域结合，凭借人工智能技术在图像识别领域的发展，人工智能技术在医疗图像的应用取得一定成效，但远未实现成熟的应用。相比于X光、CT等医疗影像，细胞病理图像的人工智能辅助诊断面临着更大的挑战，如何从如此大的图像中找出具体病变细胞是一项繁重和高难度的挑战性工作，同时找到病变细胞后，如何给出整个切片的精确的辅助诊断也十分困难。
发明内容
本发明提供一种基于深度学习和强化学习细胞病理图像辅助诊断系统，以解决上述背景技术出现的问题。
本发明提供一种基于深度学习和强化学习细胞病理图像辅助诊断系统，其特征在于，包括切边图像模块、深度学习模块、强化学习模块和辅助诊断模型模块；其中，
所述切边图像模块用于获取并分割全扫描细胞病理图像，确定分割图像；
所述深度学习模块用于基于预设的深度学习检测算法，对所述分割图像进行训练处理，确定病变细胞的病变类别和相对位置；其中，
所述相对位置代表所述病变细胞在分割图像上和正常细胞相对的位置；
所述强化学习模块用于基于预设的强化学习算法，对所述分割图像进行分析处理，确定病变细胞的诊断阈值；其中，
所述诊断阈值包括细胞分数阈值和诊断个数判别阈值；
所述辅助诊断模型模块用于基于所述诊断阈值，按照所述病变细胞的病变类别和相对位置，生成辅助诊断模型。
优选的，所述切边图像模块包括获取图像单元、分割设定单元和分割图像分割单元；其中，
所述获取图像单元用于获取全扫描细胞病变图像；
所述分割设定单元用于基于预设的size，设定分割过程中小块之间的重叠大小size_board；
所述分割图像分割单元用于基于所述重叠大小size_board，分割所述全扫描细胞病变图像，生成大小为size*size的分割图像。
优选的，所述深度学习模块包括预处理单元、深度学习检测单元、预测结果单元和检测数据单元；其中，
所述预处理单元用于基于预设的阈值grey_th和area_th，处理所述分割图像，确定背景区域和有效区域；
所述深度学习检测单元用于基于预设的深度学习检测算法，检测所述有效区域，获取病变细胞的有效位置和有效类别；
所述预测结果单元用于根据所述有效位置和有效类别，确定病变细胞的预测结果；
所述检测单元用于通过融合所述分割图像的预测结果到预先安装的切片上，基于非极大值抑制，排除重复检测区域，确定切片级别的细胞检测数据。
优选的，所述预处理单元包括区域面积子单元、判断结果子单元、背景区域子单元和有效区域子单元；其中，
所述区域面积子单元用于基于预设的阈值grey_th和area_th，当分割图像的灰度值大于预设的阈值grey_th时，确定所述分割图像的区域面积；
所述判断结果子单元用于判断所述区域面积是否大于预设的阈值area_th，生成判断结果；
所述背景区域子单元用于当所述判断结果大于预设的阈值area_th时，确定背景区域；
所述有效区域子单元用于当所述判断结果不大于预设的阈值area_th时，计算所述区域面积和预设的阈值area_th的区域差值，并确定有效区域。
优选的，所述深度学习检测单元检测所述有效区域，获取病变细胞的有效位置和有效类别包括以下步骤：
步骤100：获取有效区域的真实概率分布，并根据所述真实概率分布，计算病变细胞的分类的交叉熵损失；
其中，Lcls(mi,n)代表交叉熵损失，所述
为狄拉克函数，μ(k)代表病变细胞有效区域的均匀分布，
为预测概率分布，
为标注误差，ε代表概率的梯度值；n代表采集到的有效区域的病变细胞的总个数；i代表采集到的有效区域的第i个病变细胞；i∈(1,n),(mi,ni)代表第i个病变细胞的位置坐标；mi代表病变细胞在有效区域上的横坐标，ni代表病变细胞在有效区域上的纵坐标；
步骤101：基于卷积神经网络的检测算法，获取训练过程的损失函数：
Loss＝Wreg×Lreg+Wcls×Lcls(mi,n)
其中,Loss代表训练过程的损失函数，Lreg为位置回归损失，Lcls(mi,n)为分类的交叉熵损失，Wreg为位置回归损失的权重系数，、Wcls为交叉熵损失的权重系数；
步骤102：根据所述损失函数，检测所述有效区域，获取病变细胞的有效位置和有效类别。
优选的，所述检测单元排除重复检测区域确定切片级别的细胞检测数据，包括以下步骤：
步骤A1:获取分割图像和切片的冗余框，将所述冗余框进行得分并排序，选中最高分的冗余框，遍历冗余框；
步骤A2:判断所述冗余框得分是否大于等于预设分数，获取细胞类别和对应的有效检测数据；其中，
所述预设的分数至少包括Score_a，Score_b,Score_c多种不同种类细胞的分数；
所述有效检测数据包括一种诊断类别和多种诊断类别；
步骤A3:当所述有效检测数据为一种诊断类别，确定切片的诊断数据；
步骤A4:当所述有效检测数据同时诊断为多个诊断类别时，计算并选取诊断类别中细胞种类个数最大的细胞种类，确定切片的诊断数据。
优选的，所述强化学习模块包括初始状态单元和诊断阈值单元；其中，
所述初始状态单元用于获取切片级别病变细胞的检测数据，根据所述检测数据，确定病变细胞类别的初始状态；
所述诊断阈值单元用于基于预设的强化学习算法，调整对所述病变细胞类别初始状态的行为的概率，确定切片级别的诊断阈值。
优选的，所述基于预设的强化学习算法，对所述分割图像进行分析处理，确定病变细胞的诊断阈值，包括以下步骤：
步骤S1：随机初始化各个病变细胞类别初始状态，确定诊断数据A(Score_a，Count_a)；其中，
a为待检测的其中一个细胞病变类别，对应的A为该切片的某一种诊断数据类别；
步骤S2：设定行为，获取行为概率，并根据所述行为概率，确定每个状态的行为得分为：
其中,所述行为概率包括敏感性和特异性，S1Y为阳性诊断的敏感性，S2Y为阳性诊断的特异性，W1Y对应阳性诊断的敏感性的权重，W2Y对应阳性诊断的特异性的权重，ALL为切片诊断数据中全部的阳性类别，A为全部的阳性类别其中的一类，S1A代表A阳性类别的敏感性，S2A分别对应A阳性类别的特异性，W1A为A阳性类别的敏感性对应的权重，W2A为A阳性类别的特异性对应的权重；
步骤S3：根据所述每个状态的行为得分，获取每个状态的激励得分：
Reward＝ΔRState
其中，Reward代表每个行为的激励得分，RState代表状态得分；
步骤3：通过所述激励得分，调整行为的概率，并在所述行为迭代过程中，计算并更新所述激励得分和行为概率，确定状态行为；
步骤4：基于所述状态行为，按照状态行为的行为概率计算下一行为，进入下一状态；
步骤5：重复步骤2，在执行次数达到预设的执行次数阈值时，获取最佳RState，并根据所述最佳RState，确定切片级别的诊断阈值。
优选的，所述辅助诊断模型模块包括获取单元、诊断差值单元和辅助诊断模型单元，其中，
所述获取单元用于获取所述病变细胞的病变类别和相对位置；
所述病变面积计算单元用于基于所述病变细胞的相对位置，计算病变细胞的病变区域数据；
所述辅助诊断模型单元用于基于所述病变类别，将所述病变区域数据传输至预设的AI辅助仿真设备，生成辅助诊断模型。
优选的，所述辅助诊断模型单元，将所述病变区域数据传输至预设的AI辅助仿真设备，生成辅助诊断模型包括以下步骤：
步骤1000：基于预设的AI辅助仿真设备，接收病变区域数据；
Data＝{f(t1,x1),f(t2,x2),…,f(ti,xi),…,f(tn,xn)}
其中，Data代表AI辅助仿真设备接收病变区域数据集合，所述(ti,xi)代表在ti时刻接收的病变区域数据xi，f(ti,xi)代表在激励函数f下第i个输入的数据，(tn,xn)代表在tn时刻接收的病变区域数据xn，f(tn,xn)代表在激励函数f下第n个输入的数据，n代表一共接收到的病变区域数据个数，i代表接收的第i个病变区域数据的数据序值，i∈(1,n)；
步骤1001：传输所述病变区域数据至AI辅助仿真设备，确定仿真映射参数；
其中，γ(t)代表基于时间延迟的仿真映射参数，e代表时间粒度，k关于时间延迟的常数因子,w代表接收到的病变区域数据传输至AI辅助仿真系统后的仿真算法的权值，wj代表接收到的病变区域数据传输至AI辅助仿真系统第j层仿真算法的权值，m代表AI辅助仿真的仿真训练层的总数，j∈(1,m),Δt代表接收时间和仿真时间的误差时间，
代表映射函数阈值，
代表基于时间延迟的映射函数阈值,F代表仿真模型函数，σi(τ)代表在AI辅助仿真设备影响参数τ下的主动修正参数；；
步骤1002：获取理想映射函数，并根据所述仿真映射参数和理想映射函数，确定偏移率；
其中，β代表偏仿真映射模型和理想映射模型的偏移率，γ0代表理想映射函数；
步骤1003：当所述β>0.8时，通过仿真映射参数处理病变区域数据，生成辅助诊断模型；
步骤1004：当所述β<0.8时，返回步骤1。
本发明的有益效果如下：本发明提出一种基于深度学习和强化学习细胞病理图像辅助诊断系统，这套系统将支持通过对细胞病理图像进行基于深度学习和强化学习相结合的算法系统，能够在较短的时间内给出细胞病理图像的人工智能分析结果。作为支持细胞病理医疗辅助诊断的系统，可实现病变细胞检测定位、具体分类以及整块切片诊断数据的辅助诊断功能。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于深度学习和强化学习细胞病理图像辅助诊断系统的模块流程图；
图2为本发明实施例中一种基于深度学习和强化学习细胞病理图像辅助诊断系统的模块流程图；
图3为本发明实施例中一种基于深度学习和强化学习细胞病理图像辅助诊断系统的模块流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例1：
根据图1所示，本发明提供一种基于深度学习和强化学习细胞病理图像辅助诊断系统，其特征在于，包括切边图像模块、深度学习模块、强化学习模块和辅助诊断模型模块；其中，
所述切边图像模块用于获取并分割全扫描细胞病理图像，确定分割图像；
所述深度学习模块用于基于预设的深度学习检测算法，对所述分割图像进行训练处理，确定病变细胞的病变类别和相对位置；其中，
所述相对位置代表所述病变细胞在分割图像上和正常细胞相对的位置；
所述强化学习模块用于基于预设的强化学习算法，对所述分割图像进行分析处理，确定病变细胞的诊断阈值；其中，
所述诊断阈值包括细胞分数阈值和诊断个数判别阈值；
所述辅助诊断模型模块用于基于所述诊断阈值，按照所述病变细胞的病变类别和相对位置，生成辅助诊断模型。
上述技术方案的工作原理为：
本技术方案提出的细胞病理图像辅助诊断系统，支持通过对细胞病理图像进行基于深度学习和强化学习相结合的算法系统，能够在较短的时间内给出细胞病理图像的人工智能分析结果。作为支持细胞病理医疗辅助诊断的系统，可实现病变细胞检测定位、具体分类以及整块切片诊断数据的辅助诊断功能。通过切边图像模块、深度学习模块、强化学习模块和切片细胞辅助诊断模块，首先获取并分割全扫描细胞病理图像，确定分割图像，对各个分割图像进行处理并汇总，获取切片级别的切片分析结果，再基于预设的深度学习检测算法，处理分割图像，获取病变细胞的病变类别和相对位置，接着基于预设的强化学习算法，获取诊断相关的具体阈值，最后根据病变细胞病变类别和相对位置，通过，从而实现切片级别细胞病理的辅助诊断数据，所述辅助诊断模型模块用于基于所述诊断阈值，按照所述病变细胞的病变类别和相对位置，生成辅助诊断模型，辅助诊断模型主要针对病变细胞的病变类别和相对位置，生成仿真的诊断图像，从而帮助医生间接的观察到病人的病理细胞的病变面积和区域。
上述技术方案的有益效果为：
本技术方案解决多层级、大尺寸、高分辨率的全扫描细胞病理图像分析处理问题，实现小块级别的细胞病理检测能力。使用基于深度学习检测算法实现小块级别的细胞病理检测能力。具有速度快，效果好的特点，可实时为医生提供小块级别的病变细胞定位和分类，辅助医生进行下一步确认诊断。
实施例2：
本技术方案提供了一种实施例，所述切边图像模块包括获取图像单元、分割设定单元和分割图像分割单元；其中，
所述获取图像单元用于获取全扫描细胞病变图像；
所述分割设定单元用于基于预设的size，设定分割过程中小块之间的重叠大小size_board；
所述分割图像分割单元用于基于所述重叠大小size_board，分割所述全扫描细胞病变图像，确定大小为size*size的分割图像。
上述技术方案的工作原理为：
本技术方案通过设定大小size，也就是规定大小的分割图像的边长尺寸，设定分割过程中分割图像之间的重叠大小size_board，也就是分割图像之间重叠边缘部分，采用分块的方法，将切片级别图像分割为一系列大小为size*size的分割图像；全扫描图像是通过全自动显微镜或光学放大系统扫描采集得到高分辨数字图像，通过计算机进行高精度多视野无缝隙拼接和处理，从而获得的多层级可视化的图像，通过全扫描细胞病理图像的数据处理方法，首先将病理图像按照设定参数进行分割，进行小块级别的细胞检测，然后融合为切片级别的细胞检测数据，然后通过辅助诊断阈值得到切片级别的辅助诊断数据。
上述技术方案的有益效果为：
本技术方案借助计算机辅助病理诊断首先要将细胞病理玻片数字化，病理全扫描图像相比于其他医疗影像具有多层级，分辨率高，图像尺寸大的特点，全扫描细胞病变图像过大，无法一次性加载入GPU进行算法处理，因此按照切边图像模块，确定大小为size*size的分割图像，给出整个切片的精确诊断，通过人工智能的方法为病理医生提供很好的辅助诊断。
实施例3：
本技术方案提供了一种实施例，所述深度学习模块包括预处理单元、深度学习检测单元、预测结果单元和检测数据单元；其中，
所述预处理单元用于基于预设的阈值grey_th和area_th，处理所述分割图像，确定背景区域和有效区域；
所述深度学习检测单元用于基于预设的深度学习检测算法，检测所述有效区域，获取病变细胞的有效位置和有效类别；
所述预测结果单元用于根据所述有效位置和有效类别，确定病变细胞的预测结果；
所述检测单元用于通过融合所述分割图像的预测结果到预先安装的切片上，基于非极大值抑制，排除重复检测区域，确定切片级别的细胞检测数据。
上述技术方案的工作原理为：
本技术方案的预处理单元用于基于预设的阈值grey_th和area_th，grey_th代表分割图像的灰度值，area_th代表分割图像的区域面积，确定分割图像的背景区域和有效区域，若大于area_th，则认为是背景区域，对背景区域不进行处理，剩下区域为有效区域，预测单元的深度学习源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，研究深度学习的动机在于建立模拟环境进行分析学习的神经网络，它模仿环境机制来解释数据，例如图像，声音和文本等，检测单元用于通过融合所述分割图像的预测结果到预先安装的切片上，基于非极大值抑制，排除重复检测区域，确定切片级别的细胞检测数据，非极大值抑制主要是搜索局部极大值，抑制非极大值元素，非极大值抑制在获取到图像时，会生成不同分数的导框，从而抑制分数低的导框，进而达到边缘细化的目的。
上述技术方案的有益效果为：
本技术方案通过对全图的分析，系统通过识别出影像中的可能病变区域，辅助医生做进一步的诊断，针对细胞病理图像的辅助诊断，减少由于细胞病理全扫描图像的尺寸过大导致分析时间过长，减少病理医生的诊断时间，有效提高病理医生的工作效率，最大发挥辅助诊断的作用。
实施例4：
本技术方案提供了一种实施例，所述预处理单元包括区域面积子单元、判断结果子单元、背景区域子单元和有效区域子单元；其中，
所述区域面积子单元用于基于预设的阈值grey_th和area_th，当分割图像的灰度值大于预设的阈值grey_th时，确定所述分割图像的区域面积；
所述判断结果子单元用于判断所述区域面积是否大于预设的阈值area_th，生成判断结果；
所述背景区域子单元用于当所述判断结果大于预设的阈值area_th时，确定背景区域；
所述有效区域子单元用于当所述判断结果不大于预设的阈值area_th时，计算所述区域面积和预设的阈值area_th的区域差值，并确定有效区域。
上述技术方案的工作原理为：
本技术方案设定大小size，设定分割过程中小块之间的重叠大小size_board，采用分块的方法，将病理图像按照设定参数进行分割，将切片级别图像分割为一系列大小为size*size的分割图像，预处理，设定阈值grey_th、area_th，判断小块中灰度值大于grey_th的区域面积，若大于area_th，则认为是背景区域，对背景区域不进行处理，剩下区域为有效区域，为全扫描细胞病理图像进行辅助诊断的数据处理方法辅助诊断提供依据。
上述技术方案的有益效果为：
本技术方案的系统支持大规模的神经网络，通常采用的是全扫描细胞病理图像的图像处理方法，诊断的准确率较高，医疗设备对系统的稳定性有非常高的要求，细微的系统故障都可能导致严重的后果。相比单机的分析设备在处理大规模图像任务的时候，减少了分析的时间，增加了鲁棒性，提高了准确率。
实施例5：
本技术方案提供了一种实施例，所述深度学习检测单元检测所述有效区域，获取病变细胞的有效位置和有效类别包括以下步骤：
步骤100：获取有效区域的真实概率分布，并根据所述真实概率分布，计算病变细胞的分类的交叉熵损失；
其中，Lcls(mi,n)代表交叉熵损失，所述
为狄拉克函数，μ(k)代表病变细胞有效区域的均匀分布，
为预测概率分布，
为标注误差，ε代表概率的梯度值；n代表采集到的有效区域的病变细胞的总个数；i代表采集到的有效区域的第i个病变细胞；i∈(1,n),(mi,ni)代表第i个病变细胞的位置坐标；mi代表病变细胞在有效区域上的横坐标，ni代表病变细胞在有效区域上的纵坐标；
步骤101：基于卷积神经网络的检测算法，获取训练过程的损失函数：
Loss＝Wreg×Lreg+Wcls×Lcls(mi,n)
其中,Loss代表训练过程的损失函数，Lreg为位置回归损失，Lcls(mi,n)为分类的交叉熵损失，Wreg为位置回归损失的权重系数，、Wcls为交叉熵损失的权重系数；
步骤102：根据所述损失函数，检测所述有效区域，获取病变细胞的有效位置和有效类别。
上述技术方案的工作原理为：
本技术方案的深度学习源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，研究深度学习的动机在于建立模拟环境进行分析学习的神经网络，它模仿环境机制来解释数据，例如图像，声音和文本等，获取有效区域的真实概率分布，并根据所述真实概率分布，计算病变细胞的分类的交叉熵损失Lcls(mi,ni)，基于卷积神经网络的检测算法，获取训练过程的损失函数Loss，根据损失函数Loss，检测有效区域，获取病变细胞的有效位置和有效类别。
上述技术方案的有益效果为：
本技术方案实现小块级别的细胞病理检测能力，使用基于深度学习检测算法实现小块级别的细胞病理检测能力，可得出病变细胞的具体位置和类别，具有速度快，效果好的特点，可实时为医生提供小块级别的病变细胞定位和分类，辅助医生进行下一步确认诊断，通过算法的后处理，将小块级别的检测数据进行整合，得到切片级别的病变细胞位置和类别信息，通过强化学习得到诊断相关的具体阈值，从而实现切片级别细胞病理的辅助诊断数据。
实施例6：
本技术方案提供了一种实施例，所述检测单元排除重复检测区域确定切片级别的细胞检测数据，包括以下步骤：
步骤A1:获取分割图像和切片的冗余框，将所述冗余框进行得分并排序，选中最高分的冗余框，遍历冗余框；
步骤A2:判断所述冗余框得分是否大于等于预设分数，获取细胞类别和对应的有效检测数据；其中，
所述预设的分数至少包括Score_a，Score_b,Score_c多种不同种类细胞的分数；
所述有效检测数据包括一种诊断类别和多种诊断类别；
步骤A3:当所述有效检测数据为一种诊断类别，确定切片的诊断数据；
步骤A4:当所述有效检测数据同时诊断为多个诊断类别时，计算并选取诊断类别中细胞种类个数最大的细胞种类，确定切片的诊断数据。
上述技术方案的工作原理为：
本技术方案随机初始化各个类别初始状态，如A(Score_a，Count_a),a为待检测的其中一个细胞病变类别，对应的A为该切片的某一种诊断数据类别，Score_a代表细胞病变类别为a类的得分，在深度学习检测算法对应的检测数据中，得分大于等于Score_a的检测数据为a类细胞的有效检测数据，当a类细胞个数大于Count_a时，该切片的诊断数据为A类，当该切片被同时诊断为多个诊断类别时，该切片的诊断数据为其中级别最高的结果，如该切片同时满足A、B、C三个类别的诊断数据，但A的诊断级别最高，则该切片的诊断数据为A；同理，Score_b,代表细胞病变类别为b类的得分，Score_c代表细胞病变类别为c类的得分，a类细胞、b类细胞、c类细胞是人为划分和定义的细胞，此处仅是举例说明。
上述技术方案的有益效果为：
本技术方案相比集成在分析仪器上的只能通过设备软件的更新增加功能和特性，无法通过扩展硬件提高分析速度的本地分析系统，通过强化学习算法，进行细胞病理图像诊断阈值的学习，为切片级别病理辅助诊断数据提供依据。
实施例7：
本技术方案提供了一种实施例，所述强化学习模块包括初始状态单元和诊断阈值单元；其中，
所述初始状态单元用于获取切片级别病变细胞的检测数据，根据所述检测数据，确定病变细胞类别的初始状态；
所述诊断阈值单元用于基于预设的强化学习算法，调整对所述病变细胞类别初始状态的行为的概率，确定切片级别的诊断阈值。
上述技术方案的工作原理和有益效果为：
本技术方案通过强化学习算法，又称再励学习、评价学习或增强学习，用于描述和解决通过学习策略以达成回报最大化或实现特定目标的问题，从而进行细胞病理图像诊断阈值的学习，为切片级别病理辅助诊断数据提供依据，强化学习方法得到的阈值进行判断，即可得到当前切片的辅助诊断数据。
实施例8：
本技术方案提供了一种实施例，所述基于预设的强化学习算法，对所述分割图像进行分析处理，确定病变细胞的诊断阈值，包括以下步骤：
步骤S1：随机初始化各个病变细胞类别初始状态，确定诊断数据A(Score_a，Count_a)；其中，
a为待检测的其中一个细胞病变类别，对应的A为该切片的某一种诊断数据类别；
步骤S2：设定行为，获取行为概率，并根据所述行为概率，确定每个状态的行为得分为：
其中,所述行为概率包括敏感性和特异性，S1Y为阳性诊断的敏感性，S2Y为阳性诊断的特异性，W1Y对应阳性诊断的敏感性的权重，W2Y对应阳性诊断的特异性的权重，Y代表诊断结果呈阳性，ALL为切片诊断数据中全部的阳性类别，A为全部的阳性类别其中的一类，S1A代表A阳性类别的敏感性，S2A分别对应A阳性类别的特异性，W1A为A阳性类别的敏感性对应的权重，W2A为A阳性类别的特异性对应的权重；
步骤S3：根据所述每个状态的行为得分，获取每个状态的激励得分：
Reward＝ΔRState
其中，Reward代表每个行为的激励得分，RState代表状态得分；
步骤3：通过所述激励得分，调整行为的概率，并在所述行为迭代过程中，计算并更新所述激励得分和行为概率，确定状态行为；
步骤4：基于所述状态行为，按照状态行为的行为概率计算下一行为，进入下一状态；
步骤5：重复步骤2，在执行次数达到预设的执行次数阈值时，获取最佳RState，并根据所述最佳RState，确定切片级别的诊断阈值。
上述技术方案的工作原理为：
本技术方案的敏感性是指其在诊断疾病的时候不漏诊的机会有多大，本技术方案的特异性是指该指标在诊断某疾病时，不误诊的机会有多大，本技术方案通过随机初始化各个病变细胞类别初始状态，确定诊断数据A(Scorea，Counta)，确定待检测的其中一个细胞病变类别，对应的A为该切片的某一种诊断数据类别；设定行为，Score_a按照步长0.01进行增减或者不变化，Count_a按照步长1进行增减或者不变化，获取行为得分RState，通过激励得分，调整行为的概率，得分高的该行为概率提高，在迭代过程中，不断计算激励得分和行为概率，当前状态按照行为的概率选择下一行为，进入下一状态。
上述技术方案的有益效果为：
本技术方案解决多层级、大尺寸、高分辨率的全扫描细胞病理图像分析处理问题，对各分块进行小块级别的处理，然后再将小块级别的算法处理结果汇总，通过切片级别的后处理从而得出切片级别的分析结果，实现小块级别的细胞病理检测能力。使用基于深度学习检测算法实现小块级别的细胞病理检测能力，可得出病变细胞的具体位置和类别，具有速度快，效果好的特点，可实时为医生提供小块级别的病变细胞定位和分类，辅助医生进行下一步确认诊断。
实施例9：
本技术方案提供了一种实施例，所述辅助诊断模型模块包括获取单元、诊断差值单元和辅助诊断模型单元，其中，
所述获取单元用于获取所述病变细胞的病变类别和相对位置；
所述病变面积计算单元用于基于所述病变细胞的相对位置，计算病变细胞的病变区域数据；
所述辅助诊断模型单元用于基于所述病变类别，将所述病变区域数据传输至预设的AI辅助仿真设备，生成辅助诊断模型。
上述技术方案的工作原理和有益效果为：
本技术方案通过算法的后处理，将小块级别的检测数据进行整合，得到切片级别的病变细胞位置和类别信息，通过强化学习得到诊断相关的具体阈值，从而实现切片级别细胞病理的辅助诊断数据。
实施例10：
本技术方案提供了一种实施例，所述辅助诊断模型单元，将所述病变区域数据传输至预设的AI辅助仿真设备，生成辅助诊断模型包括以下步骤：
步骤1000：基于预设的AI辅助仿真设备，接收病变区域数据；
Data＝{f(t1,x1),f(t2,x2),…,f(ti,xi),…,f(tn,xn)}
其中，Data代表AI辅助仿真设备接收病变区域数据集合，所述(ti,xi)代表在ti时刻接收的病变区域数据xi，f(ti,xi)代表在激励函数f下第i个输入的数据，(tn,xn)代表在tn时刻接收的病变区域数据xn，f(tn,xn)代表在激励函数f下第n个输入的数据，n代表一共接收到的病变区域数据个数，i代表接收的第i个病变区域数据的数据序值，i∈(1,n)；
步骤1001：传输所述病变区域数据至AI辅助仿真设备，确定仿真映射参数；
其中，γ(t)代表基于时间延迟的仿真映射参数，e代表时间粒度，k关于时间延迟的常数因子,w代表接收到的病变区域数据传输至AI辅助仿真系统后的仿真算法的权值，wj代表接收到的病变区域数据传输至AI辅助仿真系统第j层仿真算法的权值，m代表AI辅助仿真的仿真训练层的总数，j∈(1,m),Δt代表接收时间和仿真时间的误差时间，
代表映射函数阈值，
代表基于时间延迟的映射函数阈值,F代表仿真模型函数，σi(τ)代表在AI辅助仿真设备影响参数τ下的主动修正参数；
步骤1002：获取理想映射函数，并根据所述仿真映射参数和理想映射函数，确定偏移率；
其中，β代表偏仿真映射模型和理想映射模型的偏移率，γ0代表理想映射函数；
步骤1003：当所述β>0.8时，通过仿真映射参数处理病变区域数据，生成辅助诊断模型；
步骤1004：当所述β<0.8时，返回步骤1。
上述技术方案的工作原理和有益效果为：
本技术方案通过AI辅助仿真设备拟合通过对细胞病理图像进行基于深度学习和强化学习相结合的算法系统，能够在较短的时间内给出细胞病理图像的人工智能分析结果，基于预设的AI辅助仿真设备，接收病变区域数据Data，传输所述病变区域数据至AI辅助仿真设备，确定仿真映射参数γ(t)，获取理想映射函数，并根据所述仿真映射参数和理想映射函数，确定偏移率β，并根据对β的判断，确定辅助诊断模型与理想值的融合偏移差，从而提供精确的模型，当所述β>0.8时表示辅助诊断模型与理想值的融合偏移差小，融合度高，也说明生成的模型具有借鉴价值，当β<0.8时，机器可能由于外界参数影响或者电流等物理参数影响，导致融合度偏低，误差增大，所以，为了更精确的生成模型，需要提高融合度，故返回步骤1进行重新计算。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于深度学习和强化学习细胞病理图像辅助诊断系统，其特征在于，包括切边图像模块、深度学习模块、强化学习模块和辅助诊断模型模块；
所述切边图像模块用于获取并分割全扫描细胞病理图像，确定分割图像；
所述深度学习模块用于基于预设的深度学习检测算法，对所述分割图像进行训练处理，确定病变细胞的病变类别和相对位置；其中，
所述相对位置代表所述病变细胞在分割图像上和正常细胞相对的位置；
所述强化学习模块用于基于预设的强化学习算法，对所述分割图像进行分析处理，确定病变细胞的诊断阈值；其中，
所述诊断阈值包括细胞分数阈值和诊断个数判别阈值；
所述辅助诊断模型模块用于基于所述诊断阈值，按照所述病变细胞的病变类别和相对位置，生成辅助诊断模型。
2.如权利要求1所述的一种基于深度学习和强化学习细胞病理图像辅助诊断系统，其特征在于，所述切边图像模块包括获取图像单元、分割设定单元和分割图像分割单元；
所述获取图像单元用于获取全扫描细胞病变图像；
所述分割设定单元用于基于预设的size，设定分割过程中小块之间的重叠大小size_board；
所述分割图像分割单元用于基于所述重叠大小size_board，分割所述全扫描细胞病变图像，生成大小为size*size的分割图像。
3.如权利要求1所述的一种基于深度学习和强化学习细胞病理图像辅助诊断系统，其特征在于，所述深度学习模块包括预处理单元、深度学习检测单元、预测结果单元和检测数据单元；其中，
所述预处理单元用于基于预设的阈值grey_th和area_th，处理所述分割图像，确定背景区域和有效区域；
所述深度学习检测单元用于基于预设的深度学习检测算法，检测所述有效区域，获取病变细胞的有效位置和有效类别；
所述预测结果单元用于根据所述有效位置和有效类别，确定病变细胞的预测结果；
所述检测单元用于通过融合所述分割图像的预测结果到预先安装的切片上，基于非极大值抑制，排除重复检测区域，确定切片级别的细胞检测数据。
4.如权利要求3所述的一种基于深度学习和强化学习细胞病理图像辅助诊断系统，其特征在于，所述预处理单元包括区域面积子单元、判断结果子单元、背景区域子单元和有效区域子单元；
所述区域面积子单元用于基于预设的阈值grey_th和area_th，当分割图像的灰度值大于预设的阈值grey_th时，确定所述分割图像的区域面积；
所述判断结果子单元用于判断所述区域面积是否大于预设的阈值area_th，生成判断结果；
所述背景区域子单元用于当所述判断结果大于预设的阈值area_th时，确定背景区域；
所述有效区域子单元用于当所述判断结果不大于预设的阈值area_th时，计算所述区域面积和预设的阈值area_th的区域差值，并确定有效区域。
5.如权利要求3所述的一种基于深度学习和强化学习细胞病理图像辅助诊断系统，其特征在于，所述深度学习检测单元检测所述有效区域，获取病变细胞的有效位置和有效类别包括以下步骤：
步骤100：获取有效区域的真实概率分布，并根据所述真实概率分布，计算病变细胞的分类的交叉熵损失；
其中，Lcls(mi,n)代表交叉熵损失，所述
为狄拉克函数，μ(k)代表病变细胞有效区域的均匀分布，
为预测概率分布，
为标注误差，ε代表概率的梯度值；n代表采集到的有效区域的病变细胞的总个数；i代表采集到的有效区域的第i个病变细胞；i∈(1,n),(mi,ni)代表第i个病变细胞的位置坐标；mi代表病变细胞在有效区域上的横坐标，ni代表病变细胞在有效区域上的纵坐标；
步骤101：基于卷积神经网络的检测算法，获取训练过程的损失函数：
Loss＝Wreg×Lreg+Wcls×Lcls(mi,n)
其中,Loss代表训练过程的损失函数，Lreg为位置回归损失，Lcls(mi,n)为分类的交叉熵损失，Wreg为位置回归损失的权重系数，、Wcls为交叉熵损失的权重系数；
步骤102：根据所述损失函数，检测所述有效区域，获取病变细胞的有效位置和有效类别。
6.如权利要求3所述的一种基于深度学习和强化学习细胞病理图像辅助诊断系统，其特征在于，所述检测单元排除重复检测区域确定切片级别的细胞检测数据，包括以下步骤：
步骤A1:获取分割图像和切片的冗余框，将所述冗余框进行得分并排序，选中最高分的冗余框，遍历冗余框；
步骤A2:判断遍历后的冗余框得分是否大于等于预设分数，获取细胞类别和对应的有效检测数据；其中，
所述预设的分数至少包括Score_a，Score_b,Score_c多种不同种类细胞的分数；
所述有效检测数据包括单一诊断类别和多项诊断类别；
步骤A3:当所述有效检测数据为一种诊断类别，确定切片的诊断数据；
步骤A4:当所述有效检测数据同时诊断为多个诊断类别时，计算并选取诊断类别中细胞种类个数最大的细胞种类，确定切片的诊断数据。
7.如权利要求1所述的一种基于深度学习和强化学习细胞病理图像辅助诊断系统，其特征在于，所述强化学习模块包括初始状态单元和诊断阈值单元；其中，
所述初始状态单元用于获取切片级别病变细胞的检测数据，根据所述检测数据，确定病变细胞类别的初始状态；
所述诊断阈值单元用于基于预设的强化学习算法，调整对所述病变细胞类别初始状态的行为的概率，确定切片级别的诊断阈值。
8.如权利要求7所述的一种基于深度学习和强化学习细胞病理图像辅助诊断系统，其特征在于，所述基于预设的强化学习算法，对所述分割图像进行分析处理，确定病变细胞的诊断阈值，包括以下步骤：
步骤S1：随机初始化各个病变细胞类别初始状态，确定诊断数据A(Score_a，Count_a)；其中，
a为待检测的其中一个细胞病变类别，对应的A为该切片的某一种诊断数据类别；
步骤S2：设定行为，获取行为概率，并根据所述行为概率，确定每个状态的行为得分为：
其中,所述行为概率包括敏感性和特异性，S1Y为阳性诊断的敏感性，S2Y为阳性诊断的特异性，W1Y对应阳性诊断的敏感性的权重，W2Y对应阳性诊断的特异性的权重，Y代表诊断呈阳性，ALL为切片诊断数据类别中全部的阳性类别，A为全部的阳性类别其中的一类，S1A代表A阳性类别的敏感性，S2A分别对应A阳性类别的特异性，W1A为A阳性类别的敏感性对应的权重，W2A为A阳性类别的特异性对应的权重；
步骤S3：根据所述每个状态的行为得分，获取每个状态的激励得分：
Reward＝ΔRState
其中，Reward代表每个行为的激励得分，RState代表状态得分；
步骤3：通过所述激励得分，调整行为的概率，并在所述行为迭代过程中，计算并更新所述激励得分和行为概率，确定状态行为；
步骤4：基于所述状态行为，按照状态行为的行为概率计算下一行为，进入下一状态；
步骤5：重复步骤2，在执行次数达到预设的执行次数阈值时，获取最佳RState，并根据所述最佳RState，确定切片级别的诊断阈值。
9.如权利要求1所述的一种基于深度学习和强化学习细胞病理图像辅助诊断系统，其特征在于，所述辅助诊断模型模块包括获取单元、诊断差值单元和辅助诊断模型单元，其中，
所述获取单元用于获取所述病变细胞的病变类别和相对位置；
所述病变面积计算单元用于基于所述病变细胞的相对位置，计算病变细胞的病变区域数据；
所述辅助诊断模型单元用于基于所述病变类别，将所述病变区域数据传输至预设的AI辅助仿真设备，生成辅助诊断模型。
10.如权利要求9所述的一种基于深度学习和强化学习细胞病理图像辅助诊断系统，其特征在于，所述辅助诊断模型单元，将所述病变区域数据传输至预设的AI辅助仿真设备，生成辅助诊断模型包括以下步骤：
步骤1000：基于预设的AI辅助仿真设备，接收病变区域数据；
Data＝{f(t1,x1),f(t2,x2),…,f(ti,xi),…,f(tn,xn)}
其中，Data代表AI辅助仿真设备接收病变区域数据集合，所述(ti,xi)代表在ti时刻接收的病变区域数据xi，f(ti,xi)代表在激励函数f下第i个输入的数据，(tn,xn)代表在tn时刻接收的病变区域数据xn，f(tn,xn)代表在激励函数f下第n个输入的数据，n代表一共接收到的病变区域数据个数，i代表接收的第i个病变区域数据的数据序值，i∈(1,n)；
步骤1001：传输所述病变区域数据至AI辅助仿真设备，确定仿真映射参数；
其中，γ(t)代表基于时间延迟的仿真映射参数，e代表时间粒度，k关于时间延迟的常数因子,w代表接收到的病变区域数据传输至AI辅助仿真系统后的仿真算法的权值，wj代表接收到的病变区域数据传输至AI辅助仿真系统第j层仿真算法的权值，m代表AI辅助仿真的仿真训练层的总数，j∈(1,m),Δt代表接收时间和仿真时间的误差时间，
代表映射函数阈值，
代表基于时间延迟的映射函数阈值,F代表仿真模型函数，σi(τ)代表在AI辅助仿真设备影响参数τ下的主动修正参数；
步骤1002：获取理想映射函数，并根据所述仿真映射参数和理想映射函数，确定偏移率；
其中，β代表偏仿真映射模型和理想映射模型的偏移率，γ0代表理想映射函数；
步骤1003：当所述β>0.8时，通过仿真映射参数处理病变区域数据，生成辅助诊断模型；
步骤1004：当所述β<0.8时，返回步骤1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110378616.2A CN114387201B (zh) | 2021-04-08 | 2021-04-08 | 一种基于深度学习和强化学习细胞病理图像辅助诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110378616.2A CN114387201B (zh) | 2021-04-08 | 2021-04-08 | 一种基于深度学习和强化学习细胞病理图像辅助诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114387201A true CN114387201A (zh) | 2022-04-22 |
| CN114387201B CN114387201B (zh) | 2023-01-17 |
Family
ID=81194660
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110378616.2A Active CN114387201B (zh) | 2021-04-08 | 2021-04-08 | 一种基于深度学习和强化学习细胞病理图像辅助诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114387201B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115131296A (zh) * | 2022-06-08 | 2022-09-30 | 南京轩景乐敏科技有限公司 | 一种用于图像识别的分布式计算方法及系统 |
| CN115661815A (zh) * | 2022-12-07 | 2023-01-31 | 赛维森(广州)医疗科技服务有限公司 | 基于全局特征映射的病理图像分类方法、图像分类装置 |
| CN115690556A (zh) * | 2022-11-08 | 2023-02-03 | 河北北方学院附属第一医院 | 一种基于多模态影像学特征的图像识别方法及系统 |
| CN116152229A (zh) * | 2023-04-14 | 2023-05-23 | 吉林大学 | 一种糖尿病视网膜病变诊断模型的构建方法及诊断模型 |
| CN116188834A (zh) * | 2022-12-08 | 2023-05-30 | 赛维森(广州)医疗科技服务有限公司 | 基于自适应训练模型的全切片图像分类方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3399501A1 (en) * | 2017-05-03 | 2018-11-07 | Siemens Healthcare GmbH | Multi-scale deep reinforcement machine learning for n-dimensional segmentation in medical imaging |
| CN109360646A (zh) * | 2018-08-31 | 2019-02-19 | 透彻影像(北京)科技有限公司 | 基于人工智能的病理辅助诊断系统 |
| CN110443781A (zh) * | 2019-06-27 | 2019-11-12 | 杭州智团信息技术有限公司 | 一种肝脏数字病理的ai辅助诊断系统及方法 |
| CN110659692A (zh) * | 2019-09-26 | 2020-01-07 | 重庆大学 | 基于强化学习和深度神经网络的病理图像自动标注方法 |
| CN110693489A (zh) * | 2019-10-28 | 2020-01-17 | 杭州电子科技大学 | 一种基于多分类器强化学习的心肌梗塞检测方法 |
| CN111091559A (zh) * | 2019-12-17 | 2020-05-01 | 山东大学齐鲁医院 | 基于深度学习的小肠镜下淋巴瘤辅助诊断系统 |
| KR20200126303A (ko) * | 2019-04-29 | 2020-11-06 | 계명대학교 산학협력단 | 자궁경부암 세포 영상 자동 분석을 위한 인공지능 컴퓨터 보조 진단 시스템 및 그 제어 방법 |
| CN111951221A (zh) * | 2020-07-13 | 2020-11-17 | 清影医疗科技（深圳）有限公司 | 一种基于深度神经网络的肾小球细胞图像识别方法 |
| CN112435243A (zh) * | 2020-11-26 | 2021-03-02 | 山东第一医科大学附属省立医院(山东省立医院) | 一种全切片数字病理图像的自动分析系统及方法 |
-
2021
- 2021-04-08 CN CN202110378616.2A patent/CN114387201B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3399501A1 (en) * | 2017-05-03 | 2018-11-07 | Siemens Healthcare GmbH | Multi-scale deep reinforcement machine learning for n-dimensional segmentation in medical imaging |
| CN109360646A (zh) * | 2018-08-31 | 2019-02-19 | 透彻影像(北京)科技有限公司 | 基于人工智能的病理辅助诊断系统 |
| KR20200126303A (ko) * | 2019-04-29 | 2020-11-06 | 계명대학교 산학협력단 | 자궁경부암 세포 영상 자동 분석을 위한 인공지능 컴퓨터 보조 진단 시스템 및 그 제어 방법 |
| CN110443781A (zh) * | 2019-06-27 | 2019-11-12 | 杭州智团信息技术有限公司 | 一种肝脏数字病理的ai辅助诊断系统及方法 |
| CN110659692A (zh) * | 2019-09-26 | 2020-01-07 | 重庆大学 | 基于强化学习和深度神经网络的病理图像自动标注方法 |
| CN110693489A (zh) * | 2019-10-28 | 2020-01-17 | 杭州电子科技大学 | 一种基于多分类器强化学习的心肌梗塞检测方法 |
| CN111091559A (zh) * | 2019-12-17 | 2020-05-01 | 山东大学齐鲁医院 | 基于深度学习的小肠镜下淋巴瘤辅助诊断系统 |
| CN111951221A (zh) * | 2020-07-13 | 2020-11-17 | 清影医疗科技（深圳）有限公司 | 一种基于深度神经网络的肾小球细胞图像识别方法 |
| CN112435243A (zh) * | 2020-11-26 | 2021-03-02 | 山东第一医科大学附属省立医院(山东省立医院) | 一种全切片数字病理图像的自动分析系统及方法 |
Non-Patent Citations (6)
| Title |
|---|
| JINGWEN WANG 等: "Deep Reinforcement Active Learning for Medical Image Classification", 《MEDICAL IMAGE COMPUTING AND COMPUTER ASSISTED INTERVENTION 》 * |
| JOSEPH STEMBER 等: "Deep reinforcement learning to detect brain lesions on MRI: a proof-of-concept application of reinforcement learning to medical images", 《ARXIV:2008.02708V1》 * |
| MD MAMUNUR RAHAMAN 等: "A Survey for Cervical Cytopathology Image Analysis Using Deep Learning", 《IEEE ACCESS》 * |
| 廖欣等: "基于深度卷积神经网络的宫颈细胞病理智能辅助诊断方法", 《液晶与显示》 * |
| 张缨等: "计算机辅助肺癌细胞病理诊断的初步研究", 《临床肿瘤学杂志》 * |
| 王威等: "深度学习技术在疾病诊断中的应用", 《第二军医大学学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115131296A (zh) * | 2022-06-08 | 2022-09-30 | 南京轩景乐敏科技有限公司 | 一种用于图像识别的分布式计算方法及系统 |
| CN115131296B (zh) * | 2022-06-08 | 2024-02-27 | 广州东朝智能科技有限公司 | 一种用于图像识别的分布式计算方法及系统 |
| CN115690556A (zh) * | 2022-11-08 | 2023-02-03 | 河北北方学院附属第一医院 | 一种基于多模态影像学特征的图像识别方法及系统 |
| CN115661815A (zh) * | 2022-12-07 | 2023-01-31 | 赛维森(广州)医疗科技服务有限公司 | 基于全局特征映射的病理图像分类方法、图像分类装置 |
| CN115661815B (zh) * | 2022-12-07 | 2023-09-12 | 赛维森(广州)医疗科技服务有限公司 | 基于全局特征映射的病理图像分类方法、图像分类装置 |
| CN116188834A (zh) * | 2022-12-08 | 2023-05-30 | 赛维森(广州)医疗科技服务有限公司 | 基于自适应训练模型的全切片图像分类方法及装置 |
| CN116188834B (zh) * | 2022-12-08 | 2023-10-20 | 赛维森(广州)医疗科技服务有限公司 | 基于自适应训练模型的全切片图像分类方法及装置 |
| CN116152229A (zh) * | 2023-04-14 | 2023-05-23 | 吉林大学 | 一种糖尿病视网膜病变诊断模型的构建方法及诊断模型 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114387201B (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114387201B (zh) | 一种基于深度学习和强化学习细胞病理图像辅助诊断系统 | |
| CN111401201B (zh) | 一种基于空间金字塔注意力驱动的航拍图像多尺度目标检测方法 | |
| CN109035187B (zh) | 一种医学图像的标注方法及装置 | |
| CN110555845B (zh) | 眼底oct图像识别方法及设备 | |
| CN107016665B (zh) | 一种基于深度卷积神经网络的ct肺结节检测方法 | |
| US8920322B2 (en) | Valve treatment simulation from medical diagnostic imaging data | |
| JP6472621B2 (ja) | 分類器構築方法、画像分類方法および画像分類装置 | |
| Liao et al. | On modelling label uncertainty in deep neural networks: Automatic estimation of intra-observer variability in 2d echocardiography quality assessment | |
| CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
| CN107169974A (zh) | 一种基于多监督全卷积神经网络的图像分割方法 | |
| US20230230241A1 (en) | System and method for detecting lung abnormalities | |
| CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
| CN102289811A (zh) | 一种半自动序列图像分割方法及系统 | |
| CN1989524A (zh) | 用于自动确定可疑的物体边界的系统和方法 | |
| KR20190105180A (ko) | 합성곱 신경망 기반의 병변 진단 장치 및 방법 | |
| CN113096137B (zh) | 一种oct视网膜图像领域适应分割方法及系统 | |
| EP3948777A1 (en) | Identifying boundaries of lesions within image data | |
| CN111598866B (zh) | 一种基于眼部b超图像的晶状体关键特征定位方法 | |
| CN108053401A (zh) | 一种b超图像处理方法及装置 | |
| CN111833321B (zh) | 一种调窗优化增强的颅内出血检测模型及其构建方法 | |
| CN111681204B (zh) | 基于图神经网络的ct肋骨骨折病灶关系建模方法及装置 | |
| CN115587979B (zh) | 基于三阶段注意力网络的糖尿病视网膜病变分级的方法 | |
| CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 | |
| CN115187566A (zh) | 基于mra影像的颅内动脉瘤检测方法及装置 | |
| Hossain et al. | COVID-19 detection through deep learning algorithms using chest X-ray images |
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 |