CN116152185A - 一种基于深度学习的胃癌病理诊断系统 - Google Patents
一种基于深度学习的胃癌病理诊断系统 Download PDFInfo
- Publication number
- CN116152185A CN116152185A CN202310044237.9A CN202310044237A CN116152185A CN 116152185 A CN116152185 A CN 116152185A CN 202310044237 A CN202310044237 A CN 202310044237A CN 116152185 A CN116152185 A CN 116152185A
- Authority
- CN
- China
- Prior art keywords
- image
- pathological
- model
- diagnosis
- unit
- 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.)
- Pending
Links
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30092—Stomach; Gastric
-
- 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
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的胃癌病理诊断系统,包括:数据采集处理模块,用于获取患者胃部的全扫描病理图像,进行标注处理后,生成病理图像数据集;模型训练测试模块,用于基于语义分割模型(DeepLab v3)对病理图像数据集进行训练测试,获得训练测试后的诊断模型;识别诊断模块,用于基于诊断模型对患者胃部的全扫描病理图像进行识别诊断,获得诊断结果。本发明通过海量数据标注,对深度学习模型进行训练,获得胃癌病理分析模型;通过深度学习模型完成整张病理影像的分析,解决胃癌全扫描病理图像分析处理问题,给出胃癌预测概率的热力图,更好地辅助医生诊断,为病理医生的诊断提供参考。
Description
技术领域
本发明涉及病理诊断技术领域,尤其涉及一种基于深度学习的胃癌病理诊断系统。
背景技术
随着科学技术的发展,医学诊断技术也在持续发展和改进,当今的医学诊断技术已经可以提供准确的结果,能够有效改善患者的生活质量和病情管理。近年来,随着计算机技术的发展,深度学习在医学诊断技术中也发挥着重要作用,深度学习技术可以更准确更快速地诊断疾病。
在全球范围内,胃癌的发病率在所有的癌症中排名第五,同时其致死率在癌症中排名第三。胃癌最常发生在东亚和东欧,中国从2009年到2011年三年平均每年新增胃癌患者数量为68万人。
近一半的胃镜检查需要进行组织活检,随着胃镜检查的普及,胃部病理检查的数量也在逐年的增加,作为医学诊断的“金标准”,病理报告对于临床医生提供进一步治疗策略至关重要。一位病理医师至少需要10年以上的系统性培训和学习才能具备独立诊断的能力,而目前我国注册的病理医师仅有约1万名,根据国家卫计委的要求,其人才缺口至少为4-9万人。
现有的医疗人工智能辅助诊断系统主要有两类:第一类是应用于普通医疗影像人工智能辅助诊断;例如CT、磁共振、超声等医疗影像;这类影像的尺寸较小,以灰阶影像为主,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;但主要应用于普通医疗影像,其分析模型无法迁移到病理图像的诊断;只能支持普通分辨率图像,无法处理超高分辨率的病理全扫描图像;第二类是病理图像的辅助诊断系统,主要关注模型训练完成后的预测过程,偏重切片扫描、模型分析、结果显示的硬件流程;但没有对胃癌的病理诊断提供解决方案,没有关注模型预测结果的可视化呈现方式。
因此,需要一种基于深度学习的胃癌病理诊断系统。
发明内容
本发明提供了一种基于深度学习的胃癌病理诊断系统,通过海量数据标注,对深度学习模型进行训练,获得胃癌病理分析模型,解决胃癌全扫描病理图像分析处理问题;通过深度学习模型完成整张病理影像的分析,精确圈出恶性肿瘤区域的同时,模拟病理医生的分析过程,给出癌预测概率的热力图,更好地辅助医生的诊断过程,为病理医生的诊断提供参考。
本发明提供了一种基于深度学习的胃癌病理诊断系统,包括:
数据采集处理模块,用于获取患者胃部的全扫描病理图像,进行标注处理后,生成病理图像数据集;
模型训练测试模块,用于基于语义分割模型(DeepLab v3)对病理图像数据集进行训练测试,获得训练测试后的诊断模型;
识别诊断模块,用于基于诊断模型对患者胃部的全扫描病理图像进行识别诊断,获得诊断结果。
进一步地,数据采集处理模块包括数据获取单元和数据标注单元;
数据获取单元,用于利用数字扫描仪以高倍物镜,对手术标本和活检样本进行扫描获得患者胃部的全扫描病理图像;
数据标注单元,用于移动终端设备中的标注工具完成对全扫描病理图像的病变区域的标注。
进一步地,数据标注单元包括标注分类子单元和标注实施子单元;
标注分类子单元,用于将按照预设的标签进行标注分类,获得标注分类结果;标签包括恶性、良性、质量差和忽略;
标注实施子单元,用于区分初始标记阶段、审核阶段和抽查阶段三个步骤实施,初始标记阶段包括将一张病理图像随机分配给病理医生进行标注;审核阶段包括将标注后的病理图像由另一位病理医生审核;抽查阶段包括由主任医师随机抽查30%的经过审核过的病理图像。
进一步地,模型训练测试模块包括模型训练单元和模型测试单元;
模型训练单元,用于利用语义分割模型对病理图像数据集划分出的训练集进行训练;
模型测试单元,用于利用语义分割模型对病理图像数据集划分出的测试集进行测试。
进一步地,模型训练单元包括:
按照20倍物镜比率将训练集中的病理图像分成320×320像素的图像块后,输入以ResNet-50为架构的骨干网络进行参数优化;
将训练集中的单幅病理图像按照90度、180度或270度的角度进行随机旋转,或按照水平方向随机旋转,或按照垂直方向随机翻转,生成新图像,将新图像输入模型中;
对训练集中的单幅图像的亮度、饱和度、对比度和色相,在各自预设的幅值区间内进行随机扰动后,作为新的图像输入模型中。
进一步地,模型训练单元包括:
根据训练集中的图像的标注分类结果,将标签为恶性和良性的图像作为模型的输入,舍弃标签为质量差和忽略的图像。
进一步地,模型测试单元包括:
获取每个像素经过模型测试后的输出结果,输出结果为恶性肿瘤概率值;
获取并计算经过模型测试的排序为前1000的像素的恶性肿瘤概率值的平均值,将平均值作为测试集中的单幅图像的恶性肿瘤概率值。
进一步地,模型测试单元还包括:
将测试集中的病理图像分成2000×2000像素的图像块进行测试;
绘制病理图像的概率预测值分布图,将所属各图像块的恶性肿瘤概率值标示在相应区位上,并利用不同的颜色代表概率预测值,生成病理图像的恶性肿瘤概率预测热力图。
进一步地,数据标注单元还包括辅助标注子单元,用于辅助医生全面准确地进行标注;辅助标注子单元包括预匹配分子单元、分类提醒分子单元;
预匹配分子单元,用于根据预设的标准标签区域图像与病理图像中的区域图像进行匹配,获得不同的匹配标签区域图像,并将匹配标签区域图像用不同的颜色进行区域框选标识;
分类提醒分子单元,用于根据不同的匹配标签区域图像进行分类提醒,分类提醒包括文字标识提醒和标注防遗漏提醒;标注防遗漏提醒包括当医生未将全部匹配标签区域图像标注完时,发出继续标注的声音提醒;若医生将全部匹配标签区域图像标注完时,发出完成标注的声音提醒。
进一步地,还包括病情发展趋势预测模块,用于根据病理诊断结果,预测获得病情发展趋势;
病情发展趋势预测模块包括对比图像获取单元、病理图像分析预测单元和预测结果展现单元;
对比图像获取单元,用于获取人体胃部健康图像,以及按照预设的胃部病情发展阶段划分周期采集的若干幅胃部病情阶段发展趋势图像;
病理图像分析预测单元,用于将病理诊断图像与胃部病情阶段发展趋势图进行模糊匹配,获得匹配值;并设置模糊匹配的阈值区间,以及模糊匹配的阈值区间中间值;若匹配值大于阈值区间下限值并小于阈值区间中间值,则将病理诊断图像归为胃部病情阶段发展趋势图像所对应的病情阶段的前一阶段,若匹配值小于阈值区间上限值并大于等于阈值区间中间值,则将病理诊断图像归为胃部病情阶段发展趋势图像的所对应的病情阶段的后一阶段;
预测结果展现单元,用于基于预设的病情阶段发展趋势图,确定当前病理诊断图像所对应的病情发展阶段,并对病情发展预期进行分析和预判,展现相关的诊断建议。
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为本发明的一种基于深度学习的胃癌病理诊断系统结构示意图;
图2为本发明的一种基于深度学习的胃癌病理诊断系统数据采集处理模块结构示意图;
图3为本发明的一种基于深度学习的胃癌病理诊断系统数据采集处理模块数据标注单元结构示意图。
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。
本发明提供了一种基于深度学习的胃癌病理诊断系统,如图1所示,包括:
数据采集处理模块,用于获取患者胃部的全扫描病理图像,进行标注处理后,生成病理图像数据集;
模型训练测试模块,用于基于语义分割模型(DeepLab v3)对病理图像数据集进行训练测试,获得训练测试后的诊断模型;
识别诊断模块,用于基于诊断模型对患者胃部的全扫描病理图像进行识别诊断,获得诊断结果。
上述技术方案的工作原理为:数据采集处理模块,用于获取患者胃部的全扫描病理图像,进行标注处理后,生成病理图像数据集;
模型训练测试模块,用于基于语义分割模型(DeepLab v3)对病理图像数据集进行训练测试,获得训练测试后的诊断模型;
识别诊断模块,用于基于诊断模型对患者胃部的全扫描病理图像进行识别诊断,获得诊断结果。
上述技术方案的有益效果为:采用本实施例提供的方案,通过海量数据标注,对深度学习模型进行训练,获得胃癌病理分析模型,解决胃癌全扫描病理图像分析处理问题;通过深度学习模型完成整张病理影像的分析,精确圈出恶性肿瘤区域的同时,模拟病理医生的分析过程,给出癌预测概率的热力图,更好地辅助医生的诊断过程,为病理医生的诊断提供参考。
在一个实施例中,如图2所示,数据采集处理模块包括数据获取单元和数据标注单元;
数据获取单元,用于利用数字扫描仪以高倍物镜,对手术标本和活检样本进行扫描获得患者胃部的全扫描病理图像;
数据标注单元,用于移动终端设备中的标注工具完成对全扫描病理图像的病变区域的标注。
上述技术方案的工作原理为:数据采集处理模块包括数据获取单元和数据标注单元;
数据获取单元,用于利用数字扫描仪以高倍物镜,对手术标本和活检样本进行扫描获得患者胃部的全扫描病理图像;
数据标注单元,用于移动终端设备中的标注工具完成对全扫描病理图像的病变区域的标注。
上述技术方案的有益效果为:采用本实施例提供的方案,通过对数据的采集,可以保证获取到全面详实的胃部图像数据,以便于更好地研究分析。
在一个实施例中,如图3所示,数据标注单元包括标注分类子单元和标注实施子单元;
标注分类子单元,用于将按照预设的标签进行标注分类,获得标注分类结果;标签包括恶性、良性、质量差和忽略;
标注实施子单元,用于区分初始标记阶段、审核阶段和抽查阶段三个步骤实施,初始标记阶段包括将一张病理图像随机分配给病理医生进行标注;审核阶段包括将标注后的病理图像由另一位病理医生审核;抽查阶段包括由主任医师随机抽查30%的经过审核过的病理图像。
上述技术方案的工作原理为:数据标注单元包括标注分类子单元和标注实施子单元;
标注分类子单元,用于将按照预设的标签进行标注分类,获得标注分类结果;标签包括恶性、良性、质量差和忽略;由于均需要手术干预,将恶性定义为高级别上皮内瘤变及癌,质量差与忽略的分别对应质量差(包括制片与扫描)与难以诊断的区域;
标注实施子单元,用于区分初始标记阶段、审核阶段和抽查阶段三个步骤实施,初始标记阶段包括将一张病理图像随机分配给病理医生进行标注;审核阶段包括将标注后的病理图像由另一位病理医生审核;抽查阶段包括由主任医师随机抽查30%的经过审核过的病理图像。
上述技术方案的有益效果为:采用本实施例提供的方案,通过对图像的处理标注,可以进一步缩小图像分析范围,并确定不同种类的胃部图像。
在一个实施例中,模型训练测试模块包括模型训练单元和模型测试单元;
模型训练单元,用于利用语义分割模型对病理图像数据集划分出的训练集进行训练;
模型测试单元,用于利用语义分割模型对病理图像数据集划分出的测试集进行测试。
上述技术方案的工作原理为:模型训练测试模块包括模型训练单元和模型测试单元;模型训练单元,用于利用语义分割模型对病理图像数据集划分出的训练集进行训练;模型测试单元,用于利用语义分割模型对病理图像数据集划分出的测试集进行测试。
上述技术方案的有益效果为:采用本实施例提供的方案,通过利用语义分割模型对病理图像数据进行训练和测试,可保证获得有效的识别诊断模型。
在一个实施例中,模型训练单元包括:
按照20倍物镜比率将训练集中的病理图像分成320×320像素的图像块后,输入以ResNet-50为架构的骨干网络进行参数优化;
将训练集中的单幅病理图像按照90度、180度或270度的角度进行随机旋转,或按照水平方向随机旋转,或按照垂直方向随机翻转,生成新图像,将新图像输入模型中;
对训练集中的单幅图像的亮度、饱和度、对比度和色相,在各自预设的幅值区间内进行随机扰动后,作为新的图像输入模型中。
上述技术方案的工作原理为:按照20倍物镜比率将训练集中的病理图像分成320×320像素的图像块后,输入以ResNet-50为架构的骨干网络进行参数优化;
由于组织病理切片没有特定的方向,将训练集中的单幅病理图像按照90度、180度或270度的角度进行随机旋转,或按照水平方向随机旋转,或按照垂直方向随机翻转,生成新图像,将新图像输入模型中;
为了提高不同医院及不同扫描仪的预测稳定性,对训练集中的单幅图像的亮度、饱和度、对比度和色相,在各自预设的幅值区间内进行随机扰动后,作为新的图像输入模型中。
上述技术方案的有益效果为:采用本实施例提供的方案,通过在模型训练过程中进行有效地数据增强,可提高输入数据的广泛性和模型输出的准确性。
在一个实施例中,模型训练单元包括:
根据训练集中的图像的标注分类结果,将标签为恶性和良性的图像作为模型的输入,舍弃标签为质量差和忽略的图像。
上述技术方案的工作原理为:在模型训练期间,将标签为质量差的区域视为标签为忽略所对应的区域,而不对标签为忽略的区域进行训练学习,根据训练集中的图像的标注分类结果,将标签为恶性和良性的图像作为模型的输入,舍弃标签为质量差和忽略的图像。
上述技术方案的有益效果为:采用本实施例提供的方案,通过将图像的标签为恶性和良性的作为模型的输入,可保证模型输入数据的代表性,提高模型预测的质量。
在一个实施例中,模型测试单元包括:
获取每个像素经过模型测试后的输出结果,输出结果为恶性肿瘤概率值;
获取并计算经过模型测试的排序为前1000的像素的恶性肿瘤概率值的平均值,将平均值作为测试集中的单幅图像的恶性肿瘤概率值。
上述技术方案的工作原理为:模型测试单元包括:
获取每个像素经过模型测试后的输出结果,输出结果为恶性肿瘤概率值;
获取并计算经过模型测试的排序为前1000的像素的恶性肿瘤概率值的平均值,将平均值作为测试集中的单幅图像的恶性肿瘤概率值。
上述技术方案的有益效果为:采用本实施例提供的方案,将平均值作为测试集中的单幅图像的恶性肿瘤概率值,可提高输出的数据的精准度。
在一个实施例中,模型测试单元还包括:
将测试集中的病理图像分成2000×2000像素的图像块进行测试;
绘制病理图像的概率预测值分布图,将所属各图像块的恶性肿瘤概率值标示在相应区位上,并利用不同的颜色代表概率预测值,生成病理图像的恶性肿瘤概率预测热力图。
上述技术方案的工作原理为:模型测试单元还包括:
将测试集中的病理图像分成2000×2000像素的图像块进行测试;绘制病理图像的概率预测值分布图,将所属各图像块的恶性肿瘤概率值标示在相应区位上,并利用不同的颜色代表概率预测值,生成病理图像的恶性肿瘤概率预测热力图。
上述技术方案的有益效果为:采用本实施例提供的方案,通过不同的颜色代表不同的概率预测值,能够让病理医生快速定位区域,更好地辅助病理医生进行诊断。
在一个实施例中,数据标注单元还包括辅助标注子单元,用于辅助医生全面准确地进行标注;辅助标注子单元包括预匹配分子单元、分类提醒分子单元;
预匹配分子单元,用于根据预设的标准标签区域图像与病理图像中的区域图像进行匹配,获得不同的匹配标签区域图像,并将匹配标签区域图像用不同的颜色进行区域框选标识;
分类提醒分子单元,用于根据不同的匹配标签区域图像进行分类提醒,分类提醒包括文字标识提醒和标注防遗漏提醒;标注防遗漏提醒包括当医生未将全部匹配标签区域图像标注完时,发出继续标注的声音提醒;若医生将全部匹配标签区域图像标注完时,发出完成标注的声音提醒。
上述技术方案的工作原理为:数据标注单元还包括辅助标注子单元,用于辅助医生全面准确地进行标注;辅助标注子单元包括预匹配分子单元、分类提醒分子单元;
预匹配分子单元,用于根据预设的标准标签区域图像与病理图像中的区域图像进行匹配,获得不同的匹配标签区域图像,并将匹配标签区域图像用不同的颜色进行区域框选标识;
分类提醒分子单元,用于根据不同的匹配标签区域图像进行分类提醒,分类提醒包括文字标识提醒和标注防遗漏提醒;标注防遗漏提醒包括当医生未将全部匹配标签区域图像标注完时,发出继续标注的声音提醒;若医生将全部匹配标签区域图像标注完时,发出完成标注的声音提醒。
上述技术方案的有益效果为:采用本实施例提供的方案,通过对病理图像的分类提醒,可以辅助医生进行全面准确地标注,提高图像标注的质量和效果。
在一个实施例中,还包括病情发展趋势预测模块,用于根据病理诊断结果,预测获得病情发展趋势;
病情发展趋势预测模块包括对比图像获取单元、病理图像分析预测单元和预测结果展现单元;
对比图像获取单元,用于获取人体胃部健康图像,以及按照预设的胃部病情发展阶段划分周期采集的若干幅胃部病情阶段发展趋势图像;
病理图像分析预测单元,用于将病理诊断图像与胃部病情阶段发展趋势图进行模糊匹配,获得匹配值;并设置模糊匹配的阈值区间,以及模糊匹配的阈值区间中间值;若匹配值大于阈值区间下限值并小于阈值区间中间值,则将病理诊断图像归为胃部病情阶段发展趋势图像所对应的病情阶段的前一阶段,若匹配值小于阈值区间上限值并大于等于阈值区间中间值,则将病理诊断图像归为胃部病情阶段发展趋势图像的所对应的病情阶段的后一阶段;
预测结果展现单元,用于基于预设的病情阶段发展趋势图,确定当前病理诊断图像所对应的病情发展阶段,并对病情发展预期进行分析和预判,展现相关的诊断建议。
上述技术方案的工作原理为:还包括病情发展趋势预测模块,用于根据病理诊断结果,预测获得病情发展趋势;
病情发展趋势预测模块包括对比图像获取单元、病理图像分析预测单元和预测结果展现单元;
对比图像获取单元,用于获取人体胃部健康图像,以及按照预设的胃部病情发展阶段划分周期采集的若干幅胃部病情阶段发展趋势图像;
病理图像分析预测单元,用于将病理诊断图像与胃部病情阶段发展趋势图进行模糊匹配,获得匹配值;并设置模糊匹配的阈值区间,以及模糊匹配的阈值区间中间值;若匹配值大于阈值区间下限值并小于阈值区间中间值,则将病理诊断图像归为胃部病情阶段发展趋势图像所对应的病情阶段的前一阶段,若匹配值小于阈值区间上限值并大于等于阈值区间中间值,则将病理诊断图像归为胃部病情阶段发展趋势图像的所对应的病情阶段的后一阶段;
预测结果展现单元,用于基于预设的病情阶段发展趋势图,确定当前病理诊断图像所对应的病情发展阶段,并对病情发展预期进行分析和预判,展现相关的诊断建议。
胃部组织在发生癌变的过程中,癌细胞在繁殖过程中形成大量新生血管。由于病变区内有大量血管,造成局部血含量增加,表现为功能影像中血红蛋白浓度增多,而癌细胞增殖活跃,需要消耗大量氧造成血氧饱和度降低,使局部的血红蛋白总是处在脱氧状态,临床病理表现为“高血低氧”。临床实验表明,恶性肿瘤常常表现为“高血低氧”的特征。所以,在相关的病理参数上,胃癌的相应特征表现为:血红蛋白浓度升高;通过双波长三维血氧检测,由两个波长下的生物组织中的光学吸收系数变化量,可计算出胃内部组织血红蛋白的浓度变化量,从而进一步准确定位肿瘤位置,并定量地反映病变区域的病理情况。血红蛋白的浓度变化量计算公式为:
上式中,其中,Rα(i1) 为含氧血红蛋白在波长i1下的摩尔消光系数,Rα(i2)为含氧血红蛋白在波长i2下的摩尔消光系数,Rβ(i1) 为脱氧血红蛋白在波长i1下的摩尔消光系数,Rβ(i2)为脱氧血红蛋白在波长i2下的摩尔消光系数,P表示血红蛋白的浓度变化量,k(i1)表示波长i1的吸收系数,k(i2)表示波长i2的吸收系数;
上述技术方案的有益效果为:采用本实施例提供的方案,通过病情发展趋势预测模块,可以根据病理诊断结果,获得病情发展趋势,为医生判断病情所处的具体发展阶段提供清晰定位和分析,以便更好地进行诊断;通过对胃内部组织血红蛋白的浓度变化的计算,可以更精确地反映病变区域的病理情况,为医生提供更准确地诊断参考。
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的胃癌病理诊断系统,其特征在于,包括:
数据采集处理模块,用于获取患者胃部的全扫描病理图像,进行标注处理后,生成病理图像数据集;
模型训练测试模块,用于基于语义分割模型(DeepLab v3)对病理图像数据集进行训练测试,获得训练测试后的诊断模型;
识别诊断模块,用于基于诊断模型对患者胃部的全扫描病理图像进行识别诊断,获得诊断结果。
2.根据权利要求1所述的一种基于深度学习的胃癌病理诊断系统,其特征在于,数据采集处理模块包括数据获取单元和数据标注单元;
数据获取单元,用于利用数字扫描仪以高倍物镜,对手术标本和活检样本进行扫描获得患者胃部的全扫描病理图像;
数据标注单元,用于移动终端设备中的标注工具完成对全扫描病理图像的病变区域的标注。
3.根据权利要求2所述的一种基于深度学习的胃癌病理诊断系统,其特征在于,数据标注单元包括标注分类子单元和标注实施子单元;
标注分类子单元,用于将按照预设的标签进行标注分类,获得标注分类结果;标签包括恶性、良性、质量差和忽略;
标注实施子单元,用于区分初始标记阶段、审核阶段和抽查阶段三个步骤实施,初始标记阶段包括将一张病理图像随机分配给病理医生进行标注;审核阶段包括将标注后的病理图像由另一位病理医生审核;抽查阶段包括由主任医师随机抽查30%的经过审核过的病理图像。
4.根据权利要求1所述的一种基于深度学习的胃癌病理诊断系统,其特征在于,模型训练测试模块包括模型训练单元和模型测试单元;
模型训练单元,用于利用语义分割模型对病理图像数据集划分出的训练集进行训练;
模型测试单元,用于利用语义分割模型对病理图像数据集划分出的测试集进行测试。
5.根据权利要求4所述的一种基于深度学习的胃癌病理诊断系统,其特征在于,模型训练单元包括:
按照20倍物镜比率将训练集中的病理图像分成320×320像素的图像块后,输入以ResNet-50为架构的骨干网络进行参数优化;
将训练集中的单幅病理图像按照90度、180度或270度的角度进行随机旋转,或按照水平方向随机旋转,或按照垂直方向随机翻转,生成新图像,将新图像输入模型中;
对训练集中的单幅图像的亮度、饱和度、对比度和色相,在各自预设的幅值区间内进行随机扰动后,作为新的图像输入模型中。
6.根据权利要求3所述的一种基于深度学习的胃癌病理诊断系统,其特征在于,模型训练单元包括:
根据训练集中的图像的标注分类结果,将标签为恶性和良性的图像作为模型的输入,舍弃标签为质量差和忽略的图像。
7.根据权利要求4所述的一种基于深度学习的胃癌病理诊断系统,其特征在于,模型测试单元包括:
获取每个像素经过模型测试后的输出结果,输出结果为恶性肿瘤概率值;
获取并计算经过模型测试的排序为前1000的像素的恶性肿瘤概率值的平均值,将平均值作为测试集中的单幅图像的恶性肿瘤概率值。
8.根据权利要求4所述的一种基于深度学习的胃癌病理诊断系统,其特征在于,模型测试单元还包括:
将测试集中的病理图像分成2000×2000像素的图像块进行测试;
绘制病理图像的概率预测值分布图,将所属各图像块的恶性肿瘤概率值标示在相应区位上,并利用不同的颜色代表概率预测值,生成病理图像的恶性肿瘤概率预测热力图。
9.根据权利要求2所述的一种基于深度学习的胃癌病理诊断系统,其特征在于,数据标注单元还包括辅助标注子单元,用于辅助医生全面准确地进行标注;辅助标注子单元包括预匹配分子单元、分类提醒分子单元;
预匹配分子单元,用于根据预设的标准标签区域图像与病理图像中的区域图像进行匹配,获得不同的匹配标签区域图像,并将匹配标签区域图像用不同的颜色进行区域框选标识;
分类提醒分子单元,用于根据不同的匹配标签区域图像进行分类提醒,分类提醒包括文字标识提醒和标注防遗漏提醒;标注防遗漏提醒包括当医生未将全部匹配标签区域图像标注完时,发出继续标注的声音提醒;若医生将全部匹配标签区域图像标注完时,发出完成标注的声音提醒。
10.根据权利要求2所述的一种基于深度学习的胃癌病理诊断系统,其特征在于,还包括病情发展趋势预测模块,用于根据病理诊断结果,预测获得病情发展趋势;
病情发展趋势预测模块包括对比图像获取单元、病理图像分析预测单元和预测结果展现单元;
对比图像获取单元,用于获取人体胃部健康图像,以及按照预设的胃部病情发展阶段划分周期采集的若干幅胃部病情阶段发展趋势图像;
病理图像分析预测单元,用于将病理诊断图像与胃部病情阶段发展趋势图进行模糊匹配,获得匹配值;并设置模糊匹配的阈值区间,以及模糊匹配的阈值区间中间值;若匹配值大于阈值区间下限值并小于阈值区间中间值,则将病理诊断图像归为胃部病情阶段发展趋势图像所对应的病情阶段的前一阶段,若匹配值小于阈值区间上限值并大于等于阈值区间中间值,则将病理诊断图像归为胃部病情阶段发展趋势图像的所对应的病情阶段的后一阶段;
预测结果展现单元,用于基于预设的病情阶段发展趋势图,确定当前病理诊断图像所对应的病情发展阶段,并对病情发展预期进行分析和预判,展现相关的诊断建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310044237.9A CN116152185A (zh) | 2023-01-30 | 2023-01-30 | 一种基于深度学习的胃癌病理诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310044237.9A CN116152185A (zh) | 2023-01-30 | 2023-01-30 | 一种基于深度学习的胃癌病理诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116152185A true CN116152185A (zh) | 2023-05-23 |
Family
ID=86338468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310044237.9A Pending CN116152185A (zh) | 2023-01-30 | 2023-01-30 | 一种基于深度学习的胃癌病理诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152185A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797794A (zh) * | 2023-07-10 | 2023-09-22 | 北京透彻未来科技有限公司 | 基于深度学习的肠癌病理分型系统 |
CN117373695A (zh) * | 2023-10-12 | 2024-01-09 | 北京透彻未来科技有限公司 | 基于极深卷积神经网络的泛癌病理诊断系统 |
CN117495800A (zh) * | 2023-11-03 | 2024-02-02 | 北京透彻未来科技有限公司 | 一种病理图像大模型的病变预测分析系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016175773A1 (en) * | 2015-04-29 | 2016-11-03 | Siemens Aktiengesellschaft | Method and system for semantic segmentation in laparoscopic and endoscopic 2d/2.5d image data |
CN112116559A (zh) * | 2020-08-17 | 2020-12-22 | 您好人工智能技术研发昆山有限公司 | 一种基于深度学习的数字病理图像智能分析方法 |
CN115100494A (zh) * | 2022-06-17 | 2022-09-23 | 中科微影(浙江)医疗科技有限公司 | 一种病灶图像的识别方法、装置、设备及可读存储介质 |
CN115205250A (zh) * | 2022-07-14 | 2022-10-18 | 济南超级计算技术研究院 | 基于深度学习的病理图像病变分割方法及系统 |
CN115578560A (zh) * | 2022-10-09 | 2023-01-06 | 杭州智汇明壹医疗科技有限公司 | 基于深度学习的ihc膜浆表达病理图像的癌区分割方法 |
-
2023
- 2023-01-30 CN CN202310044237.9A patent/CN116152185A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016175773A1 (en) * | 2015-04-29 | 2016-11-03 | Siemens Aktiengesellschaft | Method and system for semantic segmentation in laparoscopic and endoscopic 2d/2.5d image data |
CN112116559A (zh) * | 2020-08-17 | 2020-12-22 | 您好人工智能技术研发昆山有限公司 | 一种基于深度学习的数字病理图像智能分析方法 |
CN115100494A (zh) * | 2022-06-17 | 2022-09-23 | 中科微影(浙江)医疗科技有限公司 | 一种病灶图像的识别方法、装置、设备及可读存储介质 |
CN115205250A (zh) * | 2022-07-14 | 2022-10-18 | 济南超级计算技术研究院 | 基于深度学习的病理图像病变分割方法及系统 |
CN115578560A (zh) * | 2022-10-09 | 2023-01-06 | 杭州智汇明壹医疗科技有限公司 | 基于深度学习的ihc膜浆表达病理图像的癌区分割方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797794A (zh) * | 2023-07-10 | 2023-09-22 | 北京透彻未来科技有限公司 | 基于深度学习的肠癌病理分型系统 |
CN117373695A (zh) * | 2023-10-12 | 2024-01-09 | 北京透彻未来科技有限公司 | 基于极深卷积神经网络的泛癌病理诊断系统 |
CN117373695B (zh) * | 2023-10-12 | 2024-05-17 | 北京透彻未来科技有限公司 | 基于极深卷积神经网络的泛癌病理诊断系统 |
CN117495800A (zh) * | 2023-11-03 | 2024-02-02 | 北京透彻未来科技有限公司 | 一种病理图像大模型的病变预测分析系统及方法 |
CN117495800B (zh) * | 2023-11-03 | 2024-05-17 | 北京透彻未来科技有限公司 | 一种病理图像大模型的病变预测分析系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573490B (zh) | 一种针对肿瘤影像数据的智能读片系统 | |
CN116152185A (zh) | 一种基于深度学习的胃癌病理诊断系统 | |
US8503747B2 (en) | Image analysis for cervical neoplasia detection and diagnosis | |
US11257213B2 (en) | Tumor boundary reconstruction using hyperspectral imaging | |
US20210398676A1 (en) | Machine learning algorithms for detecting medical conditions, related systems, and related methods | |
US20210219944A1 (en) | Systems and Media for Automatically Diagnosing Thyroid Nodules | |
CN111227864A (zh) | 使用超声图像利用计算机视觉进行病灶检测的方法与装置 | |
CN107505268A (zh) | 血糖检测方法及系统 | |
CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
CN111214255A (zh) | 一种医学超声图像计算机辅助诊断方法 | |
CN111862090B (zh) | 一种基于人工智能的食管癌术前管理的方法和系统 | |
CN112802000A (zh) | 多模态医学影像智能辅助诊疗系统 | |
CN112927187A (zh) | —种自动识别定位局灶性皮质发育不良癫痫病灶的方法 | |
EP3716136A1 (en) | Tumor boundary reconstruction using hyperspectral imaging | |
Obukhova et al. | Automated image analysis in multispectral system for cervical cancer diagnostic | |
CN113744801A (zh) | 肿瘤类别的确定方法、装置、系统、电子设备及存储介质 | |
Lin et al. | Using deep learning in ultrasound imaging of bicipital peritendinous effusion to grade inflammation severity | |
KR102095730B1 (ko) | 딥러닝 기반의 대장 병변 검출 방법 | |
Voigt et al. | Computer vision and digital imaging technology in melanoma detection | |
Mahim et al. | Unlocking the potential of XAI for improved alzheimer’s disease detection and classification using a ViT-GRU model | |
CN113539476A (zh) | 基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统 | |
CN113130050A (zh) | 一种医学信息显示方法及显示系统 | |
Ji et al. | A deep learning method for automatic evaluation of diagnostic information from multi-stained histopathological images | |
Xue et al. | A unified set of analysis tools for uterine cervix image segmentation | |
Hassan et al. | Anatomy-specific classification model using label-free FLIm to aid intraoperative surgical guidance of head and neck cancer |
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 |