CN116230208A - 基于深度学习的胃粘膜炎症分型辅助诊断系统 - Google Patents

Abstract

本发明提供了基于深度学习的胃粘膜炎症分型辅助诊断系统，包括：数据获取模块用于从预设胃粘膜活检标本库中调取不同类型胃粘膜炎症对应的胃粘膜活检标本，并对胃粘膜活检标本进行扫描得到数字切片；训练模块用于基于预设标注规则以及标注标签对数字切片进行标注，并基于标注结果将数字切片拆分为第一数字切片集和第二数字切片集且对第一数字切片集进行训练，构建胃炎分类模型；优化模块用于将第二数字切片集输入胃炎分类模型进行分析得到不同胃粘膜炎症类型的预测热力图，并将预测热力图与标准病理诊断进行比对确定胃炎分类模型的定型效果且当定型效果不满足预期要求时对胃炎分类模型进行优化。为高效准确的确定胃粘膜炎症类型提供了便利与保障。

Description

基于深度学习的胃粘膜炎症分型辅助诊断系统

技术领域

本发明涉及数据处理技术领域，特别涉及基于深度学习的胃粘膜炎症分型辅助诊断系统。

背景技术

目前，临床工作中，胃粘膜活检标本是各级医院病理科最常见的标本，胃粘膜活检组织学检查常见的炎症类型有慢性浅表性炎、慢性萎缩性炎、慢性活动性炎等，不同的炎症类型的诊断需要考虑炎细胞类型、细胞密集程度及分布等，炎症类型不同，临床处理策略或用药不同，对胃粘膜炎症进行准确可靠的诊断有助于准确确定临床处理策略，从而提高治疗效果；

但是，目前在对胃粘膜炎症确定是，大都采用人为分析，随着病理科标本越来越多，病理医生工作负担也越来越大，而且由于是人为分析，导致对胃粘膜炎症确定不够准确，从而大大降低了对胃粘膜炎症确定的效果；

因此，本发明提供了基于深度学习的胃粘膜炎症分型辅助诊断系统。

发明内容

本发明提供基于深度学习的胃粘膜炎症分型辅助诊断系统，用以通过对胃粘膜活检标本进行扫描得到数字切片，并对数字切片进行训练构建胃炎分类模型，实现通过胃炎分类模型对胃粘膜炎症类型进行准确可靠的分析，且通过预测热力图进行展示，为高效准确的确定胃粘膜炎症类型提供了便利与保障。

本发明提供了一种基于深度学习的胃粘膜炎症分型辅助诊断系统，包括：

数据获取模块，用于从预设胃粘膜活检标本库中调取不同类型胃粘膜炎症对应的胃粘膜活检标本，并对胃粘膜活检标本进行扫描得到数字切片；

训练模块，用于基于预设标注规则以及标注标签对数字切片进行标注，并基于标注结果将数字切片拆分为第一数字切片集和第二数字切片集，且对第一数字切片集进行训练，构建胃炎分类模型；

优化模块，用于将第二数字切片集输入胃炎分类模型进行分析，得到不同胃粘膜炎症类型的预测热力图，并将预测热力图与标准病理诊断进行比对确定胃炎分类模型的定型效果，且当定型效果不满足预期要求时，对胃炎分类模型进行优化。

优选的，一种基于深度学习的胃粘膜炎症分型辅助诊断系统，数据获取模块，包括：

信息获取单元，用于获取预设胃粘膜活检标本库中各类炎症标本集的集标识，并基于集标识确定各类炎症标本集中各胃粘膜活检标本的存储时间戳；

标本分析单元，用于基于存储时间戳确定待调取时间段，并基于待调取时间段锁定各类炎症标本集中的可调用胃粘膜活检标本；

标本获取单元，用于基于预设服务器获取分析终端提交的对胃粘膜活检标本的调取请求，并对调取请求进行解析，确定对各类炎症标本集中可调用胃粘膜活检标本的调用数量，且基于调用数量分别从相应的可调用胃粘膜活检标本中调取最终的胃粘膜活检标本。

优选的，一种基于深度学习的胃粘膜炎症分型辅助诊断系统，标本获取单元，包括：

标本获取子单元，用于获取得到的可调用胃粘膜活检标本，并提取可调用胃粘膜活检标本的基本信息，同时，基于基本信息确定具有明确诊断信息的标准可调用胃粘膜活检标本，并基于对各类炎症标本集的调用数量从标准可调用胃粘膜活检标本中调取相应数量的胃粘膜活检标本；

标本类型统计子单元，用于提取胃粘膜活检标本中明确诊断信息的数据特征，并基于数据特征确定各胃粘膜活检标本的目标炎症类型，且对各胃粘膜活检标本的目标炎症类型进行汇总；

标本核验子单元，用于将汇总结果与预设胃粘膜活检标本类型进行比较，并当汇总结果与预设胃粘膜活检标本类型一致时，判定完成对胃粘膜活检标本的调取，否则，重新调取胃粘膜活检标本。

优选的，一种基于深度学习的胃粘膜炎症分型辅助诊断系统，数据获取模块，包括：

标本调取单元，用于调取得到的胃粘膜活检标本，并对胃粘膜活检标本进行预处理后得到待处理切片，且确定对待处理切片的网格化规则；

标本处理单元，用于将网格化规格映射至待处理切片，得到网格化切片，并基于网格化切片确定待处理切片中的有效组织区域，且确定有效组织区域在网格化切片中的目标位置；

数字切片生成单元，用于基于目标位置控制预设图像传感器对网格化切片中的有效组织区域进行图像扫描，并基于扫描顺序将扫描得到的图像数据实时传输至计算机终端；

所述数字切片生成单元，还用于基于计算机终端对得到的图像数据进行图像特征提取，并基于图像特征生成相应的数字切片，且将数字切片进行存储。

优选的，一种基于深度学习的胃粘膜炎症分型辅助诊断系统，数字切片生成单元，包括：

数据切片监测子单元，用于实时监测预设图像传感器对网格化切片中的有效组织区域的图像扫描过程，并基于监测结果确定对网格化切片中的有效组织区域扫描失败的第一异常切片，并将第一异常切片进行第一剔除；

数据切片筛选子单元，用于提取扫描得到的数字切片的分辨率，并将分辨率小于预设分辨率阈值的数字切片判定为第二异常切片，并将第二异常切片进行第二剔除；

数字切片汇总子单元，用于基于第一剔除和第二剔除得到最终的数字切片。

优选的，一种基于深度学习的胃粘膜炎症分型辅助诊断系统，训练模块，包括：

数字切片处理单元，用于基于计算机终端对得到的数字切片进行目标倍数的放大，并基于放大结果对待标注区域进行锁定；

切片标注及拆分单元，用于获取标注标签，并基于预设标注规则对不同标注标签设置颜色标注特征，并基于设置结果对锁定的待标注区域进行标注，且将标注后的数字切片拆分为第一数字切片集和第二数字切片集；

训练单元，用于提取第一数字切片集中各数字切片的标注结果，并基于标注结果将干扰区域以及无效区域进行剔除后得到标准第一数字切片集，且对标准第一数据切片集进行随机镜像和90度旋转以及对亮度、对比度、色调、饱和度进行扰动，得到目标第一数字切片集；

所述训练单元，还用于构建图像分类网络，并将目标第一数字切片集以及对应的预设标准类别图像输入图像分类网络进行预设次数的迭代训练，且基于迭代训练结果得到胃炎分类模型。

优选的，一种基于深度学习的胃粘膜炎症分型辅助诊断系统，切片标注及拆分单元，包括：

数字切片获取子单元，用于获取标注后的数字切片，并确定各类炎症对应的数字切片以及无炎症的数字切片的第一目标数量；

数字切片划分子单元，用于确定对数字切片的划分标准，并基于划分标准确定待生成切片集合的第二目标数量，同时，基于第二目标数量将第一目标数量的各类炎症对应的数字切片以及无炎症的数字切片进行随机划分，得到与第二目标数量一致的各类炎症对应的第一子数字切片集和无炎症的第二子数字切片集，并将第一子数字切片集与第二子数字切片集进行综合得到最终的第一数字切片集和第二数字切片集，其中，第一数字切片集和第二数字切片集分别为训练集和测试集，且训练集和测试集中均包含各类炎症对应的数字切片以及无炎症的数字切片。

优选的，一种基于深度学习的胃粘膜炎症分型辅助诊断系统，训练单元，包括：

切片集获取子单元，用于获取得到的预设验证数字切片集，并将预设验证数字切片集输入得到的胃炎分类模型进行分析，得到胃炎分类模型对预设验证数字切片集的分类结果；

模型校验子单元，用于提取预设验证数字切片集中各数字切片的标准诊断信息，并基于标准诊断信息确定预设验证数字切片集中各数字切片的标准炎症类别；

比较子单元，用于将胃炎分类模型对预设验证数字切片集的分类结果与对应的标准炎症类别进行比较，并当分类结果与标准炎症类别均一致时，判定得到的胃炎分类模型合格，否则，判定得到的胃炎分类模型不合格，并重新构建胃炎分类模型。

优选的，一种基于深度学习的胃粘膜炎症分型辅助诊断系统，优化模块，包括：

数字切片获取单元，用于获取得到的第二数字切片集，并将第二数字切片集输入构建的胃炎分类模型；

数字切片分析单元，用于基于胃炎分类模型提取第二数字切片集中每一数字切片中的每个像素的像素特征，并将像素特征与预设炎症类型特征进行匹配，确定每个像素属于各类炎症类型的概率，且将整张数字切片中概率取值最高的前目标个像素的均值作为当前数字切片对应炎症类型的预测概率；

热力图生成单元，用于基于预测概率确定当前数字切片中包含的目标炎症类型，并基于目标炎症类型以及标注规则生成相应的预测热力图，且将预测热力图基于计算机终端进行显示。

优选的，一种基于深度学习的胃粘膜炎症分型辅助诊断系统，优化模块，包括：

热力图获取单元，用于获取得到的预测热力图以及第二数字切片集中每一数字切片对应的标准病理诊断，同时，确定对胃炎分类模型对第二数字切片集分析后得到的预测热力图的评估指标；

效果评估单元，用于基于评估指标确定每个数字切片对应的预测热力图的长径，并基于长径确定第一效果评估值，同时，将每个数字切片对应的预测热力图与对应的标准病理诊断进行匹配，并基于匹配结果确定预测热力图与对应的标准病理诊断的一致性，且基于一致性确定第二效果评估值；

模型优化单元，用于基于第一效果评估值以及第二效果评估值确定胃炎分类模型对数字切片定型时的敏感性、特异性以及准确性，并分别确定敏感性、特异性以及准确性对应的目标权重，且基于目标权重和敏感性、特异性以及准确性的目标取值得到胃炎分类模型的定型效果评估值；

所述模型优化单元，用于当定型效果评估值不满足预期要求时，基于评估结果确定胃炎分类模型存在的目标缺陷的缺陷特征，并基于缺陷特征制定模型优化策略，且基于模型优化策略对胃炎分类模型进行优化。

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、权利要求书、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为本发明实施例中基于深度学习的胃粘膜炎症分型辅助诊断系统的结构图；

图2为本发明实施例中基于深度学习的胃粘膜炎症分型辅助诊断系统中数据获取模块的结构图；

图3为本发明实施例中基于深度学习的胃粘膜炎症分型辅助诊断系统中训练模块的结构图。

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。

实施例1：

本实施例提供了一种基于深度学习的胃粘膜炎症分型辅助诊断系统，如图1所示，包括：

数据获取模块，用于从预设胃粘膜活检标本库中调取不同类型胃粘膜炎症对应的胃粘膜活检标本，并对胃粘膜活检标本进行扫描得到数字切片；

训练模块，用于基于预设标注规则以及标注标签对数字切片进行标注，并基于标注结果将数字切片拆分为第一数字切片集和第二数字切片集，且对第一数字切片集进行训练，构建胃炎分类模型；

优化模块，用于将第二数字切片集输入胃炎分类模型进行分析，得到不同胃粘膜炎症类型的预测热力图，并将预测热力图与标准病理诊断进行比对确定胃炎分类模型的定型效果，且当定型效果不满足预期要求时，对胃炎分类模型进行优化。

该实施例中，预设胃粘膜活检标本库是提前设定好的，用于存储不同类型的胃粘膜炎症对应的胃粘膜活检标本。

该实施例中，不同类型胃粘膜炎症具体包括：慢性浅表性胃炎、慢性萎缩性胃炎、慢性活动性炎。

该实施例中，对胃粘膜活检标本进行扫描得到数字切片指的是通过图像传感器对胃粘膜活检标本进行扫描后生成生成的图像，并可将生成的图像即时传输至计算机，其中，数字切片包含了玻璃切片上的所有病变信息，数字切片可以在电脑上进行任意的放大和缩小，并利用数字切片可以观测到玻璃切片上的任何一个位置，也可以将相应的位置放大到5倍、10倍、20倍、40倍进行分析和观察。

该实施例中，预设标注规则是提前设定号的，具体可以是对不同类型胃粘膜炎症对应的胃粘膜活检标本采用不同的颜色进行标注，从而便于得到准确的训练数据。

该实施例中，标注标签是提前设定好的，具体可以是慢性浅表性炎、慢性萎缩性炎、慢性活动性炎、正常组织、质量差及忽略。

该实施例中，第一数字切片集是对胃粘膜活检标本进行扫描得到数字切片中的一部分，用来训练和学习，构建对应的胃炎分类模型，即将数字切片划分为训练集测试集，第一数字切片集则为其中的训练集。

该实施例中，对数字切片进行标注目的是为了在训练胃炎分类模型时，能够准确区分不同胃粘膜炎症类型，从而提高对胃炎分类模型的训练效果。

该实施例中，胃炎分类模型是对数字切片中的第一数字切片集进行训练后得到的，能够对数字切片进行分析，从而输出数字切片中包含的胃粘膜炎症类型。

该实施例中，第二数字切片集是得到的数字切片中的另一部分，且与第一数字切片集不相同，即将数字切片划分为训练集测试集，第二数字切片集则为其中的测试集。

该实施例中，预测热力图指的是将数字切片中包含的胃粘膜炎症类型采用不同的色调进行区分，预测热力图把数据以图形的样式展示出来，其中数据值的大小以颜色来进行区分。

该实施例中，标准病理诊断指的是第二数字切片集对应的标准的胃粘膜炎症类型，且是经过审核无误的。

该实施例中，定型效果是用于表征胃炎分类模型对第二数字切片集的处理结果与标准病理诊断的一致性，一致性越高，表明定型效果越好，即对胃粘膜炎症类型确定越准确。

该实施例中，预期要求是提前设定好的，用于衡量胃炎分类模型对数字切片的处理效果的最低标准，是可以进行调整的。

该实施例中，对胃炎分类模型进行优化指的是当当定型效果不满足预期要求时，查找出胃炎分类模型的漏洞，并根据漏洞的类型和特征制定优化方案，实现对胃炎分类模型的完善和优化。

上述技术方案的有益效果是：通过对胃粘膜活检标本进行扫描得到数字切片，并对数字切片进行训练构建胃炎分类模型，实现通过胃炎分类模型对胃粘膜炎症类型进行准确可靠的分析，且通过预测热力图进行展示，为高效准确的确定胃粘膜炎症类型提供了便利与保障。

实施例2：

在实施例1的基础上，本实施例提供了一种基于深度学习的胃粘膜炎症分型辅助诊断系统，如图2所示，数据获取模块，包括：

信息获取单元，用于获取预设胃粘膜活检标本库中各类炎症标本集的集标识，并基于集标识确定各类炎症标本集中各胃粘膜活检标本的存储时间戳；

标本分析单元，用于基于存储时间戳确定待调取时间段，并基于待调取时间段锁定各类炎症标本集中的可调用胃粘膜活检标本；

标本获取单元，用于基于预设服务器获取分析终端提交的对胃粘膜活检标本的调取请求，并对调取请求进行解析，确定对各类炎症标本集中可调用胃粘膜活检标本的调用数量，且基于调用数量分别从相应的可调用胃粘膜活检标本中调取最终的胃粘膜活检标本。

该实施例中，预设胃粘膜活检标本库是提前设定好的，用于存储不同类型的胃粘膜活检标本。

该实施例中，集标识是用于标记不同类型胃炎炎症标本集合的标记符号，通过集标识可快速准确的区分不同炎症类型的胃粘膜活检标本。

该实施例中，存储时间戳是用于表征不同炎症类型的胃粘膜活检标本在预设胃粘膜活检标本库中的存储时间，从而便于选取相应时间段内的胃粘膜活检标本。

该实施例中，待调取时间段是根据调取要求确定的，具体可以是调取预设胃粘膜活检标本库中2019年2月存储的胃粘膜活检标本。

该实施例中，可调用胃粘膜活检标本指的是各类炎症标本集符合调取要求的胃粘膜活检标本，即具有明确诊断信息的胃粘膜活检标本等。

该实施例中，预设服务器是提前设定好的，用于接收分析终端的调取请求和对调取请求进行解析。

上述技术方案的有益效果是：通过确定预设胃粘膜活检标本库中包含的炎症类别集合，并对各类炎症标本集中各胃黏膜活检标本的存储时间戳进行确定，从而实现根据存储时间戳确定待调取时间段，最后，通过对待调取时间段内的可调用胃粘膜活检标本以及调用数量进行确定，最终实现对胃粘膜活检标本进行准确可靠的获取，为实现构建胃炎分类模型提供了便利与保障，提高了对胃粘膜炎症类型定型的可靠性。

实施例3：

在实施例2的基础上，本实施例提供了一种基于深度学习的胃粘膜炎症分型辅助诊断系统，标本获取单元，包括：

标本获取子单元，用于获取得到的可调用胃粘膜活检标本，并提取可调用胃粘膜活检标本的基本信息，同时，基于基本信息确定具有明确诊断信息的标准可调用胃粘膜活检标本，并基于对各类炎症标本集的调用数量从标准可调用胃粘膜活检标本中调取相应数量的胃粘膜活检标本；

标本类型统计子单元，用于提取胃粘膜活检标本中明确诊断信息的数据特征，并基于数据特征确定各胃粘膜活检标本的目标炎症类型，且对各胃粘膜活检标本的目标炎症类型进行汇总；

标本核验子单元，用于将汇总结果与预设胃粘膜活检标本类型进行比较，并当汇总结果与预设胃粘膜活检标本类型一致时，判定完成对胃粘膜活检标本的调取，否则，重新调取胃粘膜活检标本。

该实施例中，基本信息指的是可调用胃粘膜活检标本的标本类型以及标本对应的明确诊断信息。

该实施例中，明确诊断信息是用于表征各胃粘膜活检标本对应的炎症类型以及诊断的具体时间等。

该实施例中，标准可调用胃粘膜活检标本指的是从可调用胃粘膜活检标本中筛选出具有明确诊断信息的胃粘膜活检标本。

该实施例中，数据特征指的是能够表征明确诊断信息的信息内容的关键数据片段的取值情况。

该实施例中，目标炎症类型指的是调取到的胃粘膜活检标本对应的炎症类型，具体可以是慢性浅表性炎、慢性萎缩性炎、慢性活动性炎以及正常组织等。

该实施例中，预设胃粘膜活检标本类型是提前设定好的，即预期要调取的胃粘膜活检标本的所有类型。

上述技术方案的有益效果是：通过对确定的可调用胃粘膜活检标本的基本信息进行处理，实现对可调用胃粘膜活检标本中具有明确诊断信息的标本进行准确有效的锁定，实现对需要的胃粘膜活检标本进行高效可靠的调取，并将调取到的胃粘膜活检标本的炎症类型与预设胃粘膜活检标本类型比较，实现对调取到的胃粘膜活检标本的类型进行准确有效的核验，确保得到的胃粘膜活检标本的炎症类型的全面性，为高效准确的确定胃粘膜炎症类型提供了便利与保障。

实施例4：

在实施例1的基础上，本实施例提供了一种基于深度学习的胃粘膜炎症分型辅助诊断系统，数据获取模块，包括：

标本调取单元，用于调取得到的胃粘膜活检标本，并对胃粘膜活检标本进行预处理后得到待处理切片，且确定对待处理切片的网格化规则；

标本处理单元，用于将网格化规格映射至待处理切片，得到网格化切片，并基于网格化切片确定待处理切片中的有效组织区域，且确定有效组织区域在网格化切片中的目标位置；

数字切片生成单元，用于基于目标位置控制预设图像传感器对网格化切片中的有效组织区域进行图像扫描，并基于扫描顺序将扫描得到的图像数据实时传输至计算机终端；

所述数字切片生成单元，还用于基于计算机终端对得到的图像数据进行图像特征提取，并基于图像特征生成相应的数字切片，且将数字切片进行存储。

该实施例中，预处理指的是将得到的胃粘膜活检标本添加至载玻片，并对载玻片进行切片化处理，目的是为了得到胃粘膜活检标本对应的切片。

该实施例中，待处理切片指的是将胃粘膜活检标本切片化处理后得到的切片。

该实施例中，网格化规则指的是需要对待处理切片进行网格化处理的数量，即需要将待处理切片划分为多少网格以及每个网格的大小尺寸等。

该实施例中，有效组织区域指的是待处理切片中包含胃粘膜活检标本的区域，是待处理切片中的一部分。

该实施例中，目标位置是用于表征有效组织区域在网格化处理后的切片上所处的具体位置，从而便于对切片进行准确扫描，生成相应的数字切片。

该实施例中，预设图像传感器是提前设定好的，用于对得到的切片进行图像扫描，从而得到对应的数字切片。

该实施例中，图像特征提取指的是通过计算机装置提取图像数据中能够明显观测到胃粘膜活检标本的图像区域，从而准确可靠的生成相应的数字切片。

上述技术方案的有益效果是：通过对得到的胃粘膜活检标本进行处理，得到对应的待处理切片，并对待处理切片进行网格化处理，且将网格化处理后的待处理切片中的有效组织区域进行锁定，实现控制预设图像传感器对有效组织区域进行准确可靠的扫描，从而确保得到的数字切片的准确可靠，为准确确定胃粘膜炎症类型提供了便利与保障。

实施例5：

在实施例4的基础上，本实施例提供了一种基于深度学习的胃粘膜炎症分型辅助诊断系统，数字切片生成单元，包括：

数据切片监测子单元，用于实时监测预设图像传感器对网格化切片中的有效组织区域的图像扫描过程，并基于监测结果确定对网格化切片中的有效组织区域扫描失败的第一异常切片，并将第一异常切片进行第一剔除；

数据切片筛选子单元，用于提取扫描得到的数字切片的分辨率，并将分辨率小于预设分辨率阈值的数字切片判定为第二异常切片，并将第二异常切片进行第二剔除；

数字切片汇总子单元，用于基于第一剔除和第二剔除得到最终的数字切片。

该实施例中，第一异常切片指的是预设图像传感器未对网格化切片中的有效组织区域进行成功扫描的切片。

该实施例中，第一剔除指的是将得到的第一异常切片进行删除。

该实施例中，预设分辨率阈值是提前设定好的，用于衡量得到的数字切片的分辨率的最低取值。

该实施例中，第二异常切片指的是分辨率小于预设分辨率阈值的数字切片。

该实施例中，第二剔除指的是将第二异常切片从得到的数字切片中进行删除。

上述技术方案的有益效果是：通过对得到的数字切片进行核验，实现将扫描失败的切片以及分辨率较低的数字切片进行剔除，从而确保了最终得到的数字切片的准确可靠，为准确构建胃炎分类模型提供了便利与保障，同时，也提高了对胃粘膜炎症类型定型的准确率。

实施例6：

在实施例1的基础上，本实施例提供了一种基于深度学习的胃粘膜炎症分型辅助诊断系统，如图3所示，训练模块，包括：

数字切片处理单元，用于基于计算机终端对得到的数字切片进行目标倍数的放大，并基于放大结果对待标注区域进行锁定；

切片标注及拆分单元，用于获取标注标签，并基于预设标注规则对不同标注标签设置颜色标注特征，并基于设置结果对锁定的待标注区域进行标注，且将标注后的数字切片拆分为第一数字切片集和第二数字切片集；

训练单元，用于提取第一数字切片集中各数字切片的标注结果，并基于标注结果将干扰区域以及无效区域进行剔除后得到标准第一数字切片集，且对标准第一数据切片集进行随机镜像和90度旋转以及对亮度、对比度、色调、饱和度进行扰动，得到目标第一数字切片集；

所述训练单元，还用于构建图像分类网络，并将目标第一数字切片集以及对应的预设标准类别图像输入图像分类网络进行预设次数的迭代训练，且基于迭代训练结果得到胃炎分类模型。

该实施例中，目标倍数是提前设定好的，具体可以是20倍、40倍或100倍等。

该实施例中，待标注区域指的是需要在得到的数字切片中进行图像标注的区域。

该实施例中，颜色标注特征指的是采用不同颜色表征不同的标注标签，具体可以是粉红色示慢性浅表性炎、深红色示慢性活动性炎、红色示慢性萎缩性炎、绿色示正常胃粘膜组织、灰色示质量差、棕色示忽略，其中，标注标签为慢性浅表性炎、慢性萎缩性炎、慢性活动性炎、正常组织、质量差及忽略。

该实施例中，第一数字切片集、第二数字切片集分别表征训练集、测试集。

该实施例中，干扰区域以及无效区域指的是数字切片中被标注为“质量差”以及“忽略”的区域。

该实施例中，标准第一数字切片集指的是对第一数字切片集中各数字切片中包含的干扰区域以及无效区域进行剔除后得到的最终的数字切片。

该实施例中，随机镜像指的是将得到的数字切片进行对称变换，从而提高对胃炎分类模型构建的准确率。

该实施例中，目标第一数字切片集指的是对得到的标准第一数字切片集进行处理后得到的能够进行训练的数字切片。

该实施例中，图像分类网络是提前构建好的，是通过对多种不同类型的图像进行训练后得到的。

该实施例中，设标准类别图像是提前设定好的，与目标第一数字切片集中各数字切片一一对应，是用于表征目标第一数字切片集中各数字切片对应的标准类型。

该实施例中，预设次数是提前设定好的，具体可以是4000次等。

上述技术方案的有益效果是：通过对得到的数字切片进行放大并标准，且对标注后的数字切片进行处理，剔除其中的无效以及干扰区域，并对处理后的数字切片进行扰动，最后，将扰动后的数字切片以及对应的预设标准类别图像输入构建的图像分类网络进行迭代训练，实现对胃炎分类模型的准确构建，为实现对胃粘膜炎症类型进行准确有效的分析提供了可靠保障。

实施例7：

在实施例6的基础上，本实施例提供了一种基于深度学习的胃粘膜炎症分型辅助诊断系统，切片标注及拆分单元，包括

数字切片获取子单元，用于获取标注后的数字切片，并确定各类炎症对应的数字切片以及无炎症的数字切片的第一目标数量；

数字切片划分子单元，用于确定对数字切片的划分标准，并基于划分标准确定待生成切片集合的第二目标数量，同时，基于第二目标数量将第一目标数量的各类炎症对应的数字切片以及无炎症的数字切片进行随机划分，得到与第二目标数量一致的各类炎症对应的第一子数字切片集和无炎症的第二子数字切片集，并将第一子数字切片集与第二子数字切片集进行综合得到最终的第一数字切片集和第二数字切片集，其中，第一数字切片集和第二数字切片集分别为训练集和测试集，且训练集和测试集中均包含各类炎症对应的数字切片以及无炎症的数字切片。

该实施例中，无炎症的数字切片指的是正常的胃黏膜组织。

该实施例中，第一目标数量是用于分别表征各类炎症的数字切片的数量以及正常胃粘膜组织对应的数字切片的数量，具体可以是全部数据共计1250张，包括1128张炎症标本和122张正常胃粘膜组织标本。

该实施例中，划分标准是用于表征将得到的同一胃炎类型的数字切片拆分的组数以及每一组数中包含的数字切片的数量。

该实施例中，待生成切片集合指的是需要将得到的数字切片拆分的切片集，例如可以是将数字切片拆分为训练集以及测试集。

该实施例中，第二目标数量是用于表征需要得到的切片集合的数量，例如可以是需要将数字切片拆分为训练集和测试集，则，第二目标数量则为2。

该实施例中，第二目标数量将第一目标数量的各类炎症对应的数字切片以及无炎症的数字切片进行随机划分指的是将各类炎症对应的数字切片拆分为与第二目标数量相一致的多个组，即每一组中均包含不同类炎症对应的数字切片。

该实施例中，第一子数字切片集是用于表征每一组中包含的各类炎症的数字切片的数量。

该实施例中，第二子数字切片集是用于表征每一组中包含的无炎症的数字切片的数量，即正常的胃粘膜组织对应的数字切片的数量。

上述技术方案的有益效果是：通过将得到的数字切片进行随机划分为训练集测试集，并对划分规则进行限定，从而确保划分的可靠性，为构建胃炎分类模型提供了便利，从而为实现对胃粘膜炎症类型进行准确高效的确定提供了可靠保障。

实施例8：

在实施例7的基础上，本实施例提供了一种基于深度学习的胃粘膜炎症分型辅助诊断系统，训练单元，包括：

切片集获取子单元，用于获取得到的预设验证数字切片集，并将预设验证数字切片集输入得到的胃炎分类模型进行分析，得到胃炎分类模型对预设验证数字切片集的分类结果；

模型校验子单元，用于提取预设验证数字切片集中各数字切片的标准诊断信息，并基于标准诊断信息确定预设验证数字切片集中各数字切片的标准炎症类别；

比较子单元，用于将胃炎分类模型对预设验证数字切片集的分类结果与对应的标准炎症类别进行比较，并当分类结果与标准炎症类别均一致时，判定得到的胃炎分类模型合格，否则，判定得到的胃炎分类模型不合格，并重新构建胃炎分类模型。

该实施例中，预设验证数字切片集是提前设定好的，目的是为了验证构建的胃炎分类模型是否合格。

该实施例中，标准炎症类别指的是预设验证数字切片集中各数字切片对应的炎症类型，是经过验证的。

上述技术方案的有益效果是：通过预设验证数字切片集对构建的胃炎分类模型进行核验，实现对胃炎分类模型的合格性进行准确有效的检验，确保了对胃粘膜炎症类型确定的准确可靠性。

实施例9：

在实施例1的基础上，本实施例提供了一种基于深度学习的胃粘膜炎症分型辅助诊断系统，其特征在于，优化模块，包括：

数字切片获取单元，用于将得到的数字切片进行拆分，并基于拆分结果提取数字切片中包含的第二数字切片集，且将第二数字切片集输入构建的胃炎分类模型；

数字切片分析单元，用于基于胃炎分类模型提取第二数字切片集中每一数字切片中的每个像素的像素特征，并将像素特征与预设炎症类型特征进行匹配，确定每个像素属于各类炎症类型的概率，且将整张数字切片中概率取值最高的前目标个像素的均值作为当前数字切片对应炎症类型的预测概率；

热力图生成单元，用于基于预测概率确定当前数字切片中包含的目标炎症类型，并基于目标炎症类型以及标注规则生成相应的预测热力图，且将预测热力图基于计算机终端进行显示。

该实施例中，像素特征是用于表征数字切片中每一像素能够表征的具体图像内容的关键信息。

该实施例中，预设炎症类型特征是提前设定好的，用于为确定每一像素所属炎症类型提供参考依据。

该实施例中，前目标个像素是根据分析要求设定的，具体可以是1000或1500等。

该实施例中，预测概率是用于表征当前数字切片为某一炎症类型的可能性大小。

该实施例中，目标炎症类型指的是当前数字切片最终对应的炎症类型。

上述技术方案的有益效果是：通过将数字切片中的第二数字切片集输入构建的胃炎分类模型进行测试，并将测试结果生成预测热力图，且将预测热力图基于计算机终端进行显示，从而便于用户直观的确定对当前胃粘膜活检标本的炎症类型的预测结果，保障了对胃粘膜炎症类型确定的准确性以及可靠性。

实施例10：

在实施例1的基础上，本实施例提供了一种基于深度学习的胃粘膜炎症分型辅助诊断系统，优化模块，包括：

热力图获取单元，用于获取得到的预测热力图以及第二数字切片集中每一数字切片对应的标准病理诊断，同时，确定对胃炎分类模型对第二数字切片集分析后得到的预测热力图的评估指标；

效果评估单元，用于基于评估指标确定每个数字切片对应的预测热力图的长径，并基于长径确定第一效果评估值，同时，将每个数字切片对应的预测热力图与对应的标准病理诊断进行匹配，并基于匹配结果确定预测热力图与对应的标准病理诊断的一致性，且基于一致性确定第二效果评估值；

模型优化单元，用于基于第一效果评估值以及第二效果评估值确定胃炎分类模型对数字切片定型时的敏感性、特异性以及准确性，并分别确定敏感性、特异性以及准确性对应的目标权重，且基于目标权重和敏感性、特异性以及准确性的目标取值得到胃炎分类模型的定型效果评估值；

所述模型优化单元，用于当定型效果评估值不满足预期要求时，基于评估结果确定胃炎分类模型存在的目标缺陷的缺陷特征，并基于缺陷特征制定模型优化策略，且基于模型优化策略对胃炎分类模型进行优化。

该实施例中，评估指标是用于评估胃炎分类模型对数字切片进行分析效果好坏的依据。

该实施例中，长径通过连接椭圆上的两个点所能获得的最长线段，即在数字切片中两个细胞中心之间的距离长度。

该实施例中，第一效果评估值是用于表征长径符合分析要求的程度，取值越大表明越符合。

该实施例中，第二效果评估值是表征预测热力图与标准病理诊断的一致性程度，取值越大表明二者越一致。

该实施例中，敏感性是用于表征胃炎分类模型对不同炎症类型的数字切片识别的敏感程度，即是否能立刻对炎症类型进行识别。

该实施例中，特异性是用于表征胃炎分类模型能够区分不同炎症类型的能力。

该实施例中，目标权重是用于表征敏感性、特异性以及准确性在评估胃炎分类模型对胃炎炎症定型效果时的重要程度，取值越大表明所起的作用越大。

该实施例中，定型效果评估值是用于表征胃炎分类模型对各类胃粘膜炎症定型效果的好坏，取值越大表明定型效果越好。

该实施例中，目标缺陷指的是胃炎分类模型中存在的漏洞。

该实施例中，缺陷特征指的是胃炎分类模型中存在的漏洞的漏洞类型以及漏洞的严重程度等。

该实施例中，模型优化策略指的是对定胃炎分类模型存在的目标缺陷进行修复或是适配的方式方法以及优化的具体步骤。

该实施例中，敏感性与特异性定义为：

敏感性＝TP/(TP+FN)；

特异性＝TN/(TN+FP)；

其中TP(true positive)、FP(false positive)、TN(true negative)、FN(falsenegative)分别代表真阳性、假阳性、真阴性和假阴性，是ROC曲线中最优点的模型表现。

该实施例中，确定胃炎分类模型对数字切片定型时的敏感性、特异性以及准确性，其中，确定胃炎分类模型对数字切片定型的准确率具体步骤包括：

获取第二数字切片集中包含的数字切片的总个数以及对第二数字切片集定型错误的数字切片的数量，并基于数字切片的总个数以及定型错误的数字切片的数量计算胃炎分类模型对数字切片定型的准确率，具体步骤包括：

根据如下公式计算胃炎分类模型对数字切片定型的准确率：

其中，η表示胃炎分类模型对数字切片定型的准确率，且取值范围为(0，1)；α表示误差系数，且取值范围为(0.01，0.03)；

表示第二数字切片集中包含的数字切片的总个数；θ表示胃炎分类模型对数字切片第一次分析后分析失败的个数，且取值小于/>

τ表示对第二数字切片集定型错误的数字切片的个数，且取值小于/>

同时，θ+τ小于/>

ω表示胃炎分类模型对第一次分析后分析失败的数字切片进行二次分析后产生的定型错误的数字切片的个数，且取值小于θ；μ表示可允许的准确率浮动变化值，且取值为/>

将计算得到的准确率与预设准确率阈值进行比较；

若计算得到的准确率大于或等于预设准确率阈值，则判定胃炎分类模型对数字切片的定型效果合格；

否则，判定对数字切片的定型效果不合格，并基于计算结果对胃炎分类模型的工作参数进行分析，确定异常配置参数；

提取异常配置参数的参数属性，并基于参数属性与预期要求制定模型优化策略，且基于模型优化策略对胃炎分类模型的异常配置参数进行修正，直至计算得到的准确率大于或等于预设准确率阈值。

上述预设准确率阈值是提前设定好的，是用于衡量胃炎分类模型对数字切片定型的准确率要达到的最低标准。

上述异常配置参数指的是胃炎分类模型在对数字切片定型时，造成准确率低的主要模型参数。

上述参数属性指的是异常配置参数的参数类型以及数量等。

上述技术方案的有益效果是：通过将预测热力图与对应的标准病理诊断进行比对，从而实现对胃炎分类模型对胃粘膜炎症类型定型时的敏感性、特异性以及准确性进行准确有效的获取，最后根据敏感性、特异性以及准确性实现对胃炎分类模型的定型效果进行准确有效的确定，且当定型效果不满足预期要求时，及时确定胃炎分类模型中的目标缺陷并进行优化，确保了对胃粘膜炎症类型确定的准确可靠性。

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粘膜炎症分型辅助诊断系统，其特征在于，包括：

数据获取模块，用于从预设胃粘膜活检标本库中调取不同类型胃粘膜炎症对应的胃粘膜活检标本，并对胃粘膜活检标本进行扫描得到数字切片；

训练模块，用于基于预设标注规则以及标注标签对数字切片进行标注，并基于标注结果将数字切片拆分为第一数字切片集和第二数字切片集，且对第一数字切片集进行训练，构建胃炎分类模型；

优化模块，用于将第二数字切片集输入胃炎分类模型进行分析，得到不同胃粘膜炎症类型的预测热力图，并将预测热力图与标准病理诊断进行比对确定胃炎分类模型的定型效果，且当定型效果不满足预期要求时，对胃炎分类模型进行优化。

2.根据权利要求1所述的一种基于深度学习的胃粘膜炎症分型辅助诊断系统，其特征在于，数据获取模块，包括：

信息获取单元，用于获取预设胃粘膜活检标本库中各类炎症标本集的集标识，并基于集标识确定各类炎症标本集中各胃粘膜活检标本的存储时间戳；

标本分析单元，用于基于存储时间戳确定待调取时间段，并基于待调取时间段锁定各类炎症标本集中的可调用胃粘膜活检标本；

标本获取单元，用于基于预设服务器获取分析终端提交的对胃粘膜活检标本的调取请求，并对调取请求进行解析，确定对各类炎症标本集中可调用胃粘膜活检标本的调用数量，且基于调用数量分别从相应的可调用胃粘膜活检标本中调取最终的胃粘膜活检标本。

3.根据权利要求2所述的一种基于深度学习的胃粘膜炎症分型辅助诊断系统，其特征在于，标本获取单元，包括：

标本获取子单元，用于获取得到的可调用胃粘膜活检标本，并提取可调用胃粘膜活检标本的基本信息，同时，基于基本信息确定具有明确诊断信息的标准可调用胃粘膜活检标本，并基于对各类炎症标本集的调用数量从标准可调用胃粘膜活检标本中调取相应数量的胃粘膜活检标本；

标本类型统计子单元，用于提取胃粘膜活检标本中明确诊断信息的数据特征，并基于数据特征确定各胃粘膜活检标本的目标炎症类型，且对各胃粘膜活检标本的目标炎症类型进行汇总；

标本核验子单元，用于将汇总结果与预设胃粘膜活检标本类型进行比较，并当汇总结果与预设胃粘膜活检标本类型一致时，判定完成对胃粘膜活检标本的调取，否则，重新调取胃粘膜活检标本。

4.根据权利要求1所述的一种基于深度学习的胃粘膜炎症分型辅助诊断系统，其特征在于，数据获取模块，包括：

标本调取单元，用于调取得到的胃粘膜活检标本，并对胃粘膜活检标本进行预处理后得到待处理切片，且确定对待处理切片的网格化规则；

标本处理单元，用于将网格化规格映射至待处理切片，得到网格化切片，并基于网格化切片确定待处理切片中的有效组织区域，且确定有效组织区域在网格化切片中的目标位置；

数字切片生成单元，用于基于目标位置控制预设图像传感器对网格化切片中的有效组织区域进行图像扫描，并基于扫描顺序将扫描得到的图像数据实时传输至计算机终端；

所述数字切片生成单元，还用于基于计算机终端对得到的图像数据进行图像特征提取，并基于图像特征生成相应的数字切片，且将数字切片进行存储。

5.根据权利要求4所述的一种基于深度学习的胃粘膜炎症分型辅助诊断系统，其特征在于，数字切片生成单元，包括：

数据切片监测子单元，用于实时监测预设图像传感器对网格化切片中的有效组织区域的图像扫描过程，并基于监测结果确定对网格化切片中的有效组织区域扫描失败的第一异常切片，并将第一异常切片进行第一剔除；

数据切片筛选子单元，用于提取扫描得到的数字切片的分辨率，并将分辨率小于预设分辨率阈值的数字切片判定为第二异常切片，并将第二异常切片进行第二剔除；

数字切片汇总子单元，用于基于第一剔除和第二剔除得到最终的数字切片。

6.根据权利要求1所述的一种基于深度学习的胃粘膜炎症分型辅助诊断系统，其特征在于，训练模块，包括：

数字切片处理单元，用于基于计算机终端对得到的数字切片进行目标倍数的放大，并基于放大结果对待标注区域进行锁定；

切片标注及拆分单元，用于获取标注标签，并基于预设标注规则对不同标注标签设置颜色标注特征，并基于设置结果对锁定的待标注区域进行标注，且将标注后的数字切片拆分为第一数字切片集和第二数字切片集；

训练单元，用于提取第一数字切片集中各数字切片的标注结果，并基于标注结果将干扰区域以及无效区域进行剔除后得到标准第一数字切片集，且对标准第一数据切片集进行随机镜像和90度旋转以及对亮度、对比度、色调、饱和度进行扰动，得到目标第一数字切片集；

所述训练单元，还用于构建图像分类网络，并将目标第一数字切片集以及对应的预设标准类别图像输入图像分类网络进行预设次数的迭代训练，且基于迭代训练结果得到胃炎分类模型。

7.根据权利要求6所述的一种基于深度学习的胃粘膜炎症分型辅助诊断系统，其特征在于，切片标注及拆分单元，包括：

数字切片获取子单元，用于获取标注后的数字切片，并确定各类炎症对应的数字切片以及无炎症的数字切片的第一目标数量；

数字切片划分子单元，用于确定对数字切片的划分标准，并基于划分标准确定待生成切片集合的第二目标数量，同时，基于第二目标数量将第一目标数量的各类炎症对应的数字切片以及无炎症的数字切片进行随机划分，得到与第二目标数量一致的各类炎症对应的第一子数字切片集和无炎症的第二子数字切片集，并将第一子数字切片集与第二子数字切片集进行综合得到最终的第一数字切片集和第二数字切片集，其中，第一数字切片集和第二数字切片集分别为训练集和测试集，且训练集和测试集中均包含各类炎症对应的数字切片以及无炎症的数字切片。

8.根据权利要求7所述的一种基于深度学习的胃粘膜炎症分型辅助诊断系统，其特征在于，训练单元，包括：

切片集获取子单元，用于获取预设验证数字切片集，并将预设验证数字切片集输入得到的胃炎分类模型进行分析，得到胃炎分类模型对预设验证数字切片集的分类结果；

模型校验子单元，用于提取预设验证数字切片集中各数字切片的标准诊断信息，并基于标准诊断信息确定预设验证数字切片集中各数字切片的标准炎症类别；

比较子单元，用于将胃炎分类模型对预设验证数字切片集的分类结果与对应的标准炎症类别进行比较，并当分类结果与标准炎症类别均一致时，判定得到的胃炎分类模型合格，否则，判定得到的胃炎分类模型不合格，并重新构建胃炎分类模型。

9.根据权利要求1所述的一种基于深度学习的胃粘膜炎症分型辅助诊断系统，其特征在于，优化模块，包括：

数字切片获取单元，用于获取得到的第二数字切片集，并将第二数字切片集输入构建的胃炎分类模型；

数字切片分析单元，用于基于胃炎分类模型提取第二数字切片集中每一数字切片中的每个像素的像素特征，并将像素特征与预设炎症类型特征进行匹配，确定每个像素属于各类炎症类型的概率，且将整张数字切片中概率取值最高的前目标个像素的均值作为当前数字切片对应炎症类型的预测概率；

热力图生成单元，用于基于预测概率确定当前数字切片中包含的目标炎症类型，并基于目标炎症类型以及标注规则生成相应的预测热力图，且将预测热力图基于计算机终端进行显示。

10.根据权利要求1所述的一种基于深度学习的胃粘膜炎症分型辅助诊断系统，其特征在于，优化模块，包括：

热力图获取单元，用于获取得到的预测热力图以及第二数字切片集中每一数字切片对应的标准病理诊断，同时，确定对胃炎分类模型对第二数字切片集分析后得到的预测热力图的评估指标；

效果评估单元，用于基于评估指标确定每个数字切片对应的预测热力图的长径，并基于长径确定第一效果评估值，同时，将每个数字切片对应的预测热力图与对应的标准病理诊断进行匹配，并基于匹配结果确定预测热力图与对应的标准病理诊断的一致性，且基于一致性确定第二效果评估值；

模型优化单元，用于基于第一效果评估值以及第二效果评估值确定胃炎分类模型对数字切片定型时的敏感性、特异性以及准确性，并分别确定敏感性、特异性以及准确性对应的目标权重，且基于目标权重和敏感性、特异性以及准确性的目标取值得到胃炎分类模型的定型效果评估值；

所述模型优化单元，用于当定型效果评估值不满足预期要求时，基于评估结果确定胃炎分类模型存在的目标缺陷的缺陷特征，并基于缺陷特征制定模型优化策略，且基于模型优化策略对胃炎分类模型进行优化。

Images