CN116705289B - 基于语义分割网络的宫颈病理诊断装置 - Google Patents
基于语义分割网络的宫颈病理诊断装置 Download PDFInfo
- Publication number
- CN116705289B CN116705289B CN202310579215.2A CN202310579215A CN116705289B CN 116705289 B CN116705289 B CN 116705289B CN 202310579215 A CN202310579215 A CN 202310579215A CN 116705289 B CN116705289 B CN 116705289B
- Authority
- CN
- China
- Prior art keywords
- cervical
- neural network
- data
- diagnosis
- model
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 104
- 230000007170 pathology Effects 0.000 title claims abstract description 52
- 230000011218 segmentation Effects 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 188
- 230000003902 lesion Effects 0.000 claims abstract description 176
- 238000012549 training Methods 0.000 claims abstract description 107
- 238000002372 labelling Methods 0.000 claims abstract description 87
- 230000001575 pathological effect Effects 0.000 claims abstract description 72
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000009825 accumulation Methods 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000009595 pap smear Methods 0.000 claims abstract description 10
- 230000008901 benefit Effects 0.000 claims abstract description 7
- 210000001519 tissue Anatomy 0.000 claims description 149
- 206010028980 Neoplasm Diseases 0.000 claims description 51
- 238000004458 analytical method Methods 0.000 claims description 48
- 201000011510 cancer Diseases 0.000 claims description 35
- 238000010827 pathological analysis Methods 0.000 claims description 35
- 238000013139 quantization Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 20
- 238000013135 deep learning Methods 0.000 claims description 16
- 230000000903 blocking effect Effects 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 12
- 238000011002 quantification Methods 0.000 claims description 9
- 208000009956 adenocarcinoma Diseases 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000001351 cycling effect Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000011065 in-situ storage Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 206010041823 squamous cell carcinoma Diseases 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000036210 malignancy Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 4
- 210000000981 epithelium Anatomy 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 210000004907 gland Anatomy 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 11
- 206010008342 Cervix carcinoma Diseases 0.000 description 9
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 9
- 201000010881 cervical cancer Diseases 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229960002566 papillomavirus vaccine Drugs 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了基于语义分割网络的宫颈病理诊断装置,包括:宫颈病理标准数据库模块,建立数字化宫颈病变组织病理诊断标准数据库;创建病理细胞图像自动化标注工具;获取上采样审查数字化宫颈组织切片;阶段训练大数据积累模块,通过双单元卷积神经网络进行数据训练,将数据积累到设定大数据规模,获取宫颈组织切片规模化大数据;自动学习神经网络搜索模块,通过自动化机器学习,进行多类型神经网络搜索,自动构建具有预测准确率优势的神经网络结构,获取自构优势深度神经网络结构模型;宫颈筛查标准自动诊断模块,利用统计建模方法,建立宫颈病变组织切片筛查量化标准,对宫颈扫描数字切片中的可疑病变进行智能自动检测诊断。
Description
技术领域
本发明涉及智能识别病理诊断系统技术领域,更具体地说,本发明涉及基于语义分割网络的宫颈病理诊断装置。
背景技术
目前,通常由专业医师标注数据从大规模的标注数据中提取出有用的医学特征,已标注的数据代表医生的诊断经验,特征提取过程学习医生的智能化水平尚待提高;计算机深度学习是近年来发展最快的人工智能技术之一,源于人工神经网络的研究,通过构建网络模型,然后利用大量的样本数据对模型进行训练学习,分层提取数据的所有特征,最后利用低层或高层特征形成更加抽象的表示属性类别,发现数据的分布式特征;子宫颈癌是严重威胁女性生命和健康的妇科恶性肿瘤之一,2018年全球宫颈癌新发病例约57万,死亡31万,中低收入国家占新发病例的85%,死亡病例的87%;尽管随着宫颈液基细胞学检查及HPV检测技术的推广普及,筛查工作取得一定的成效,但发病形势依然严峻,面临诸多瓶颈问题,如人群筛查覆盖率低约20%,筛查技术质量不一;2018年世界卫生组织发出2030年全球消除宫颈癌的呼吁,并且提出了2020-2030年期间宫颈癌防治阶段性目标简称90-70-90,即90%女孩在15岁之前全程接种HPV疫苗,70%女性在35-45岁期间有高质量的宫颈癌筛查技术,90%已罹患宫颈癌的女性得到有效的治疗,三者缺一不可;由此可见,宫颈癌筛查工作仍然有许多问题尚待解决;在临床诊断中,传统的宫颈组织学诊断是由病理医师在显微镜下根据自身经验进行诊断的,其完全依赖病理医师的个人经验,因为人工的效率往往十分有限,所以难免会出现因疲劳或诊断经验不足而导致的误诊与漏诊;因此,有必要提出基于语义分割网络的宫颈病理诊断装置,以至少部分地解决现有技术中存在的问题。
发明内容
在发明内容部分中引入了一系列简化形式的概念,这将在具体实施方式部分中进一步详细说明;本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征,更不意味着试图确定所要求保护的技术方案的保护范围。
为至少部分地解决上述问题,本发明提供了基于语义分割网络的宫颈病理诊断装置,包括:
宫颈病理标准数据库模块,建立数字化宫颈病变组织病理诊断标准数据库;创建病理细胞图像自动化标注工具;通过双立方插值图像上采样及多级专家系统图像审查,获取上采样审查数字化宫颈组织切片;
阶段训练大数据积累模块,根据上采样审查数字化宫颈组织切片,通过双单元卷积神经网络进行数据训练,将数据积累到设定大数据规模,获取宫颈组织切片规模化大数据;
自动学习神经网络搜索模块,根据宫颈组织切片规模化大数据,通过自动化机器学习,进行多类型神经网络搜索,自动构建具有预测准确率优势的神经网络结构,获取自构优势深度神经网络结构模型;
宫颈筛查标准自动诊断模块,根据自构优势深度神经网络结构模型,利用统计建模方法,建立宫颈病变组织切片筛查量化标准,对宫颈扫描数字切片中的可疑病变进行智能自动检测诊断。
优选的,所述宫颈病理标准数据库模块包括:
自动读取诊断标准数据子模块,使用自动切片读取库对宫颈扫描数字切片进行读取;根据读取的宫颈扫描数字切片数据,在Patch分块的基础上构建基于Patch图像块的病灶数据集,获取Patch病灶数据集分布,建立数字化宫颈病变组织病理诊断标准数据库;
互验标注闭环模型创建子模块,将数据标注与模型更新形成数据模型互验闭环,持续循环迭代数据标注与模型训练过程,获取循环互验标注闭环模型;
病理图像自动标注子模块,根据循环互验标注闭环模型,通过病理细胞图像人工智能分析、诊断理论智能分析、技术平台经验智能分析,获取病理细胞图像自动化标注工具;进行双立方插值图像上采样及多级专家系统图像审查,获取上采样审查数字化宫颈组织切片。
优选的,所述阶段训练大数据积累模块包括:
双单元卷积神经网络子模块,以ResNet和DenseNet为基本单元,创建动态卷积神经网络,获取双单元卷积神经网络;
大数据阶段训练节点子模块,根据上采样审查数字化宫颈组织切片,预估宫颈组织切片需求数据规模,设置宫颈组织切片大数据阶段训练节点;
宫颈组织大数据获取子模块,根据宫颈组织切片大数据阶段训练节点,通过双单元卷积神经网络进行第一阶段数据训练;当第一阶段数据训练达到宫颈组织切片大数据阶段训练节点,数据积累达到设定大数据规模,获取宫颈组织切片规模化大数据。
优选的,所述自动学习神经网络搜索模块包括:
神经网络搜索设置子模块,设置神经网络搜索方式;神经网络搜索方式;包括:强化学习神经网络搜索、遗传算法神经网络搜索、贝叶斯优化神经网络搜索、网路态射神经网络搜索;
网络搜索自动选择子模块,根据宫颈组织切片规模化大数据,通过自动化机器学习,自动选择神经网络搜索方式,进行多类型神经网络搜索,获取神经网络搜索方式选择结果;
网络结构自动构建子模块,根据神经网络搜索方式选择结果,进行神经网络结构预测准确率交叉对比,选出预测准确率最高的神经网络结构,自动构建深度神经网络结构模型,获取自构优势深度神经网络结构模型。
优选的,所述宫颈筛查标准自动诊断模块包括:
二阶训练分割分类子模块,根据自构优势深度神经网络结构模型,进行第二阶段数据训练,获取自构优势深度神经网络结构模型第二阶段数据训练节点;根据第二阶段数据训练节点,进行宫颈病变组织切片的病变细胞定位、病变细胞图像分割及病变细胞分类;
等级划分量化标准子模块,利用统计建模方法对病变细胞定位、病变细胞图像分割及病变细胞分类进行统计分析及规律判定,获得病变细胞量化指标及病变区域量化指标;根据病变细胞量化指标及病变区域量化指标,对病变细胞及病变区域进行等级划分,建立宫颈病变组织切片筛查量化标准;
云端共享智能检测诊断子模块,根据宫颈病变组织切片筛查量化标准,通过自构优势深度神经网络结构模型与机器视觉结合,标出宫颈组织切片中可疑病变的具体位置及其具体亚型,将装置数据与云端数据进行数据传输信息共享,实现对宫颈组织切片的智能自动检测诊断。
优选的,所述自动读取诊断标准数据子模块包括:
自动切片读取库单元,使用自动切片读取库对宫颈扫描数字切片进行读取;根据宫颈病变类型经验大数据,设定宫颈病变标注类型,宫颈病变标注类型包括:宫颈病变恶性肿瘤、宫颈低级别病变、宫颈正常鳞状上皮以及正常宫颈腺体;通过配合病理细胞图像自动化标注工具,增加制片扫描质量差标注类型以及非肿瘤标注类型;宫颈病变恶性肿瘤包括:宫颈鳞癌病变、宫颈原位腺癌病变及宫颈高级别病变;
宫颈恶性肿瘤判别单元,对宫颈病变恶性肿瘤进行细化分类,建立宫颈病理恶性肿瘤判别模型;宫颈病变恶性肿瘤包括:宫颈鳞癌病变、宫颈原位腺癌病变及宫颈高级别病变;
Patch分块诊断标准单元,根据读取的宫颈扫描数字切片数据,在Patch分块的基础上构建基于Patch图像块的病灶数据集;在构建基于patch的病灶数据集的基础上,构建用于模型训练测试的模型训练Patch病灶数据集及模型测试Patch病灶数据集;获取Patch病灶数据集分布,建立数字化宫颈病变组织病理诊断标准数据库。
优选的,所述病理图像自动标注子模块包括:
病理经验智能分析单元,根据循环互验标注闭环模型,进行病理细胞图像人工智能分析、诊断理论智能分析及技术平台经验智能分析;
模型交互框架集成单元,根据病理细胞图像人工智能分析、诊断理论智能分析及技术平台经验智能分析,集成宫颈组织病理诊断过程的动态模型、交互需求模型和图像界面框架,进行病理细胞图像自动化标注,获取病理细胞图像自动化标注工具;
自动标注采样审查单元,通过病理细胞图像自动化标注工具对数字化宫颈组织切片进行自动标注,获取自标注数字化宫颈组织切片;对已标注数字化宫颈组织切片进行双立方插值图像上采样及多级专家系统图像审查,获取上采样审查数字化宫颈组织切片。
优选的,所述网络结构自动构建子模块包括:
跳层融合同步学习单元,根据神经网络搜索方式选择结果,通过跳层融合,同步进行神经网络结构底层级特征学习、中层级特征学习和高层级特征学习;
神经网络拓朴对比选择单元,通过神经网络搜索在假设空间中快速搜索出对病理分析场景最优的神经网络拓朴结构,进行神经网络结构预测准确率交叉对比;通过神经网络结构预测准确率交叉对比及多类型深度学习网络在医学图像中结果对比分析,自动选择深度学习网络结构模型;自主选出预测准确率最高的神经网络结构;
流水线结构模型创建单元,以预测准确率最高的神经网络结构作为优势深度神经网络结构,自动构建深度神经网络结构模型,建立完整深度学习流水线,获取自构优势深度神经网络结构模型。
优选的,所述二阶训练分割分类子模块包括:
训练数据标注存储单元,根据自构优势深度神经网络结构模型,将宫颈组织切片规模化大数据中的训练数据与对应标注存入到数字化宫颈病变组织病理诊断标准数据库中;
二阶数据训练单元,从数字化宫颈病变组织病理诊断标准数据库中自动读取数据,输入自构优势深度神经网络结构模型,进行第二阶段数据训练;使用模型训练监控可视化工具对模型的训练情况进行实时监控,将模型训练参数进行快照定时保存;获取自构优势深度神经网络结构模型第二阶段数据训练节点;
病变定位分割分类单元,根据第二阶段数据训练节点,进行宫颈病变组织切片的病变细胞定位、病变细胞图像分割及病变细胞分类。
优选的,所述云端共享智能检测诊断子模块包括:
可疑病变识别标注单元,根据宫颈病变组织切片筛查量化标准,通过自构优势深度神经网络结构模型与机器视觉结合,识别标注宫颈组织切片中可疑病变的具体位置及其具体亚型,输出像素级宫颈恶性肿瘤预测概率,将装置数据与云端数据进行数据传输信息共享;
检测诊断热力图分析单元,分析检测诊断热力图;分析检测诊断热力图区域颜色,检测诊断热力图区域颜色越红,表示预测为恶性肿瘤概率越高;
模型诊断结果判定单元,判定模型检测诊断结果;判定模型预测肿瘤区域分布与真实肿瘤区域分布的肿瘤区域分布接近程度;当肿瘤区域分布接近程度达到预设肿瘤区域分布接近程度时,判定为模型检测诊断达标;实现对宫颈组织切片的智能自动检测诊断。
相比现有技术,本发明至少包括以下有益效果:
本发明提供了基于语义分割网络的宫颈病理诊断装置,利用宫颈病理标准数据库模块,建立数字化宫颈病变组织病理诊断标准数据库;创建病理细胞图像自动化标注工具;通过双立方插值图像上采样及多级专家系统图像审查,获取上采样审查数字化宫颈组织切片;阶段训练大数据积累模块,根据上采样审查数字化宫颈组织切片,通过双单元卷积神经网络进行数据训练,将数据积累到设定大数据规模,获取宫颈组织切片规模化大数据;自动学习神经网络搜索模块,根据宫颈组织切片规模化大数据,通过自动化机器学习,进行多类型神经网络搜索,自动构建具有预测准确率优势的神经网络结构,获取自构优势深度神经网络结构模型;宫颈筛查标准自动诊断模块,根据自构优势深度神经网络结构模型,利用统计建模方法,建立宫颈病变组织切片筛查量化标准,对宫颈扫描数字切片中的可疑病变进行智能自动检测诊断;可以建立面向大数据和深度学习的数字化宫颈病变组织病理诊断标准数据库,可以获得病变分类的宫颈组织病理诊断数据标准和规范;大幅提高了标注质量及标注效率;可快速配合高度自动化与多变的应用场景;对预测结果进行病理学分析模型预测与真实的肿瘤区域分布非常接近;获得更加准确的图像分割结果;实现高效准确的宫颈癌及癌前病变的自动智能化诊断。
本发明所述的基于语义分割网络的宫颈病理诊断装置,本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
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为本发明所述的基于语义分割网络的宫颈病理诊断装置框架图;
图2为本发明所述的基于语义分割网络的宫颈病理诊断装置模型训练一个实施例图;
图3为本发明所述的基于语义分割网络的宫颈病理诊断装置模型预测一个实施例图;
图4为本发明所述的基于语义分割网络的宫颈病理诊断装置预测结果一个实施例图。
具体实施方式
下面结合附图以及实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书能够据以实施;如图1-图4所示,本发明提供了基于语义分割网络的宫颈病理诊断装置,包括:
宫颈病理标准数据库模块,建立数字化宫颈病变组织病理诊断标准数据库;创建病理细胞图像自动化标注工具;通过双立方插值图像上采样及多级专家系统图像审查,获取上采样审查数字化宫颈组织切片;
阶段训练大数据积累模块,根据上采样审查数字化宫颈组织切片,通过双单元卷积神经网络进行数据训练,将数据积累到设定大数据规模,获取宫颈组织切片规模化大数据;
自动学习神经网络搜索模块,根据宫颈组织切片规模化大数据,通过自动化机器学习,进行多类型神经网络搜索,自动构建具有预测准确率优势的神经网络结构,获取自构优势深度神经网络结构模型;
宫颈筛查标准自动诊断模块,根据自构优势深度神经网络结构模型,利用统计建模方法,建立宫颈病变组织切片筛查量化标准,对宫颈扫描数字切片中的可疑病变进行智能自动检测诊断。
上述技术方案的原理及效果为:本发明提供了基于语义分割网络的宫颈病理诊断装置,包括:宫颈病理标准数据库模块,建立数字化宫颈病变组织病理诊断标准数据库;创建病理细胞图像自动化标注工具;通过双立方插值图像上采样及多级专家系统图像审查,获取上采样审查数字化宫颈组织切片;阶段训练大数据积累模块,根据上采样审查数字化宫颈组织切片,通过双单元卷积神经网络进行数据训练,将数据积累到设定大数据规模,获取宫颈组织切片规模化大数据;自动学习神经网络搜索模块,根据宫颈组织切片规模化大数据,通过自动化机器学习,进行多类型神经网络搜索,自动构建具有预测准确率优势的神经网络结构,获取自构优势深度神经网络结构模型;宫颈筛查标准自动诊断模块,根据自构优势深度神经网络结构模型,利用统计建模方法,建立宫颈病变组织切片筛查量化标准,对宫颈扫描数字切片中的可疑病变进行智能自动检测诊断;可以建立面向大数据和深度学习的数字化宫颈病变组织病理诊断标准数据库,可以获得病变分类的宫颈组织病理诊断数据标准和规范;大幅提高了标注质量及标注效率;可快速配合高度自动化与多变的应用场景;对预测结果进行病理学分析模型预测与真实的肿瘤区域分布非常接近;获得更加准确的图像分割结果;实现高效准确的宫颈癌及癌前病变的自动智能化诊断。
在一个实施例中,所述宫颈病理标准数据库模块包括:
自动读取诊断标准数据子模块,使用自动切片读取库对宫颈扫描数字切片进行读取;根据读取的宫颈扫描数字切片数据,在Patch分块的基础上构建基于Patch图像块的病灶数据集,获取Patch病灶数据集分布,建立数字化宫颈病变组织病理诊断标准数据库;
互验标注闭环模型创建子模块,将数据标注与模型更新形成数据模型互验闭环,持续循环迭代数据标注与模型训练过程,获取循环互验标注闭环模型;
病理图像自动标注子模块,根据循环互验标注闭环模型,通过病理细胞图像人工智能分析、诊断理论智能分析、技术平台经验智能分析,获取病理细胞图像自动化标注工具;进行双立方插值图像上采样及多级专家系统图像审查,获取上采样审查数字化宫颈组织切片。
上述技术方案的原理及效果为:所述宫颈病理标准数据库模块包括:自动读取诊断标准数据子模块,使用自动切片读取库对宫颈扫描数字切片进行读取;根据读取的宫颈扫描数字切片数据,在Patch分块的基础上构建基于Patch图像块的病灶数据集,获取Patch病灶数据集分布,建立数字化宫颈病变组织病理诊断标准数据库;互验标注闭环模型创建子模块,将数据标注与模型更新形成数据模型互验闭环,持续循环迭代数据标注与模型训练过程,获取循环互验标注闭环模型;病理图像自动标注子模块,根据循环互验标注闭环模型,通过病理细胞图像人工智能分析、诊断理论智能分析、技术平台经验智能分析,获取病理细胞图像自动化标注工具;进行双立方插值图像上采样及多级专家系统图像审查,获取上采样审查数字化宫颈组织切片;大幅提高了标注质量及标注效率。
在一个实施例中,所述阶段训练大数据积累模块包括:
双单元卷积神经网络子模块,以ResNet和DenseNet为基本单元,创建动态卷积神经网络,获取双单元卷积神经网络;
大数据阶段训练节点子模块,根据上采样审查数字化宫颈组织切片,预估宫颈组织切片需求数据规模,设置宫颈组织切片大数据阶段训练节点;
宫颈组织大数据获取子模块,根据宫颈组织切片大数据阶段训练节点,通过双单元卷积神经网络进行第一阶段数据训练;当第一阶段数据训练达到宫颈组织切片大数据阶段训练节点,数据积累达到设定大数据规模,获取宫颈组织切片规模化大数据。
上述技术方案的原理及效果为:所述阶段训练大数据积累模块包括:双单元卷积神经网络子模块,以ResNet和DenseNet为基本单元,创建动态卷积神经网络,获取双单元卷积神经网络;大数据阶段训练节点子模块,根据上采样审查数字化宫颈组织切片,预估宫颈组织切片需求数据规模,设置宫颈组织切片大数据阶段训练节点;宫颈组织大数据获取子模块,根据宫颈组织切片大数据阶段训练节点,通过双单元卷积神经网络进行第一阶段数据训练;当第一阶段数据训练达到宫颈组织切片大数据阶段训练节点,数据积累达到设定大数据规模,获取宫颈组织切片规模化大数据;可以获得病变分类的宫颈组织病理诊断数据标准和规范。
在一个实施例中,所述自动学习神经网络搜索模块包括:
神经网络搜索设置子模块,设置神经网络搜索方式;神经网络搜索方式;包括:强化学习神经网络搜索、遗传算法神经网络搜索、贝叶斯优化神经网络搜索、网路态射神经网络搜索;
网络搜索自动选择子模块,根据宫颈组织切片规模化大数据,通过自动化机器学习,自动选择神经网络搜索方式,进行多类型神经网络搜索,获取神经网络搜索方式选择结果;
网络结构自动构建子模块,根据神经网络搜索方式选择结果,进行神经网络结构预测准确率交叉对比,选出预测准确率最高的神经网络结构,自动构建深度神经网络结构模型,获取自构优势深度神经网络结构模型。
上述技术方案的原理及效果为:所述自动学习神经网络搜索模块包括:神经网络搜索设置子模块,设置神经网络搜索方式;神经网络搜索方式;包括:强化学习神经网络搜索、遗传算法神经网络搜索、贝叶斯优化神经网络搜索、网路态射神经网络搜索;网络搜索自动选择子模块,根据宫颈组织切片规模化大数据,通过自动化机器学习,自动选择神经网络搜索方式,进行多类型神经网络搜索,获取神经网络搜索方式选择结果;网络结构自动构建子模块,根据神经网络搜索方式选择结果,进行神经网络结构预测准确率交叉对比,选出预测准确率最高的神经网络结构,自动构建深度神经网络结构模型,获取自构优势深度神经网络结构模型;能够构建深度神经网络更优势结构。
在一个实施例中,所述宫颈筛查标准自动诊断模块包括:
二阶训练分割分类子模块,根据自构优势深度神经网络结构模型,进行第二阶段数据训练,获取自构优势深度神经网络结构模型第二阶段数据训练节点;根据第二阶段数据训练节点,进行宫颈病变组织切片的病变细胞定位、病变细胞图像分割及病变细胞分类;
等级划分量化标准子模块,利用统计建模方法对病变细胞定位、病变细胞图像分割及病变细胞分类进行统计分析及规律判定,获得病变细胞量化指标及病变区域量化指标;根据病变细胞量化指标及病变区域量化指标,对病变细胞及病变区域进行等级划分,建立宫颈病变组织切片筛查量化标准;
云端共享智能检测诊断子模块,根据宫颈病变组织切片筛查量化标准,通过自构优势深度神经网络结构模型与机器视觉结合,标出宫颈组织切片中可疑病变的具体位置及其具体亚型,将装置数据与云端数据进行数据传输信息共享,实现对宫颈组织切片的智能自动检测诊断。
上述技术方案的原理及效果为:所述宫颈筛查标准自动诊断模块包括:二阶训练分割分类子模块,根据自构优势深度神经网络结构模型,进行第二阶段数据训练,获取自构优势深度神经网络结构模型第二阶段数据训练节点;根据第二阶段数据训练节点,进行宫颈病变组织切片的病变细胞定位、病变细胞图像分割及病变细胞分类;等级划分量化标准子模块,利用统计建模方法对病变细胞定位、病变细胞图像分割及病变细胞分类进行统计分析及规律判定,获得病变细胞量化指标及病变区域量化指标;根据病变细胞量化指标及病变区域量化指标,对病变细胞及病变区域进行等级划分,建立宫颈病变组织切片筛查量化标准;云端共享智能检测诊断子模块,根据宫颈病变组织切片筛查量化标准,通过自构优势深度神经网络结构模型与机器视觉结合,标出宫颈组织切片中可疑病变的具体位置及其具体亚型,将装置数据与云端数据进行数据传输信息共享,实现对宫颈组织切片的智能自动检测诊断;可快速配合高度自动化与多变的应用场景。
在一个实施例中,所述自动读取诊断标准数据子模块包括:
自动切片读取库单元,使用自动切片读取库对宫颈扫描数字切片进行读取;根据宫颈病变类型经验大数据,设定宫颈病变标注类型,宫颈病变标注类型包括:宫颈病变恶性肿瘤、宫颈低级别病变、宫颈正常鳞状上皮以及正常宫颈腺体;通过配合病理细胞图像自动化标注工具,增加制片扫描质量差标注类型以及非肿瘤标注类型;宫颈病变恶性肿瘤包括:宫颈鳞癌病变、宫颈原位腺癌病变及宫颈高级别病变;
宫颈恶性肿瘤判别单元,对宫颈病变恶性肿瘤进行细化分类,建立宫颈病理恶性肿瘤判别模型;宫颈病变恶性肿瘤包括:宫颈鳞癌病变、宫颈原位腺癌病变及宫颈高级别病变;
Patch分块诊断标准单元,根据读取的宫颈扫描数字切片数据,在Patch分块的基础上构建基于Patch图像块的病灶数据集;在构建基于patch的病灶数据集的基础上,构建用于模型训练测试的模型训练Patch病灶数据集及模型测试Patch病灶数据集;获取Patch病灶数据集分布,建立数字化宫颈病变组织病理诊断标准数据库。
上述技术方案的原理及效果为:所述自动读取诊断标准数据子模块包括:自动切片读取库单元,使用自动切片读取库对宫颈扫描数字切片进行读取;根据宫颈病变类型经验大数据,设定宫颈病变标注类型,宫颈病变标注类型包括:宫颈病变恶性肿瘤、宫颈低级别病变、宫颈正常鳞状上皮以及正常宫颈腺体;通过配合病理细胞图像自动化标注工具,增加制片扫描质量差标注类型以及非肿瘤标注类型;宫颈病变恶性肿瘤包括:宫颈鳞癌病变、宫颈原位腺癌病变及宫颈高级别病变;宫颈恶性肿瘤判别单元,对宫颈病变恶性肿瘤进行细化分类,建立宫颈病理恶性肿瘤判别模型;宫颈病变恶性肿瘤包括:宫颈鳞癌病变、宫颈原位腺癌病变及宫颈高级别病变;Patch分块诊断标准单元,根据读取的宫颈扫描数字切片数据,在Patch分块的基础上构建基于Patch图像块的病灶数据集;在构建基于patch的病灶数据集的基础上,构建用于模型训练测试的模型训练Patch病灶数据集及模型测试Patch病灶数据集;获取Patch病灶数据集分布,建立数字化宫颈病变组织病理诊断标准数据库;
从宫颈病变类型经验大数据提取宫颈病变特征数据、宫颈病变判别经验数据和宫颈病变类型数据;将宫颈病变特征数据和宫颈病变判别经验数据输入到朴素贝叶斯分类模型进行训练,生成宫颈病变切片读取推荐模型;将宫颈病变切片读取推荐模型存储到数据库,获取自动切片读取库;将病灶数据集和宫颈病变类型数据输入到深度神经网络进行训练,生成宫颈病理恶性肿瘤判别模型;根据病灶数据集,自动切片读取库对宫颈扫描数字切片进行读取,获取待判别宫颈扫描数字切片,将待判别宫颈扫描数字切片输入到所述宫颈病理恶性肿瘤判别模型,输出获取待判别宫颈扫描数字切片中的病变类型;能够自动读取数字切片,智能判别宫颈病变类型;可以建立面向大数据和深度学习的数字化宫颈病变组织病理诊断标准数据库,可以获得病变分类的宫颈组织病理诊断数据标准和规范。
在一个实施例中,所述病理图像自动标注子模块包括:
病理经验智能分析单元,根据循环互验标注闭环模型,进行病理细胞图像人工智能分析、诊断理论智能分析及技术平台经验智能分析;
模型交互框架集成单元,根据病理细胞图像人工智能分析、诊断理论智能分析及技术平台经验智能分析,集成宫颈组织病理诊断过程的动态模型、交互需求模型和图像界面框架,进行病理细胞图像自动化标注,获取病理细胞图像自动化标注工具;
自动标注采样审查单元,通过病理细胞图像自动化标注工具对数字化宫颈组织切片进行自动标注,获取自标注数字化宫颈组织切片;对已标注数字化宫颈组织切片进行双立方插值图像上采样及多级专家系统图像审查,获取上采样审查数字化宫颈组织切片。
上述技术方案的原理及效果为:所述病理图像自动标注子模块包括:病理经验智能分析单元,根据循环互验标注闭环模型,进行病理细胞图像人工智能分析、诊断理论智能分析及技术平台经验智能分析;模型交互框架集成单元,根据病理细胞图像人工智能分析、诊断理论智能分析及技术平台经验智能分析,集成宫颈组织病理诊断过程的动态模型、交互需求模型和图像界面框架,进行病理细胞图像自动化标注,获取病理细胞图像自动化标注工具;自动标注采样审查单元,通过病理细胞图像自动化标注工具对数字化宫颈组织切片进行自动标注,获取自标注数字化宫颈组织切片;对已标注数字化宫颈组织切片进行双立方插值图像上采样及多级专家系统图像审查,获取上采样审查数字化宫颈组织切片;大幅提高了标注质量及标注效率。
在一个实施例中,所述网络结构自动构建子模块包括:
跳层融合同步学习单元,根据神经网络搜索方式选择结果,通过跳层融合,同步进行神经网络结构底层级特征学习、中层级特征学习和高层级特征学习;
神经网络拓朴对比选择单元,通过神经网络搜索在假设空间中快速搜索出对病理分析场景最优的神经网络拓朴结构,进行神经网络结构预测准确率交叉对比;通过神经网络结构预测准确率交叉对比及多类型深度学习网络在医学图像中结果对比分析,自动选择深度学习网络结构模型;自主选出预测准确率最高的神经网络结构;
流水线结构模型创建单元,以预测准确率最高的神经网络结构作为优势深度神经网络结构,自动构建深度神经网络结构模型,建立完整深度学习流水线,获取自构优势深度神经网络结构模型。
上述技术方案的原理及效果为:所述网络结构自动构建子模块包括:跳层融合同步学习单元,根据神经网络搜索方式选择结果,通过跳层融合,同步进行神经网络结构底层级特征学习、中层级特征学习和高层级特征学习;神经网络拓朴对比选择单元,通过神经网络搜索在假设空间中快速搜索出对病理分析场景最优的神经网络拓朴结构,进行神经网络结构预测准确率交叉对比;通过神经网络结构预测准确率交叉对比及多类型深度学习网络在医学图像中结果对比分析,自动选择深度学习网络结构模型;自主选出预测准确率最高的神经网络结构;流水线结构模型创建单元,以预测准确率最高的神经网络结构作为优势深度神经网络结构,自动构建深度神经网络结构模型,建立完整深度学习流水线,获取自构优势深度神经网络结构模型;可快速配合高度自动化与多变的应用场景;获得更加准确的图像分割结果;
导入第一神经网络结构预测图像和第二神经网络结构预测图像,将第一神经网络结构预测图像和第二神经网络结构预测图像整体参数进行对比,将第一神经网络结构预测图像的参数经映射变换后逼近第二神经网络结构预测图像的参数,并将映射变换参数进行加密;分别将第一神经网络结构预测图像和第二神经网络结构预测图像按照单位像素进行分割,得到第一神经网络结构预测图像的若干第一分割图块和第二神经网络结构预测图像的若干第一分割图块;采集第一分割图块和第二分割图块的第一分割图块特征参数和第二分割图块特征参数,并将第一分割图块特征参数和第二分割图块特征参数分别对应存储在第一分割图块数据库和第二分割图块数据库中;分别将第一分割图块数据库和第二分割图块数据库中的图块数据进行交叉对比,选出神经网络结构预测准确率交叉对比最高的分割图块对应的神经网络结构,自主选出预测准确率最高的神经网络结构,作为优势深度神经网络结构,自动构建深度神经网络结构模型;能够自动选择预测图像准确率更高的神经网络结构,大幅改善人为对比选择效率低、准确率差等问题。
在一个实施例中,所述二阶训练分割分类子模块包括:
训练数据标注存储单元,根据自构优势深度神经网络结构模型,将宫颈组织切片规模化大数据中的训练数据与对应标注存入到数字化宫颈病变组织病理诊断标准数据库中;
二阶数据训练单元,从数字化宫颈病变组织病理诊断标准数据库中自动读取数据,输入自构优势深度神经网络结构模型,进行第二阶段数据训练;使用模型训练监控可视化工具对模型的训练情况进行实时监控,将模型训练参数进行快照定时保存;获取自构优势深度神经网络结构模型第二阶段数据训练节点;
病变定位分割分类单元,根据第二阶段数据训练节点,进行宫颈病变组织切片的病变细胞定位、病变细胞图像分割及病变细胞分类。
上述技术方案的原理及效果为:所述二阶训练分割分类子模块包括:训练数据标注存储单元,根据自构优势深度神经网络结构模型,将宫颈组织切片规模化大数据中的训练数据与对应标注存入到数字化宫颈病变组织病理诊断标准数据库中;二阶数据训练单元,从数字化宫颈病变组织病理诊断标准数据库中自动读取数据,输入自构优势深度神经网络结构模型,进行第二阶段数据训练;使用模型训练监控可视化工具对模型的训练情况进行实时监控,将模型训练参数进行快照定时保存;获取自构优势深度神经网络结构模型第二阶段数据训练节点;病变定位分割分类单元,根据第二阶段数据训练节点,进行宫颈病变组织切片的病变细胞定位、病变细胞图像分割及病变细胞分类;获得更加准确的图像分割结果。
在一个实施例中,所述云端共享智能检测诊断子模块包括:
可疑病变识别标注单元,根据宫颈病变组织切片筛查量化标准,通过自构优势深度神经网络结构模型与机器视觉结合,识别标注宫颈组织切片中可疑病变的具体位置及其具体亚型,输出像素级宫颈恶性肿瘤预测概率,将装置数据与云端数据进行数据传输信息共享;
检测诊断热力图分析单元,分析检测诊断热力图;分析检测诊断热力图区域颜色,检测诊断热力图区域颜色越红,表示预测为恶性肿瘤概率越高;
模型诊断结果判定单元,判定模型检测诊断结果;判定模型预测肿瘤区域分布与真实肿瘤区域分布的肿瘤区域分布接近程度;当肿瘤区域分布接近程度达到预设肿瘤区域分布接近程度时,判定为模型检测诊断达标;实现对宫颈组织切片的智能自动检测诊断。
上述技术方案的原理及效果为:所述云端共享智能检测诊断子模块包括:可疑病变识别标注单元,根据宫颈病变组织切片筛查量化标准,通过自构优势深度神经网络结构模型与机器视觉结合,识别标注宫颈组织切片中可疑病变的具体位置及其具体亚型,输出像素级宫颈恶性肿瘤预测概率,将装置数据与云端数据进行数据传输信息共享;检测诊断热力图分析单元,分析检测诊断热力图;分析检测诊断热力图区域颜色,检测诊断热力图区域颜色越红,表示预测为恶性肿瘤概率越高;模型诊断结果判定单元,判定模型检测诊断结果;判定模型预测肿瘤区域分布与真实肿瘤区域分布的肿瘤区域分布接近程度;当肿瘤区域分布接近程度达到预设肿瘤区域分布接近程度时,判定为模型检测诊断达标;实现对宫颈组织切片的智能自动检测诊断;计算模型预测肿瘤区域分布与真实肿瘤区域分布的肿瘤区域分布接近程度:
其中,MPSD(i,j)代表模型预测肿瘤区域分布与真实肿瘤区域分布的肿瘤区域分布接近程度,Cij(x,y)代表第i个真实肿瘤区域分布像素位置顶点坐标与第j个真实肿瘤区域分布像素位置顶点坐标所形成方形区域内所有像素点数,Dij(x,y)代表第i个模型预测肿瘤区域分布像素位置顶点坐标与第j个模型预测肿瘤区域分布像素位置顶点坐标所形成方形区域内所有像素点数,X代表肿瘤区域分布最大x轴坐标值,Y代表肿瘤区域分布最大y轴坐标值;通过计算模型预测肿瘤区域分布与真实肿瘤区域分布的肿瘤区域分布接近程度,分析肿瘤区域分布接近程度是否达到预设肿瘤区域分布接近程度;预设肿瘤区域分布接近程度为0.999;当肿瘤区域分布接近程度达到预设肿瘤区域分布接近程度时,判定为模型检测诊断达标;大幅提高模型检测诊断准确程度。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节与这里示出与描述的图例。
Claims (8)
1.基于语义分割网络的宫颈病理诊断装置,其特征在于,包括:
宫颈病理标准数据库模块,建立数字化宫颈病变组织病理诊断标准数据库;创建病理细胞图像自动化标注工具;通过双立方插值图像上采样及多级专家系统图像审查,获取上采样审查数字化宫颈组织切片;
阶段训练大数据积累模块,根据上采样审查数字化宫颈组织切片,通过双单元卷积神经网络进行数据训练,将数据积累到设定大数据规模,获取宫颈组织切片规模化大数据;
自动学习神经网络搜索模块,根据宫颈组织切片规模化大数据,通过自动化机器学习,进行多类型神经网络搜索,自动构建具有预测准确率优势的神经网络结构,获取自构优势深度神经网络结构模型;
宫颈筛查标准自动诊断模块,根据自构优势深度神经网络结构模型,利用统计建模方法,建立宫颈病变组织切片筛查量化标准,对宫颈扫描数字切片中的可疑病变进行智能自动检测诊断;
所述宫颈病理标准数据库模块包括:
自动读取诊断标准数据子模块,使用自动切片读取库对宫颈扫描数字切片进行读取;根据读取的宫颈扫描数字切片数据,在Patch分块的基础上构建基于Patch图像块的病灶数据集,获取Patch病灶数据集分布,建立数字化宫颈病变组织病理诊断标准数据库;
互验标注闭环模型创建子模块,将数据标注与模型更新形成数据模型互验闭环,持续循环迭代数据标注与模型训练过程,获取循环互验标注闭环模型;
病理图像自动标注子模块,根据循环互验标注闭环模型,通过病理细胞图像人工智能分析、诊断理论智能分析、技术平台经验智能分析,获取病理细胞图像自动化标注工具;进行双立方插值图像上采样及多级专家系统图像审查,获取上采样审查数字化宫颈组织切片;
所述自动读取诊断标准数据子模块包括:
自动切片读取库单元,使用自动切片读取库对宫颈扫描数字切片进行读取;根据宫颈病变类型经验大数据,设定宫颈病变标注类型,宫颈病变标注类型包括:宫颈病变恶性肿瘤、宫颈低级别病变、宫颈正常鳞状上皮以及正常宫颈腺体;通过配合病理细胞图像自动化标注工具,增加制片扫描质量差标注类型以及非肿瘤标注类型;宫颈病变恶性肿瘤包括:宫颈鳞癌病变、宫颈原位腺癌病变及宫颈高级别病变;
宫颈恶性肿瘤判别单元,对宫颈病变恶性肿瘤进行细化分类,建立宫颈病理恶性肿瘤判别模型;宫颈病变恶性肿瘤包括:宫颈鳞癌病变、宫颈原位腺癌病变及宫颈高级别病变;
Patch分块诊断标准单元,根据读取的宫颈扫描数字切片数据,在Patch分块的基础上构建基于Patch图像块的病灶数据集;在构建基于patch的病灶数据集的基础上,构建用于模型训练测试的模型训练Patch病灶数据集及模型测试Patch病灶数据集;获取Patch病灶数据集分布,建立数字化宫颈病变组织病理诊断标准数据库。
2.根据权利要求1所述的基于语义分割网络的宫颈病理诊断装置,其特征在于,所述阶段训练大数据积累模块包括:
双单元卷积神经网络子模块,以ResNet和DenseNet为基本单元,创建动态卷积神经网络,获取双单元卷积神经网络;
大数据阶段训练节点子模块,根据上采样审查数字化宫颈组织切片,预估宫颈组织切片需求数据规模,设置宫颈组织切片大数据阶段训练节点;
宫颈组织大数据获取子模块,根据宫颈组织切片大数据阶段训练节点,通过双单元卷积神经网络进行第一阶段数据训练;当第一阶段数据训练达到宫颈组织切片大数据阶段训练节点,数据积累达到设定大数据规模,获取宫颈组织切片规模化大数据。
3.根据权利要求1所述的基于语义分割网络的宫颈病理诊断装置,其特征在于,所述自动学习神经网络搜索模块包括:
神经网络搜索设置子模块,设置神经网络搜索方式;神经网络搜索方式;包括:强化学习神经网络搜索、遗传算法神经网络搜索、贝叶斯优化神经网络搜索、网路态射神经网络搜索;
网络搜索自动选择子模块,根据宫颈组织切片规模化大数据,通过自动化机器学习,自动选择神经网络搜索方式,进行多类型神经网络搜索,获取神经网络搜索方式选择结果;
网络结构自动构建子模块,根据神经网络搜索方式选择结果,进行神经网络结构预测准确率交叉对比,选出预测准确率最高的神经网络结构,自动构建深度神经网络结构模型,获取自构优势深度神经网络结构模型。
4.根据权利要求1所述的基于语义分割网络的宫颈病理诊断装置,其特征在于,所述宫颈筛查标准自动诊断模块包括:
二阶训练分割分类子模块,根据自构优势深度神经网络结构模型,进行第二阶段数据训练,获取自构优势深度神经网络结构模型第二阶段数据训练节点;根据第二阶段数据训练节点,进行宫颈病变组织切片的病变细胞定位、病变细胞图像分割及病变细胞分类;
等级划分量化标准子模块,利用统计建模方法对病变细胞定位、病变细胞图像分割及病变细胞分类进行统计分析及规律判定,获得病变细胞量化指标及病变区域量化指标;根据病变细胞量化指标及病变区域量化指标,对病变细胞及病变区域进行等级划分,建立宫颈病变组织切片筛查量化标准;
云端共享智能检测诊断子模块,根据宫颈病变组织切片筛查量化标准,通过自构优势深度神经网络结构模型与机器视觉结合,标出宫颈组织切片中可疑病变的具体位置及其具体亚型,将装置数据与云端数据进行数据传输信息共享,实现对宫颈组织切片的智能自动检测诊断。
5.根据权利要求1所述的基于语义分割网络的宫颈病理诊断装置,其特征在于,所述病理图像自动标注子模块包括:
病理经验智能分析单元,根据循环互验标注闭环模型,进行病理细胞图像人工智能分析、诊断理论智能分析及技术平台经验智能分析;
模型交互框架集成单元,根据病理细胞图像人工智能分析、诊断理论智能分析及技术平台经验智能分析,集成宫颈组织病理诊断过程的动态模型、交互需求模型和图像界面框架,进行病理细胞图像自动化标注,获取病理细胞图像自动化标注工具;
自动标注采样审查单元,通过病理细胞图像自动化标注工具对数字化宫颈组织切片进行自动标注,获取自标注数字化宫颈组织切片;对已标注数字化宫颈组织切片进行双立方插值图像上采样及多级专家系统图像审查,获取上采样审查数字化宫颈组织切片。
6.根据权利要求3所述的基于语义分割网络的宫颈病理诊断装置,其特征在于,所述网络结构自动构建子模块包括:
跳层融合同步学习单元,根据神经网络搜索方式选择结果,通过跳层融合,同步进行神经网络结构底层级特征学习、中层级特征学习和高层级特征学习;
神经网络拓朴对比选择单元,通过神经网络搜索在假设空间中快速搜索出对病理分析场景最优的神经网络拓朴结构,进行神经网络结构预测准确率交叉对比;通过神经网络结构预测准确率交叉对比及多类型深度学习网络在医学图像中结果对比分析,自动选择深度学习网络结构模型;自主选出预测准确率最高的神经网络结构;
流水线结构模型创建单元,以预测准确率最高的神经网络结构作为优势深度神经网络结构,自动构建深度神经网络结构模型,建立完整深度学习流水线,获取自构优势深度神经网络结构模型。
7.根据权利要求4所述的基于语义分割网络的宫颈病理诊断装置,其特征在于,所述二阶训练分割分类子模块包括:
训练数据标注存储单元,根据自构优势深度神经网络结构模型,将宫颈组织切片规模化大数据中的训练数据与对应标注存入到数字化宫颈病变组织病理诊断标准数据库中;
二阶数据训练单元,从数字化宫颈病变组织病理诊断标准数据库中自动读取数据,输入自构优势深度神经网络结构模型,进行第二阶段数据训练;使用模型训练监控可视化工具对模型的训练情况进行实时监控,将模型训练参数进行快照定时保存;获取自构优势深度神经网络结构模型第二阶段数据训练节点;
病变定位分割分类单元,根据第二阶段数据训练节点,进行宫颈病变组织切片的病变细胞定位、病变细胞图像分割及病变细胞分类。
8.根据权利要求4所述的基于语义分割网络的宫颈病理诊断装置,其特征在于,所述云端共享智能检测诊断子模块包括:
可疑病变识别标注单元,根据宫颈病变组织切片筛查量化标准,通过自构优势深度神经网络结构模型与机器视觉结合,识别标注宫颈组织切片中可疑病变的具体位置及其具体亚型,输出像素级宫颈恶性肿瘤预测概率,将装置数据与云端数据进行数据传输信息共享;
检测诊断热力图分析单元,分析检测诊断热力图;分析检测诊断热力图区域颜色,检测诊断热力图区域颜色越红,表示预测为恶性肿瘤概率越高;
模型诊断结果判定单元,判定模型检测诊断结果;判定模型预测肿瘤区域分布与真实肿瘤区域分布的肿瘤区域分布接近程度;当肿瘤区域分布接近程度达到预设肿瘤区域分布接近程度时,判定为模型检测诊断达标;实现对宫颈组织切片的智能自动检测诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310579215.2A CN116705289B (zh) | 2023-05-23 | 2023-05-23 | 基于语义分割网络的宫颈病理诊断装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310579215.2A CN116705289B (zh) | 2023-05-23 | 2023-05-23 | 基于语义分割网络的宫颈病理诊断装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116705289A CN116705289A (zh) | 2023-09-05 |
CN116705289B true CN116705289B (zh) | 2023-12-19 |
Family
ID=87836570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310579215.2A Active CN116705289B (zh) | 2023-05-23 | 2023-05-23 | 基于语义分割网络的宫颈病理诊断装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116705289B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101234026A (zh) * | 2008-03-07 | 2008-08-06 | 李立 | 一种乳腺病变定量化影像评价系统及其应用方法 |
CN107516005A (zh) * | 2017-07-14 | 2017-12-26 | 上海交通大学 | 一种数字病理图像标注的方法和系统 |
CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技(上海)有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
CN112464579A (zh) * | 2021-02-02 | 2021-03-09 | 四川大学 | 基于进化神经网络结构搜索食管癌病变区域识别建模方法 |
WO2022126374A1 (zh) * | 2020-12-15 | 2022-06-23 | 深圳市大疆创新科技有限公司 | 图像标注方法、装置、电子设备及计算机可读存储介质 |
CN114743685A (zh) * | 2022-04-01 | 2022-07-12 | 中国医学科学院北京协和医院 | 一种基于人工智能的子宫内膜癌风险筛查方法及系统 |
-
2023
- 2023-05-23 CN CN202310579215.2A patent/CN116705289B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101234026A (zh) * | 2008-03-07 | 2008-08-06 | 李立 | 一种乳腺病变定量化影像评价系统及其应用方法 |
CN107516005A (zh) * | 2017-07-14 | 2017-12-26 | 上海交通大学 | 一种数字病理图像标注的方法和系统 |
CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技(上海)有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
WO2022126374A1 (zh) * | 2020-12-15 | 2022-06-23 | 深圳市大疆创新科技有限公司 | 图像标注方法、装置、电子设备及计算机可读存储介质 |
CN112464579A (zh) * | 2021-02-02 | 2021-03-09 | 四川大学 | 基于进化神经网络结构搜索食管癌病变区域识别建模方法 |
CN114743685A (zh) * | 2022-04-01 | 2022-07-12 | 中国医学科学院北京协和医院 | 一种基于人工智能的子宫内膜癌风险筛查方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116705289A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Silva-Rodríguez et al. | Going deeper through the Gleason scoring scale: An automatic end-to-end system for histology prostate grading and cribriform pattern detection | |
RU2765619C1 (ru) | Компьютерная классификация биологической ткани | |
JP7026826B2 (ja) | 画像処理方法、電子機器および記憶媒体 | |
KR102108050B1 (ko) | 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치 | |
CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
US9741112B2 (en) | Generating image-based diagnostic tests by optimizing image analysis and data mining of co-registered images | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
US9159129B2 (en) | Generating image-based diagnostic tests by optimizing image analysis and data mining of co-registered images | |
Wan et al. | Robust nuclei segmentation in histopathology using ASPPU-Net and boundary refinement | |
CN114565761B (zh) | 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法 | |
CN110264454B (zh) | 基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法 | |
CN108305253A (zh) | 一种基于多倍率深度学习的病理全切片诊断方法 | |
CN111784711A (zh) | 一种基于深度学习的肺部病理图像分类与分割方法 | |
CN111444844A (zh) | 一种基于变分自编码器的液基细胞人工智能检测方法 | |
CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
CN109815974A (zh) | 一种细胞病理玻片分类方法、系统、设备、存储介质 | |
Sulam et al. | Maximizing AUC with Deep Learning for Classification of Imbalanced Mammogram Datasets. | |
CN115909006A (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
CN115206495A (zh) | 基于CoAtNet深度学习的肾癌病理图像分析方法、系统及智能显微装置 | |
CN116978543A (zh) | 人工智能辅助骨髓肿瘤病理诊断装置 | |
CN114782948A (zh) | 一种对宫颈液基细胞学涂片的全局判读方法及系统 | |
CN116705289B (zh) | 基于语义分割网络的宫颈病理诊断装置 | |
Guo et al. | Pathological Detection of Micro and Fuzzy Gastric Cancer Cells Based on Deep Learning. | |
CN115564750A (zh) | 术中冰冻切片图像识别方法及装置、设备、存储介质 | |
CN115274093A (zh) | 生成包含自动标注文件的基准病理数据集的方法及系统 |
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 |