CN116862836A - 一种泛器官淋巴结转移癌检测系统及计算机设备 - Google Patents
一种泛器官淋巴结转移癌检测系统及计算机设备 Download PDFInfo
- Publication number
- CN116862836A CN116862836A CN202310617582.7A CN202310617582A CN116862836A CN 116862836 A CN116862836 A CN 116862836A CN 202310617582 A CN202310617582 A CN 202310617582A CN 116862836 A CN116862836 A CN 116862836A
- Authority
- CN
- China
- Prior art keywords
- lymph node
- module
- learning model
- training
- deep learning
- 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
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 65
- 201000011510 cancer Diseases 0.000 title claims abstract description 62
- 210000000056 organ Anatomy 0.000 title claims abstract description 36
- 208000007433 Lymphatic Metastasis Diseases 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 64
- 210000001165 lymph node Anatomy 0.000 claims abstract description 60
- 238000013136 deep learning model Methods 0.000 claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 230000003211 malignant effect Effects 0.000 claims abstract description 27
- 210000004027 cell Anatomy 0.000 claims abstract description 25
- 230000001575 pathological effect Effects 0.000 claims abstract description 18
- 206010027476 Metastases Diseases 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000009401 metastasis Effects 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims description 3
- 201000010453 lymph node cancer Diseases 0.000 claims 1
- 208000025352 lymph node carcinoma Diseases 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- YQGOJNYOYNNSMM-UHFFFAOYSA-N eosin Chemical compound [Na+].OC(=O)C1=CC=CC=C1C1=C2C=C(Br)C(=O)C(Br)=C2OC2=C(Br)C(O)=C(Br)C=C21 YQGOJNYOYNNSMM-UHFFFAOYSA-N 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种泛器官淋巴结转移癌检测系统与计算机设备，包括模型构建模块、图像注释与归集模块、第一样本数据集、模型训练模块、获取模块，分析模块和显示模块；模型构建模块用于建立泛器官淋巴结转移癌检测的初始学习模型；图像注释与归集模块，对所述第一样本数据集中的样本图像包含的恶性区域和淋巴结区域进行注释，通过模型训练模块对初始学习模型进行训练和优化得到深度学习模型；获取模块获取患者的第一病理切片；分析模块调取深度学习模型对患者的第一病理切片进行分析，得到患者的癌细胞数量及其位置信息；显示模块对输出患者的癌细胞数量及其位置信息。本发明在满足检测准确性的前提下提高检测效率，并节约了人力成本。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种泛器官淋巴结转移癌检测系统与计算机设备。
背景技术
随着人口老龄化、工业化、城市化进程的加剧、生活方式的改变等原因，癌症的发病率呈现逐渐升高的趋势。如今癌症已经成为影响我们生活质量和健康水平的主要障碍之一。泛器官淋巴结转移癌是一种常见的癌症类型，早期发现和诊断对于治疗和预后具有重要意义。传统的医学影像分析方法需要医生进行手动分析和判断，存在诊断时间长、误差大等问题。因此，迫切需要建立一个人工智能系统来实现对医学影像的自动分析和诊断。
发明内容
为了解决上述技术问题，本发明提供了一种为了解决上述技术问题，本发明提供了一种泛器官淋巴结转移癌检测系统，包括：模型构建模块、图像注释与归集模块、第一样本数据集、模型训练模块、获取模块，分析模块和显示模块；模型构建模块，用于建立泛器官淋巴结转移癌检测的初始学习模型；图像注释与归集模块，其被配置为对所述第一样本数据集中的样本图像包含的恶性区域和淋巴结区域进行注释，然后进行分类归集得到训练集、验证集和测试集；模型训练模块，用于采用训练集对初始学习模型进行预训练后得到训练后的深度学习模型；采用验证集对训练后的深度学习模型进行验证，根据验证情况进行调参处理；得到调参后的深度学习模型；采用测试集对调参后的深度学习模型进行性能评估，评估合格得到训练优化后的深度学习模型；获取模块，其被配置为获取患者的第一病理切片；分析模块，用于调取训练优化后的深度学习模型，对患者的第一病理切片进行分析，得到患者的癌细胞数量及其位置信息；显示模块，其被配置为输出患者的癌细胞数量及其位置信息。
可选地，所述训练集包括：605个淋巴结切片图像，其中520个淋巴结切片图像为恶性肿瘤淋巴结切片图像，其被配置为用于对初始学习模型进行预训练后得到训练后的深度学习模型；所述验证集包括：610个淋巴结切片图像其中包含341个恶性肿瘤淋巴结切片图像，其被配置为用于对训练后的深度学习模型进行验证，根据验证情况进行调参处理；所述测试集包括：1402个淋巴结切片图像其中包含768个恶性肿瘤淋巴结切片图像，用于对调参后的深度学习模型进行性能评估，评估合格得到训练优化后的深度学习模型。
可选地，所述图像注释与归集模块包括：恶性区域注释单元和淋巴结区域注释单元；所述恶性区域注释单元和淋巴结区域注释单元分别用于对所述训练集的恶性区域和淋巴结区域进行注释从而获取癌症检测区域图像。
可选地，所述恶性区域注释单元和淋巴结区域注释单元被配置为对所述癌症检测区域图像的缩略图进行处理生成二值化图像；并对所述二值化图像进行瓦片化处理，获取训练样本。
可选地，还包括：曲率空间金字塔池模块，所述曲率空间金字塔池模块用于对染色全切片图像进行分析、提取图像特征用于分析所述第一样本数据集中的癌细胞数量及其位置信息。
可选地，所述淋巴结切片图像至少来自两个器官。
可选地，所述曲率空间金字塔池模块包括归一化层单元、金字塔融合模块和至少一个空洞卷积单元，所述空洞卷积模块内设有曲率，具体包括：所述空洞卷积单元被配置为提取癌症检测区域图像特征；所述归一化层单元被配置为对所述图像特征进行连接获得全连接数据；所述金字塔融合模块被配置为对全连接数据进行提取特征数据获得并将所述特征数据进行融合得到最终结果，所述特征数据至少包括一种识别数据。
可选地，所述训练样本包括至少一个320乘320像素的所述训练瓦片。
可选地，所述设置癌症和淋巴结检测的深度学习模型基于DeepLabv3和ResNet-50架构作为骨架实现。
本发明的泛器官淋巴结转移癌检测系统，基于卷积神经网络对现有的多个器官淋巴结转移癌检病理模块图片进行分割、提取、融合训练对淋巴结转移癌进行识别，基于空洞卷积的优势既可以识别不同尺寸的淋巴结转移癌区域，又可以保证分割精度。并对融合后的数据进行筛选，优化曲率空间金字塔池(ASPP)模块，从而更好的适应病理诊断的场景。使得服务器在识别多各器官的淋巴结转移癌区域时既可以满足病例检测的清晰度，同时可以达到对多个器官通过淋巴结转移癌细胞的有效识别、并进行自动检测和诊断。检测效率高，可以大大缩短诊断时间，提高诊断准确率。具有较强的泛化能力和识别能力，能够处理不同类型和规模的医学影像数据。
本发明的另一目的在于提供一种计算机设备，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的泛器官淋巴结转移癌检测系统。
所述计算机程序被所述处理器读取并运行时，实现如上所述的泛器官淋巴结转移癌检测系统可以辅助实现泛器官淋巴结转移癌的快速、准确检测，同时减少了医生的工作负担和检测时间。极大程度上降低了人力成本，通过构建初始学习模型，在自动对病理图像进行注释和分类归集的基础上得到训练集、验证集和测试集。使用训练集对初始学习模型进行预训练，使用验证集对模型进行调参和优化，最终使用测试集对模型进行性能评估，得到优化后的深度学习模型。通过获取患者的第一病理切片，可以调用训练优化后的深度学习模型对患者的癌细胞数量及其位置信息进行分析，最终输出患者的癌细胞数量及其位置信息。这些信息可以帮助医生快速准确地诊断患者，提高治疗效果和生存率，减少了医疗资源的浪费。
所述计算机设备相对于现有技术与所述泛器官淋巴结转移癌检测系统所具有的优势相同，在此不再赘述。
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为本发明实施例中一种泛器官淋巴结转移癌检测系统结构图；
图2为本发明实施例中曲率空间金字塔池模块对患者的第一病理切片的处理流程示意图；
图3为本发明实施例中的泛器官淋巴结转移癌检测计算机设备示意图。
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。
如图1所示，本发明实施例提供了一种泛器官淋巴结转移癌检测系统，其特征在于，包括：模型构建模块、图像注释与归集模块、第一样本数据集、模型训练模块、获取模块，分析模块和显示模块；模型构建模块，用于建立泛器官淋巴结转移癌检测的初始学习模型；图像注释与归集模块，其被配置为对所述第一样本数据集中的样本图像包含的恶性区域和淋巴结区域进行注释，然后进行分类归集得到训练集、验证集和测试集；模型训练模块，用于采用训练集对初始学习模型进行预训练后得到训练后的深度学习模型；采用验证集对训练后的深度学习模型进行验证，根据验证情况进行调参处理；得到调参后的深度学习模型；采用测试集对调参后的深度学习模型进行性能评估，评估合格得到训练优化后的深度学习模型；获取模块，其被配置为获取患者的第一病理切片；分析模块，用于调取训练优化后的深度学习模型，对患者的第一病理切片进行分析，得到患者的癌细胞数量及其位置信息；显示模块，其被配置为输出患者的癌细胞数量及其位置信息。
上述技术方案的工作原理为：模型构建模块用于建立泛器官淋巴结转移癌检测的初始学习模型，这是一个深度学习模型，可能使用卷积神经网络(CNN)等技术。图像注释与归集模块被配置为对第一样本数据集中的样本图像进行注释，包括恶性区域和淋巴结区域，并根据注释结果对图像进行分类归集得到训练集、验证集和测试集。模型训练模块用于采用训练集对初始学习模型进行预训练，然后使用验证集对模型进行调参，最终得到调参后的深度学习模型。使用测试集对模型进行性能评估，评估合格后得到训练优化后的深度学习模型。获取模块被配置为获取患者的第一病理切片，即患者的病理图像。分析模块调用训练优化后的深度学习模型，对患者的第一病理切片进行分析，得到患者的癌细胞数量及其位置信息。显示模块被配置为输出患者的癌细胞数量及其位置信息的工作原理，可能以可视化方式呈现这些信息。
上述技术方案的有益效果为：通过对癌症和淋巴结检测的深度学习模型进行标注训练，构建泛器官淋巴结转移癌检测系统。通过泛器官淋巴结转移癌检测系统进行检测，第一样本数据集的接受者操作特征(ROC)曲线下面积(AUC)达到了0.958，癌症和淋巴结检测的深度学习模型自主学习训练得到了良好的效果，通过癌症和淋巴结检测的深度学习模型进行标注训练，构建泛器官淋巴结转移癌检测系统，在保证检验的可靠性的基础上，有效的解决了医生进行手动分析和判断，诊断时间长、误差大的问题。
AUC是衡量学习器优劣的一种性能指标,用于二分类模型的评价。其介于0.1和1之间。值越大越好。其意义在于:如果两条ROC曲线没有相交,可以根据曲线最靠近左上角的这一条来判断学习器性能是最好的。但如果两条ROC曲线发生交叉,此时如果进行比较,则使用ROC曲线下面积更合适。AUC的计算方法同时考虑了分类器对于正例和负例的分类能力,在样本不平衡的情况下,依然能够双分类器作出合理的评价。
在一个实施例中，所述训练集包括：605个淋巴结切片图像，其中520个淋巴结切片图像为恶性肿瘤淋巴结切片图像，其被配置为用于对初始学习模型进行预训练后得到训练后的深度学习模型；所述验证集包括：610个淋巴结切片图像其中包含341个恶性肿瘤淋巴结切片图像，其被配置为用于对训练后的深度学习模型进行验证，根据验证情况进行调参处理；所述测试集包括：1402个淋巴结切片图像其中包含768个恶性肿瘤淋巴结切片图像，用于对调参后的深度学习模型进行性能评估，评估合格得到训练优化后的深度学习模型。
上述技术方案的工作原理为：通过对中国医学科学院肿瘤医院(CHCAMS)2017年1月至2019年1月的605个进行像素级注释的苏木精和伊红(H&E)染色全切片图像(WSIs)，将其制作第一样本数据集，所述第一样本数据集包括七个器官的染色全切片图像。
上述技术方案的有益效果为：将训练集用于深度学习模型的训练，验证集用于调整模型的超参数以及验证模型的性能，测试集用于评估模型的性能。通过这三个数据集的训练、验证和测试，可以得到一个准确性更高的深度学习模型，用于检测泛器官淋巴结转移癌，从而提高检测的准确性。
在一个实施例中，所述图像注释与归集模块包括：恶性区域注释单元和淋巴结区域注释单元；所述恶性区域注释单元和淋巴结区域注释单元分别用于对所述训练集的恶性区域和淋巴结区域进行注释从而获取癌症检测区域图像。
上述技术方案的工作原理为：通过数据处理模块获取所述对淋巴结切片图像的恶性区域和淋巴结区域的注释中的封闭曲线，并对所述封闭曲线内的区域创建像素级标签。并填入它们的包围区域以创建像素级标签。在叠加曲线的情况下，最外层的曲线最初被填充，并对所述封闭曲线内的区域创建像素级标签。
上述技术方案的有益效果为：通过对对所述封闭曲线内的区域创建像素级标签，可以有效地提高在检测过程中的精确性，同时有助于降低工作人员在进行复查时的检验难度，提高判断的准确性。
在一个实施例中，所述恶性区域注释单元和淋巴结区域注释单元被配置为对所述癌症检测区域图像的缩略图进行处理生成二值化图像；并对所述二值化图像进行瓦片化处理，获取训练样本。
上述技术方案的工作原理为：所述恶性区域注释单元和淋巴结区域注释单元被配置为对所述癌症检测区域图像的缩略图进行处理生成二值化图像；并对所述二值化图像进行瓦片化处理，获取训练样本。
上述技术方案的有益效果为：通过获取二值化图像的组织坐标可以更好的对泛器官淋巴结转移癌进行识别，从而提高准确性。
在一个实施例中，还包括：曲率空间金字塔池模块，所述曲率空间金字塔池模块用于对染色全切片图像进行分析、提取图像特征用于分析所述第一样本数据集中的癌细胞数量及其位置信息。
上述技术方案的工作原理为：曲率空间金字塔池模块是一种用于对染色全切片图像进行分析、提取图像特征的模块。它可以对图像进行多尺度分析，提取不同尺度下的图像特征，并将这些特征进行池化，从而得到一个更加紧凑的表示。这个表示可以被用于分析所述第一样本数据集中的癌细胞数量及其位置信息。
曲率空间是一种用于描述曲面形状的数学工具。在曲率空间中，可以将曲面上的每个点表示为一个向量，其中包含该点的曲率信息。曲率空间金字塔池模块使用曲率空间来表示全切片图像的形状特征，并将其分解成多个尺度。在每个尺度上，可以提取不同的特征来描述图像的形状和纹理信息。
在将图像特征提取出来之后，曲率空间金字塔池模块会对这些特征进行池化。池化是一种对特征进行降维的操作，用于分析癌细胞数量及其位置信息。曲率空间金字塔池模块利用曲率空间来描述图像形状，同时使用金字塔结构和池化操作来实现多尺度分析和特征提取。
上述技术方案的有益效果为：通过曲率空间金字塔池模块对数据进行分析可以有效排出模糊数据，从而提高判断的准确性。
在一个实施例中，所述淋巴结切片图像至少来自两个器官。
上述技术方案的有益效果为：通过对多个器官的染色全切片图像进行训练，可以避免对单一器官的图片进行训练从而对其他器官的数据缺乏训练而导致无法即使发现淋巴结转移癌的问题。
在一个实施例中，所述曲率空间金字塔池模块包括归一化层单元、金字塔融合模块和至少一个空洞卷积单元，所述空洞卷积模块内设有曲率，具体包括：所述空洞卷积单元被配置为提取癌症检测区域图像特征；所述归一化层单元被配置为对所述图像特征进行连接获得全连接数据；所述金字塔融合模块被配置为对全连接数据进行提取特征数据获得并将所述特征数据进行融合得到最终结果，所述特征数据至少包括一种识别数据。
上述技术方案的工作原理为：如图2所示，每个空洞卷积层提取的特征在单独的分支中进行进一步处理，得到特征数据。
空洞卷积单元通过过滤器对图像特征进行降维处理，提取出核心的特征，过滤器一般有四个参数，即过滤器大小、深度、步幅和零填充。根据实际需要设计出最合适的参数，得出特征图。本实施例中过滤器采用2*2大小的过滤器窗口，提取癌症检测区域图像特征的计算公式为:
其中，aij为癌症检测区域图像特征值，i与j为卷积核中的第m行、第n列的权重值(也称为卷积核系数)；癌症检测区域图像的行数与列数；m与n为过滤器的行数与列数；Wm，n为过滤；Xi+m，j+n为输入的癌症检测区域图像中以第i+m行、第j+n列为左上角位置的子图像的权重值；Wb为权重的偏置。
通过归一化层模块对所述特征数据进行连接获得全连接数据。
通过所述金字塔融合模块对全连接数据进行筛选并将所述全连接数据进行融合为最终结果。
上述技术方案的有益效果为：有效避免了对图像区域裁剪、缩放操作导致的图像失真等问题；过滤器采用2*2大小的过滤器窗口，避免了由于过大的窗口会增加计算量，另一方面也是为了避免损失太多信息，本解决了卷积神经网络对图相关重复特征提取的问题，大大提高了产生候选框的速度，且节省了计算成本，通过上述技术方案，可以有效地提取癌症检测区域图像的特征，进而实现对癌症高效、准确和可靠的检测，在医学领域具有广泛的应用前景。
在一个实施例中，所述设置癌症和淋巴结检测的深度学习模型基于DeepLabv3和ResNet-50架构作为骨架实现。
上述技术方案的工作原理为：：DeepLabv3和ResNet-50是两种常用的深度学习架构，都在计算机视觉领域中得到了广泛应用。DeepLab v3是一种语义分割模型，能够将图像中的每个像素分类为不同的类别，例如人、车、树等。而ResNet-50则是一种卷积神经网络架构，能够提取图像特征并进行分类。
在癌症检测方面，可以利用这两种架构来搭建深度学习模型。首先使用ResNet-50作为骨架网络，提取图像中的特征；然后使用DeepLab v3对这些特征进行语义分割，将肿瘤区域与正常组织区域进行区分。
上述技术方案的有益效果为：通过这种方式，可以有效地检测出患者体内的肿瘤，并对其进行定位和分类。同时，在训练模型时还可以采用数据增强、迁移学习等技术来提高模型性能和准确率。总之，利用DeepLab v3和ResNet-50构建深度学习模型可以有效地辅助医生进行癌症检测和诊断，提高诊断效率和准确性。
在另一实施例中，如图3所示，本发明还提供了一种设备，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的泛器官淋巴结转移癌检测系统，缩短诊断时间，提高诊断准确率。
所述计算机设备相对于现有技术与所述泛器官淋巴结转移癌检测系统所具有的优势相同，在此不再赘述。
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)
1.一种泛器官淋巴结转移癌检测系统，其特征在于，包括模型构建模块、图像注释与归集模块、第一样本数据集、模型训练模块、获取模块，分析模块和显示模块，第一样本数据集包括预先保存的若干已往泛器官淋巴结转移癌患者的病理图像，采用病理图像作为样本图像；；
模型构建模块，用于建立泛器官淋巴结转移癌检测的初始学习模型；
图像注释与归集模块，其被配置为对所述第一样本数据集中的样本图像包含的恶性区域和淋巴结区域进行注释，然后进行分类归集得到训练集、验证集和测试集；
模型训练模块，用于采用训练集对初始学习模型进行预训练后得到训练后的深度学习模型；采用验证集对训练后的深度学习模型进行验证，根据验证情况进行调参处理；得到调参后的深度学习模型；采用测试集对调参后的深度学习模型进行性能评估，评估合格得到训练优化后的深度学习模型；
获取模块，其被配置为获取患者的第一病理切片；
分析模块，用于调取训练优化后的深度学习模型，对患者的第一病理切片进行分析，得到患者的癌细胞数量及其位置信息；
显示模块，其被配置为输出患者的癌细胞数量及其位置信息。
2.根据权利要求1所述的一种泛器官淋巴结转移癌检测系统，其特征在于，所述训练集包括：605个淋巴结切片图像，其中520个淋巴结切片图像为恶性肿瘤淋巴结切片图像，其被配置为用于对初始学习模型进行预训练后得到训练后的深度学习模型；
所述验证集包括：610个淋巴结切片图像其中包含341个恶性肿瘤淋巴结切片图像，其被配置为用于对训练后的深度学习模型进行验证，根据验证情况进行调参处理；
所述测试集包括：1402个淋巴结切片图像其中包含768个恶性肿瘤淋巴结切片图像，用于对调参后的深度学习模型进行性能评估，评估合格得到训练优化后的深度学习模型。
3.根据权利要求1所述的一种泛器官淋巴结转移癌检测系统，其特征在于，所述图像注释与归集模块包括：恶性区域注释单元和淋巴结区域注释单元；所述恶性区域注释单元和淋巴结区域注释单元分别用于对所述训练集的恶性区域和淋巴结区域进行注释从而获取癌症检测区域图像。
4.根据权利要求3所述的一种泛器官淋巴结转移癌检测系统，其特征在于，所述恶性区域注释单元和淋巴结区域注释单元被配置为对所述癌症检测区域图像进行处理生成二值化图像；并对所述二值化图像进行瓦片化处理，获取训练样本。
5.根据权利要求1所述的一种泛器官淋巴结转移癌检测系统，其特征在于，还包括：曲率空间金字塔池模块，所述曲率空间金字塔池模块用于对染色全切片图像进行分析、提取图像特征用于分析所述第一样本数据集和患者的第一病理切片中的癌细胞数量及其位置信息。
6.根据权利要求1所述的一种泛器官淋巴结转移癌检测系统，其特征在于，所述淋巴结切片图像至少来自两个器官。
7.根据权利要求5所述的一种泛器官淋巴结转移癌检测系统，其特征在于，所述曲率空间金字塔池模块包括归一化层单元、金字塔融合模块和至少一个空洞卷积单元，所述空洞卷积模块内设有曲率，具体包括：
所述空洞卷积单元被配置为提取癌症检测区域图像特征；
所述归一化层单元被配置为对所述图像特征进行连接获得全连接数据；
所述金字塔融合模块被配置为对全连接数据进行提取特征数据获得并将所述特征数据进行融合得到最终结果，所述特征数据至少包括一种识别数据。
8.根据权利要求4所述的一种泛器官淋巴结转移癌检测系统，其特征在于，所述训练样本包括至少一个320乘320像素的训练瓦片。
9.根据权利要求1所述的一种泛器官淋巴结转移癌检测系统，其特征在于，所述初始深度学习模型基于DeepLabv3和ResNet-50架构作为骨架实现。
10.一种计算机设备，其特征在于，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，用于装载并运行权利要求1-9任一项所述的泛器官淋巴结转移癌检测系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310617582.7A CN116862836A (zh) | 2023-05-30 | 2023-05-30 | 一种泛器官淋巴结转移癌检测系统及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310617582.7A CN116862836A (zh) | 2023-05-30 | 2023-05-30 | 一种泛器官淋巴结转移癌检测系统及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116862836A true CN116862836A (zh) | 2023-10-10 |
Family
ID=88231117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310617582.7A Pending CN116862836A (zh) | 2023-05-30 | 2023-05-30 | 一种泛器官淋巴结转移癌检测系统及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116862836A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117454940A (zh) * | 2023-12-21 | 2024-01-26 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 训练方法和用于预测甲状腺结节转移情况的图像处理方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109308695A (zh) * | 2018-09-13 | 2019-02-05 | 镇江纳兰随思信息科技有限公司 | 基于改进U-net卷积神经网络模型的癌细胞识别方法 |
| CN110310289A (zh) * | 2019-06-17 | 2019-10-08 | 北京交通大学 | 基于深度学习的肺部组织图像分割方法 |
| CN111007566A (zh) * | 2019-12-27 | 2020-04-14 | 西南石油大学 | 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 |
| CN111798410A (zh) * | 2020-06-01 | 2020-10-20 | 深圳市第二人民医院(深圳市转化医学研究院) | 基于深度学习模型的癌细胞病理分级方法、装置、设备和介质 |
| KR20200120311A (ko) * | 2019-04-12 | 2020-10-21 | 계명대학교 산학협력단 | 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치 |
| CN113034473A (zh) * | 2021-03-26 | 2021-06-25 | 中国计量大学 | 基于Tiny-YOLOv3的肺炎图像目标检测方法 |
| CN113689441A (zh) * | 2021-08-30 | 2021-11-23 | 华东师范大学 | 一种基于DeepLabV3网络的左心室超声动态分割方法 |
| CN113762166A (zh) * | 2021-09-09 | 2021-12-07 | 中国矿业大学 | 一种基于可穿戴式装备的小目标检测改善方法及系统 |
| CN114898097A (zh) * | 2022-06-01 | 2022-08-12 | 首都师范大学 | 图像识别方法及系统 |
| CN115100473A (zh) * | 2022-06-29 | 2022-09-23 | 武汉兰丁智能医学股份有限公司 | 基于并行神经网络的肺部细胞图像分类方法 |
| 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 |
| CN115294417A (zh) * | 2021-04-16 | 2022-11-04 | 富士通株式会社 | 用于图像处理的方法、设备和存储介质 |
| CN115546492A (zh) * | 2022-11-30 | 2022-12-30 | 苏州浪潮智能科技有限公司 | 一种图像实例分割方法、系统、设备以及存储介质 |
| CN115760875A (zh) * | 2022-11-15 | 2023-03-07 | 长三角信息智能创新研究院 | 一种基于自监督学习的全视野医学图片区域分割方法 |
-
2023
- 2023-05-30 CN CN202310617582.7A patent/CN116862836A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109308695A (zh) * | 2018-09-13 | 2019-02-05 | 镇江纳兰随思信息科技有限公司 | 基于改进U-net卷积神经网络模型的癌细胞识别方法 |
| KR20200120311A (ko) * | 2019-04-12 | 2020-10-21 | 계명대학교 산학협력단 | 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치 |
| CN110310289A (zh) * | 2019-06-17 | 2019-10-08 | 北京交通大学 | 基于深度学习的肺部组织图像分割方法 |
| CN111007566A (zh) * | 2019-12-27 | 2020-04-14 | 西南石油大学 | 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 |
| CN111798410A (zh) * | 2020-06-01 | 2020-10-20 | 深圳市第二人民医院(深圳市转化医学研究院) | 基于深度学习模型的癌细胞病理分级方法、装置、设备和介质 |
| CN113034473A (zh) * | 2021-03-26 | 2021-06-25 | 中国计量大学 | 基于Tiny-YOLOv3的肺炎图像目标检测方法 |
| CN115294417A (zh) * | 2021-04-16 | 2022-11-04 | 富士通株式会社 | 用于图像处理的方法、设备和存储介质 |
| CN113689441A (zh) * | 2021-08-30 | 2021-11-23 | 华东师范大学 | 一种基于DeepLabV3网络的左心室超声动态分割方法 |
| CN113762166A (zh) * | 2021-09-09 | 2021-12-07 | 中国矿业大学 | 一种基于可穿戴式装备的小目标检测改善方法及系统 |
| CN114898097A (zh) * | 2022-06-01 | 2022-08-12 | 首都师范大学 | 图像识别方法及系统 |
| CN115100473A (zh) * | 2022-06-29 | 2022-09-23 | 武汉兰丁智能医学股份有限公司 | 基于并行神经网络的肺部细胞图像分类方法 |
| 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 |
| CN115760875A (zh) * | 2022-11-15 | 2023-03-07 | 长三角信息智能创新研究院 | 一种基于自监督学习的全视野医学图片区域分割方法 |
| CN115546492A (zh) * | 2022-11-30 | 2022-12-30 | 苏州浪潮智能科技有限公司 | 一种图像实例分割方法、系统、设备以及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| JEONG HOON LEE等: "Application of deep learning to the diagnosis of cervical lymph node metastasis from thyroid cancer with CT", 《EUROPEAN RADIOLOGY》, vol. 29, pages 5452, XP036875392, DOI: 10.1007/s00330-019-06098-8 * |
| 杨聪敏: "基于深度学习的甲状腺癌及其淋巴结转移的计算机辅助诊断", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 02, pages 072 - 2167 * |
| 熊川等: "《医学计算机应用基础》", 北京邮电大学出版社, pages: 292 - 295 * |
| 郭永存等: "嵌入空洞卷积和批归一化模块的智能煤矸识别算法", 《矿业安全与环保》, pages 1 - 6 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117454940A (zh) * | 2023-12-21 | 2024-01-26 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 训练方法和用于预测甲状腺结节转移情况的图像处理方法 |
| CN117454940B (zh) * | 2023-12-21 | 2024-04-09 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 训练方法和用于预测甲状腺结节转移情况的图像处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
| CN111488921B (zh) | 一种全景数字病理图像智能分析系统及方法 | |
| CN109903284B (zh) | 一种her2免疫组化图像自动判别方法及系统 | |
| 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 | |
| CN111931811B (zh) | 一种基于超像素图像相似度的计算方法 | |
| CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
| CN111798425B (zh) | 基于深度学习的胃肠道间质瘤中核分裂象智能检测方法 | |
| CN111598875A (zh) | 甲状腺结节自动检测模型构建方法、系统及装置 | |
| CN110969204B (zh) | 基于磁共振图像与数字病理图像融合的样本分类系统 | |
| CN110729045A (zh) | 一种基于上下文感知残差网络的舌图像分割方法 | |
| CN114565761A (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 | |
| CN111402254A (zh) | 一种ct图像肺结节高性能自动检测方法及装置 | |
| CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
| CN115909006B (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
| CN112233061A (zh) | 一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法 | |
| CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
| CN112263217B (zh) | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 | |
| CN107358611A (zh) | 一种全景扫描病理图像转移区域的自动分割方法 | |
| CN113269799A (zh) | 一种基于深度学习的宫颈细胞分割方法 | |
| CN116862836A (zh) | 一种泛器官淋巴结转移癌检测系统及计算机设备 | |
| CN112861994A (zh) | 基于Unet迁移学习的胃印戒细胞癌图像智能分类系统 | |
| CN111222393A (zh) | 一种基于自学习神经网络的病理切片中印戒细胞检测方法 | |
| CN113902669A (zh) | 一种尿脱落细胞液基涂片的阅片方法及系统 |
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 |