[发明专利]一种基于深度学习的病理图像自动识别系统及其训练方法

权利要求书

1.一种基于深度学习的病理图像自动识别系统训练方法，其特征在于，包括以下步骤：

步骤(a)，图像分割，标记肿瘤区域和淋巴结区域；

步骤(b)，根据标记的肿瘤区域和淋巴结区域，获取肿瘤感兴趣区域和淋巴结感兴趣区域；

步骤(c)，提取肿瘤感兴趣区域和淋巴结感兴趣区域中的影像组学特征，其中，肿瘤感兴趣区域的影像组包含原始图像以及在原始图像上通过内置的6个可选过滤器生成的衍生图像，淋巴结感兴趣区域的影像组包含原始图像和小波图像；

步骤(d)，利用Pearson相关矩阵推演成对的影像组学特征的相关性，具有最大绝对相关系数平均值的影像组学特征被认为是冗余的，消除冗余的影像组学特征；

步骤(e)，通过序列浮动前向选择算法进一步确定肿瘤感兴趣区域和淋巴结感兴趣区域中的最优影像组学特征；

步骤(f)，以肿瘤感兴趣区域和淋巴结感兴趣区域中的最优影像组学特征构建训练集，进行多变量Logistic回归分析以预测淋巴结转移；

步骤(g)，构建独立验证集对训练集进行验证；

步骤(h)，当训练集的预测有效性达到预设值，则训练结束；当训练集的预测有效性低于预设值，重新构建训练集进行训练。

2.如权利要求1所述的一种基于深度学习的病理图像自动识别系统训练方法，其特征在于，所述影像组学特征均进行了z-Score标准化。

3.如权利要求1所述的一种基于深度学习的病理图像自动识别系统训练方法，其特征在于，所述步骤(e)，还包括：用影像组学特征指标ROC曲线下的面积AUC值作为序列浮动前向选择算法的评分标准，以获得肿瘤感兴趣区域和淋巴结感兴趣区域中的最优影像组学特征。

4.一种基于深度学习的病理图像自动识别系统，其特征在于，该系统由权利要求1至3任一项所述的训练方法训练获得。