[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

说明书

本发明提出了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；步骤(b)，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；步骤(d)，消除冗余的影像组学特征；步骤(e)，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)，以最优影像组学特征构建训练集，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。本发明的训练方法可以提高预测胃癌淋巴结转移的有效性。

技术领域

本发明涉及图像识别领域，特别涉及一种基于深度学习的病理图像自动识别系统训练方法，以及通过该训练方法训练获得的病理图像自动识别系统。

背景技术

胃癌是全球常见的恶性肿瘤之一，预后差，严重威胁人类健康。根据GLOBOCAN的最新统计数据，2018年全球胃癌新发病例约103.3万例，死亡病例约78.3万例，分别位于恶性肿瘤发病率第5位、死亡率第2位。据我国最新癌症统计信息，每年胃癌新发病例约为67.9万例，死亡病例约为49.8万例，发病人数和死亡人数均居所有恶性肿瘤第2位。在胃癌中，淋巴结转移被认为是重要的预后因素。

全扫面切片技术可以实现病理切片数字化，随着全切片图像的采集、处理和分析方面技术的发展，数字病理在过去的十年内逐渐的应用到科研及临床中，但是目前，在日常病理切片诊断过程中，医生通常通过逐片阅读对整张切片中存在的转移性淋巴结进行检测并分类，筛选出最终确定转移性淋巴结的图像和位置，因此，医生的工作量非常大，而且效率低。

目前，人工智能已经取得飞速发展，深度学习算法在图像识别领域已取得较好成效，基于深度学习算法的智能识别系统在医学图像的识别领域已有应用，但对于胃癌转移性淋巴结识别的准确性较低，如何通过人工智能实现胃癌转移淋巴结自动识别并保证较高精度，是目前亟待解决的问题。

发明内容

本发明提出一种基于深度学习的病理图像自动识别系统训练方法，用于训练一种病理图像自动识别系统，提高胃癌转移淋巴结切片图像识别精度。本发明还提出一种基于深度学习的病理图像自动识别系统，该系统由上述训练方法训练获得。

根据本发明的第一方面，提出了一种基于深度学习的病理图像自动识别系统训练方法。

在一些实施例中，基于深度学习的病理图像自动识别系统训练方法包括以下步骤：

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；

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。

可选地，所述步骤(c)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。

可选地，所述步骤(c)中，淋巴结感兴趣区域的影像组包含原始图像和小波图像。