[发明专利]一种基于深度可分离卷积的病理图像识别方法及系统

权利要求书

1.一种基于深度可分离卷积的病理图像识别方法，包括获取病理组织显微图像，其特征在于，还包括以下步骤：

步骤1：制备病理图片数据集；

步骤2：设计和训练深度神经网络模型；

步骤3：将所述病理图片数据集导入所述深度神经网络模型，输出识别结果；

步骤4：对所述识别结果进行二次校验。

2.如权利要求1所述的基于深度可分离卷积的病理图像识别方法，其特征在于：所述步骤1包括以下子步骤：

步骤11：对所述病理组织显微图像进行人工标记；

步骤12：对每幅已标记的所述病理组织显微图像进行图像分割，均匀等分为n个尺寸一致的小幅图片，其中，n为图像个数。

3.如权利要求2所述的基于深度可分离卷积的病理图像识别方法，其特征在于：使用Keras开源人工神经网络库，采用 Sequential序列方式创建所述深度神经网络模型。

4.如权利要求3所述的基于深度可分离卷积的病理图像识别方法，其特征在于：所述深度神经网络模型的所有卷积层都使用深度可分离卷积技术，第一个卷积层为图像的输入层，涉及图像处理的每一层均使用Batch Normalization批规范化，三次使用MaxPooling池化层，去除冗余信息，把重要的特征抽取出来，降低数据维度。

5.如权利要求4所述的基于深度可分离卷积的病理图像识别方法，其特征在于：所述深度神经网络模型的训练方法如下：

步骤21：将所述病理图片数据集按照比例随机分成训练集、验证集和测试集三个部分；

步骤22：使用数据增强技术再次增加学习样本；

步骤23：设定模型中的重要超参数；

步骤24：定义模型输出结果。

6.如权利要求5所述的基于深度可分离卷积的病理图像识别方法，其特征在于：所述训练集用于模型训练和参数学习；所述验证集用于优化模型，在训练过程中对模型进行测试，根据测试结果自动微调参数；所述测试集用于测试模型的识别和泛化能力。

7.如权利要求5所述的基于深度可分离卷积的病理图像识别方法，其特征在于：所述数据增强技术包括缩放、旋转、水平平移、垂直平移、随机错切换角度和图像水平翻转中至少一种。

8.如权利要求5所述的基于深度可分离卷积的病理图像识别方法，其特征在于：所述重要超参数包括批样本数量、epochs、学习率和丢弃比率中至少一种。

9.如权利要求5所述的基于深度可分离卷积的病理图像识别方法，其特征在于：所述模型输出结果包括绘制训练精度曲线、验证精度、训练损失曲线、验证损失曲线，敏感性、特异性、F1 score、召回率和准确率中至少一种。

10.一种基于深度可分离卷积的病理图像识别系统，包括用于获取病理组织显微图像的图像获取模块，其特征在于，还包括以下模块：

数据集制备模块：用于制备病理图片数据集；

模型设计模块：用于设计和训练深度神经网络模型；

识别模块：用于将所述病理图片数据集导入所述深度神经网络模型，输出识别结果；

二次校验模块：对所述识别结果进行二次校验。