[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

说明书

本发明提供一种基于深度可分离卷积的病理图像识别方法及系统，其中方法包括获取病理组织显微图像，还包括以下步骤：制备病理图片数据集；设计和训练深度神经网络模型；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；对所述识别结果进行二次校验。本发明提出的基于深度可分离卷积的病理图像识别方法及系统，对于分类数据集小的采用扩充样本的方法进行制备，输入到训练好的深度神经网络模型中，并对识别结果进行二次校验，能够有效提高计算机自动识别良性和恶性肿瘤能力。

技术领域

本发明涉及图像处理技术和计算机视觉的技术领域，特别是一种基于深度可分离卷积的病理图像识别方法及系统。

背景技术

恶性肿瘤(癌症)已经成为严重威胁中国人群健康的主要公共卫生问题之一，根据最新的统计数据显示，恶性肿瘤死亡占居民全部死因的23.91％，且近十几年来恶性肿瘤的发病死亡均呈持续上升态势,每年恶性肿瘤所致的医疗花费超过2200亿，防控形势严峻。病理学组织图像诊断在最终确诊、分级和分期方面占有重要地位，病理学图像诊断对于后期治疗具有更加重要的意义。

一般病理学组织图像诊断主要由经验丰富的病理学专家来完成，即使是经验丰富的病理学家也存在误诊或漏诊情况，而且耗费较多的人力和时间。准确的病理诊断，减少漏诊、误诊率，减少或杜绝对患者病情的延误治疗或者过度治疗，在医学领域具有重要的价值和意义。

目前，对病理图像辅助诊断的研究主要有人工提取特征的传统图像处理和基于深度学习的图像处理两种方法。传统图像处理方法需要人工提取图像特征，存在人工提取特征过程复杂度高、测试识别准确度低和泛化能力差等问题。由于深度学习有着极强的特征自动抽取能力，可以解决传统机器学习对手工提取特性的依赖。本发明利用深度可分离卷积技术的神经网络模型来解决病理图像识别问题。病理组织图像分类识别与传统的图像分类识别(如猫狗的识别)在图像特点和数据集规模上有所不同，病理组织图像具有差异性模糊、特征的多样性、细胞重叠现象、颜色分布不均等特点，目前公开的病理组织图像数据集规模较小，因此合理增强数据集，设计合理的学习模型可以有效提高计算机自动识别良性和恶性肿瘤。

公开号为CN108596882A的发明专利公开了一种病理图片的识别方法及装置，其中该方法包括：获得样本数据，所述样本数据包括正样本和负样本，所述正样本为恶性病变病理图片，所述负样本为正常或良性病变病理图片，所述恶性病变病理图片上标记出病变区域；将所述样本数据划分为训练集和测试集；利用所述训练集对深度神经网络模型进行训练；利用所述测试集对训练好的深度神经网络模型进行测试；根据测试结果对训练好的深度神经网络模型进行参数调整；利用训练好的深度神经网络模型对病理图片进行识别。该方法的缺点是虽然能准确识别病理组织是良性还是恶性，但是不能对病理组织进行分型分级。

发明内容

为了解决上述的技术问题，本发明提出的基于深度可分离卷积的病理图像识别方法及系统，对于分类数据集小的采用扩充样本的方法进行制备，输入到训练好的深度神经网络模型中，并对识别结果进行二次校验，能够有效提高计算机自动识别良性和恶性肿瘤能力。

本发明的第一目的是提供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，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。

优选的是，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。