[发明专利]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

权利要求书

1.一种基于深度学习模型的癌细胞病理分级的方法，其特征在于，所述方法包括：

获取已诊断患者的至少两个待处理数字医学图像，对所述已诊断患者的所述至少两个待处理数字医学图像进行位置配准，得到至少两个配准数字医学图像；

对所述至少两个配准数字医学图像进行叠加，得到对应所述已诊断患者的叠加数字医学图像；

对所述叠加数字医学图像进行图像处理，获取训练图像集合；

将所述训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型；

获取待诊断患者的待诊断数字医学图像，将所述待诊断数字医学图像输入到所述目标深度学习模型中，获取所述待诊断患者的癌细胞病理分级。

2.根据权利要求1所述的方法，其特征在于，在所述得到对应所述已诊断患者的叠加数字医学图像之后，还包括：

将所述叠加数字医学图像划分为初始训练集、初始验证集、初始测试集；

所述对所述叠加数字医学图像进行图像处理，获取训练图像集合，包括：

对所述初始训练集中的所有所述叠加数字医学图像进行切割处理，得到切割数字医学图像；其中，所述切割数字医学图像内包括至少一个肿瘤；

对所述切割数字医学图像进行旋转处理和/或翻转处理，得到调整数字医学图像；

在所述调整数字医学图像的预设采样范围内进行采样，得到采样数字医学图像，将所有的所述采样数字医学图像作为扩增训练集；

将所述扩增训练集、所述初始验证集、初始测试集作为训练图像集合。

3.根据权利要求2所述的方法，其特征在于，所述将所述训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型，包括：

将所述扩增训练集作为输入数据输入所述卷积神经网络，以用于设置所述卷积神经网络的模型参数，得到至少一个训练深度学习模型；

将所述初始验证集输入每个所述训练深度学习模型，记录每个所述训练深度学习模型的训练准确率，以所述训练准确率为标准对所述至少一个训练深度学习模型进行筛选，得到目标深度学习模型；

将所述初始测试集输入到所述目标深度学习模型中以评价所述目标深度学习模型的模型性能，若所述目标深度学习模型的模型性能符合预设标准，则判定所述目标深度学习模型训练完成。

4.根据权利要求1所述的方法，其特征在于，在所述将所述训练图像集合输入卷积神经网络进行模型训练，得到目标深度学习模型之后，还包括：

通过随机梯度下降法对所述目标深度学习模型进行模型参数优化，得到优化后的目标深度学习模型。

5.根据权利要求1所述的方法，其特征在于，所述获取已诊断患者的至少两个待处理数字医学图像包括：

获取所述已诊断患者在预设扫描时期和/或预设扫描序列中的至少两个待处理数字医学图像。

6.根据权利要求1所述的方法，其特征在于，所述对所述已诊断患者的所述至少两个待处理数字医学图像进行位置配准，包括：

将所述至少两个待处理数字医学图像中的任一待处理数字医学图像作为参考图像，将其余待处理数字医学图像作为感测图像；

获取所述参考图像中特征对象的参考位置信息和每个所述感测图像中特征对象的感测位置信息，根据所述参考位置信息和所述感测位置信息估计所述感测图像和所述参考图像的映射函数的类型和参数；

根据所述映射函数对每个所述感测图像进行转换，以使得所述感测图像与所述参考图像配准。

7.根据权利要求1所述的方法，其特征在于，在所述对所述至少两个配准数字医学图像进行叠加，得到对应所述已诊断患者的叠加数字医学图像之前，还包括：

获取所有所述配准数字医学图像的目标窗宽窗位值，根据所述目标窗宽窗位值对对应的所述配准数字医学图像的组织密度值进行灰度范围标准化处理。