[发明专利]基于多尺度深度学习的病理图像病灶区域检测方法

说明书

一种基于多尺度深度学习的病理图像病灶区域检测方法：对病理切片图像数据进行预处理；构建全卷积神经网络，全卷积神经网络为特征金字塔结构，特征金字塔结构中自底向上的特征提取部分由一个预训练的ResNet50组成，特征金字塔结构的自顶向下部分将ResNet50输出的特征进行融合并生成最终的概率图输出，选择Adam优化器用于对全卷积神经网络参数进行梯度更新，全卷积神经网络的损失函数选用Focal Loss损失函数，对构建好的全卷积神经网络进行训练；对全卷积神经网络进行测试，是将需要进行判断病理切片图像进行预处理后，输入到训练好的全卷积神经网络中，输出为病灶区域的二值化图像。本发明为病理医生对病人病灶区域的快速判别提供有力的参考数据。

技术领域

本发明涉及一种病理切片图像病灶区域判断系统。特别是涉及一种基于多尺度深度学习的病理图像病灶区域检测方法。

背景技术

病理诊断是疾病诊断的金标准，病理切片分析为病理诊断提供了依据。临床病理诊断的准确率与病理医生的经验直接相关，这种经验积累除了平时的学习和研究外，还与他们的阅片数量有着很大的关系，而且基于病理医生主观经验的分析结果很难复制，因此即使是经过严格培训的病理医生，他们之间对同一位患者的诊断结果也存在或多或少的差异，这种主观差异性以及之前所提到的疲劳阅片等因素势必会导致一定的误诊与漏诊。病理切片的数字化被认为是病理学发展过程中的重要转折点，高质量全切片数字化图像加速了病理图像在临床病理诊断中的应用，同时也改变了传统病理医生的阅片方式。

近年来，随着数字病理切片在临床病理诊断中的不断应用，高质量数字病理切片的大量积累为病理分析提供了大数据基础。同时深度学习在图像上近年来也取得了巨大成功，使得对于病理识别与诊断的性能提升提供了基础。深度学习中神经网络的多层构架使其可以逐层的提取原始数据中隐藏的高级抽象特征，这使得神经网络可以直接面对原始数据进行训练。当数据量不断増大的时候，神经网络的性能可以不断提高，而当下医疗行业不断增加的数据量为提升神经网络模型的性能提供了有利条件。

由于病理切片图像的高分辨率特性和临床经验的需求，导致计算机辅助诊断难度较大。

发明内容

本发明所要解决的技术问题是，提供一种基于多尺度深度学习的病理图像病灶区域检测方法。

本发明所采用的技术方案是：一种基于多尺度深度学习的病理图像病灶区域检测方法，包括如下步骤：

1)对病理切片图像数据进行预处理，包括：

(1)获得原始的数字扫病理切片图像数据集，由专业医生对数据集中的每一张病理切片图像X_i进行手工标注，所述的手工标注包含病灶、血管和脂肪区域的标注，根据手工标注的结果生成与每一张病理切片图像X_i对应的掩膜图像Yi；

(2)对病理切片图像数据集进行染色均一化处理，以适应不同染色条件下导致的切片中颜色深浅不一问题；

(3)对数据集中的每一张病理切片图像X_i进行裁剪切块，每个图像块分辨率为512×512；

2)构建全卷积神经网络，全卷积神经网络为特征金字塔结构，特征金字塔结构中自底向上的特征提取部分由一个预训练的ResNet50组成，特征金字塔结构的自顶向下部分将ResNet50输出的特征进行融合并生成最终的概率图输出，选择Adam优化器用于对全卷积神经网络参数进行梯度更新，全卷积神经网络的损失函数选用Focal Loss损失函数，对构建好的全卷积神经网络进行训练；

3)对全卷积神经网络测试时，将需要进行判断病理切片图像进行预处理后，输入到训练好的全卷积神经网络中，输出为病灶区域的二值化图像，为病理医生快速检测诊断提供参考。