[发明专利]基于深度学习的肺部全扫描图像EGFR突变预测方法和系统

权利要求书

1.基于深度学习的肺部全扫描图像EGFR突变预测方法，其特征在于，所述方法包括：

通过数据病理扫描仪获取全扫描病理图像；

将所述全扫描病理图像输入值癌区分析模型，通过所述癌区分析模型获取所述全扫描病理图像对应的像素级的癌变区域；

在所述癌变区域内筛选出含有癌症的图像块，并根据所述全扫描病理图像的EGFR突变情况，将所述图像块全部设置为阳性或者阴性；

将所述全部设置为阳性或者阴性的图像块输入值分类模型中，以有监督的方式进行二分类模型训练，通过二分类模型训练过程将所述图像块分类为EGFR突变阳性或者阴性。

2.根据权利要求1所述方法，其特征在于，所述二分类模型训练的过程中，设定不同的概率阈值，通过双阈值方法将所述图像块分类为EGFR突变阳性或者阴性。

3.根据权利要求2所述方法，其特征在于，所述双阈值方法的过程包括：

设置两组概率阈值T₁和T₂，其中，T₁和T₂之间的关系满足：T₁＞T₂；

利用所述两组概率阈值结合判断准则，对所述图像块所属的全扫描病理图像对应的病例进行诊断预测。

4.根据权利要求3所述方法，其特征在于，所述判断准则为：

在二分类模型训练过程，当所述图像块对应输出的概率大于概率阈值T₁时，将所述图像块所属的全扫描病理图像对应的病例作为阳性样本进行处理；

当所述图像块对应输出的概率小于概率阈值T₂时，将所述图像块所属的全扫描病理图像对应的病例作为阴性样本进行处理；

当所述图像块对应输出的概率在概率阈值T₁和T₂之间时，通过PCR/NGS对所述图像块所属的全扫描病理图像对应的病例进行进一步诊断。

5.根据权利要求1所述方法，其特征在于，所述二分类模型训练过程中采用的分类模型为ResNet-50模型。

6.基于深度学习的肺部全扫描图像EGFR突变预测系统，其特征在于，所述系统包括：

数据病理扫描仪，用于获取全扫描病理图像；

区域获取模块，用于将所述全扫描病理图像输入值癌区分析模型，通过所述癌区分析模型获取所述全扫描病理图像对应的像素级的癌变区域；

筛选模块，用于在所述癌变区域内筛选出含有癌症的图像块，并根据所述全扫描病理图像的EGFR突变情况，将所述图像块全部设置为阳性或者阴性；

训练模块，用于将所述全部设置为阳性或者阴性的图像块输入值分类模型中，以有监督的方式进行二分类模型训练，通过二分类模型训练过程将所述图像块分类为EGFR突变阳性或者阴性。

7.根据权利要求6所述系统，其特征在于，所述训练模块包括：

阈值设置模块，用于针对二分类模型训练过程，设置两组概率阈值T₁和T₂；其中，T₁和T₂之间的关系满足：T₁＞T₂；

阈值判断模块，用于将所述图像块对应输出的概率分别与概率阈值T₁和T₂进行比较，根据所述图像块对应输出的概率与概率阈值T₁和T₂的比较结果，确定所述图像块所属的全扫描病理图像对应的病例的样本性质。