[发明专利]一种病理指标的智能预测系统

说明书

本发明提供一种病理指标的智能预测系统，首先对各图像块中的图案所属的形状类别进行分类，然后输入不同形状类别对应的病理指标预测器，得到各病理指标预测器的归类结果，最后根据各病理指标类别与形状类别形成的不同组合下包含图像块数量与各病理指标预测器的权重计算某个病理切片图像属于各病理指标类别的评分，将评分最大值对应的病理指标类别作为该病理切片图像的最终的病理指标预测结果；因此，本发明通过对图像块进行更细致的分类，并对各种形状类别的图像块进行有效性分析，能够明显提高图像块级预测数据和预测器的有效性和患者级预测结果的准确性。

技术领域

本发明属于智能医疗设备技术领域，尤其涉及一种病理指标的智能预测系统。

背景技术

医学影像病理指标预测技术是智能医疗领域的关键技术之一。目前，医疗领域已经可以采用深度学习技术来对医学影像进行分析，提高预测结果的准确性。2019年德国国家癌症中心提出的病理切片微卫星不稳定性(Microsatellite instability，简称MSI)预测方法，是其中的一项代表性技术。该技术将整体病理切片图像切分成较小的图像块，用深度学习模型对切分出的图像块进行MSI预测，得出图像块级的预测结果，最后通过投票的方式得出患者级的预测结果，从而提高预测结果的准确率。为了提高参与预测的病理切片图像块的有效性，研究人员提出了一种肿瘤检测技术。该技术基于已有数据集训练肿瘤检测器，之后采用肿瘤检测器从众多病理切片图像块中筛选出包含肿瘤组织的图像块(简称有效图像块)，从而提高了图像块级预测数据的有效性。但是，这种方法仅根据是否包含肿瘤组织来筛选图像块，筛选的方式过于简单，其所得出的图像块级预测精度有待进一步提高。因此，如何进一步提高图像块级预测数据的有效性是病理指标智能预测技术发展中必须解决的一个重要问题。

另外，该技术在训练用于MSI预测的深度学习模型时，直接对经过筛选的一类图像块采用了ResNet18作为模型的网络结构，没有进行网络结构上的进一步挑选，然而目前的深度学习网络结构众多，选用更为合适的网络结构将有可能进一步预测性能和预测结果的准确率。同时，对图像块筛选机制与后续的深度神经网络模型的匹配问题做进一步的研究与探索，也有利于提高预测结果的准确率。因此，如何寻找更适合这个预测问题的深度神经网络框架也是病理指标智能预测技术发展中必须解决的一个问题。

综上，现有病理切片MSI预测方法在提高图像块级预测数据有效性和模型网络结构选取，以及整体预测框架设计等方面，均有待进一步改善和提高。

发明内容

为解决上述问题，本发明提供一种病理指标的智能预测系统，能够明显提高图像块级预测数据和预测器的有效性，从而提高患者级预测结果的准确性。

一种病理指标的智能预测系统，包括数据集获取模块、颜色规定化模块、特定结构筛选器、病理指标预测器以及加权模块；

所述数据集获取模块用于根据设定的病理指标对病理切片图像进行分类，然后将各类别的病理切片图像分别切分为设定大小的图像块，得到图像块原始数据集，其中，将所述图像块原始数据集包含的病理指标类别数量记为K类；

所述颜色规定化模块用于将图像块原始数据集中各图像块的颜色和纹理按照设定规则转换为标准的颜色和纹理，得到颜色规定化后的图像块；

所述特定结构筛选器用于将颜色规定化后的图像块作为输入，输出各图像块中的图案所属的形状类别；其中，各图像块中的图案所属的形状类别数量记为H类，且每个形状类别对应一个病理指标预测器；

与特定结构筛选器输出的形状类别对应的各病理指标预测器分别获取各自对应的颜色规定化前的图像块，并将与自身形状类别对应的颜色规定化前的图像块作为输入，输出各种形状类别的图像块对应的病理指标类别；

所述加权模块用于将准确率小于设定阈值的病理指标预测器对应的权重设置为0，同时为准确率不小于设定阈值的病理指标预测器分配权重，其中，准确率越高，权重越大；所述加权模块还用于获取各病理指标类别的评分S_i：