[发明专利]一种基于深度学习的口腔上皮异常增生判别与分级设备及系统

说明书

本发明属于口腔黏膜疾病诊断技术领域，具体涉及一种基于深度学习的口腔上皮异常增生判别与分级系统。本发明的系统包括计算机设备和用于采集OPMD的组织芯片和/或病理切片图像的装置。所述计算机设备用于口腔上皮异常增生的判别和/或分级，其处理器执行程序时实现以下步骤：(1)对OPMD的组织芯片或病理切片的图像进行预处理；(2)将预处理后的图像输入神经网络模型，经过模型分类后，输出口腔上皮异常增生的判别和/或分级结果。本发明方法对口腔上皮异常增生判别与分级准确度高，且可直观显示目标区域在切片中的位置，能够降低病理医生的工作强度，降低漏诊或误诊的可能性，提高口腔医师的诊疗水平。具有成为OPMD辅助诊断手段的潜力。

技术领域

本发明属于口腔黏膜疾病诊断技术领域，具体涉及一种基于深度学习的口腔上皮异常增生判别与分级系统。

背景技术

口腔上皮异常增生(oral epithelial dysplasia,OED)是口腔黏膜潜在恶性疾患(oral potentially malignant disorder,OPMD)组织活检的重要参考指标，是OPMD癌变风险预测的关键指标。根据世界卫生组织的定义，OED通常分为轻度上皮异常增生、中度上皮异常增生、重度上皮异常增生三个等级，有OED的组织比单纯增生的口腔黏膜上皮组织有更高的癌变风险，且异常增生程度的提升预示着癌变风险的增加。

目前，OED的判别和分级取决于病理医生对活检组织的人工阅片，工作量大，耗时较长，且结果受主观因素影响较大。OPMD患者中OED的早期诊断和分级变得至关重要，随着对精准医学需求的高涨，亟需更加客观的OED判别与分级方法以辅助诊断。

近年来，随着算法科学的发展和计算力的提高，深度学习在癌症病理切片图像识别上的应用取得了长足的进步(Nature medicine，2018 24(10):1559-1567；PLOSMedicine，2019 16(1):e1002730；The Lancet，2020 395(10221):350-360)，其中神经网络算法是最常用，也是表现最突出的方法。

现有的这些癌症病理切片图像识别方法均针对某一种特定的癌症组织的病理切片进行构建。例如，中国发明专利申请“CN201811407164.0基于深度学习的乳腺癌病理切片中癌症区域的检测方法”公开了一种利用卷积神经网络进行的乳腺癌病例切片的分类方法，能够将乳腺癌分为正常组织、良性、原位癌和浸润癌。然而，在人工智能的图像识别技术中，针对特定识别对象的识别准确率通常与算法、图像的大小、图像的放大倍数有很大关系。由于不同病理组织的外观差别很大，基于上述原因，这些针对其他病理切片构建的方法并不能够直接用于OED的判别和分级，即使进行直接应用，其判断结果的准确性很差。因此，有必要针对OED的判别和分级建立一种新的病理切片图像识别方法。

发明内容

针对现有技术中的缺陷，本发明提供一种基于深度学习的口腔上皮异常增生判别与分级系统，其目的在于：对现有的神经网络模型进行改进和优选，使其能够用于对口腔上皮异常增生进行判别和/或分级。

一种计算机设备，用于口腔上皮异常增生的判别和/或分级，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤，包括：

(1)对口腔黏膜潜在恶性疾患的组织芯片或病理切片的图像进行预处理，得到224-512像素、10-20倍放大的图块；

(2)将预处理后的图像输入基于深度学习建立的神经网络模型，经过模型分类后，输出口腔上皮异常增生的判别和/或分级结果。

优选的，步骤(1)中，得到224像素、20倍放大的图块。

优选的，步骤(1)中，所述预处理的过程包括如下步骤：

(1.1)将所述图像切割为所述图块；

(1.2)将步骤(1.1)得到的所有图块中背景多于50％的图块舍弃。