[发明专利]一种基于光学图像的癌症患者标本性质的辨别方法及应用

权利要求书

1.一种基于光学图像的癌症患者标本性质的辨别方法，其特征在于，包括以下步骤：

S1、获取训练组患者标本的光学图像，并进行预处理，建立训练组患者的淋巴结转移状态识别的正负样本数据集；

S2、选择基础网络架构，通过池化层下采样和跨层拼接融合，构造预测模型；

S3、通过基础网络架构构造良恶性分类网络结构，下载预训练模型权重，设置初始参数，加载训练数据集，进行3-折交叉训练，得到lymph-Net深度学习网络模型；

S4、获取测试组患者的正负样本数据集，通过所述lymph-Net深度学习网络模型在测试组患者的正负样本数据集上识别标本性质，并实时输出单张光学图像的预测结果，所述预测结果包括预测类别和预测概率值，其中，若单个标本具有多张连续拍摄的光学视频图像，则通过加权重求取平均值作为预测结果；

S5、通过GCAM热力图分析S4的预测结果，观察所述lymph-Net深度学习网络模型不同尺度卷积层提取特征的关注区域以及融合模型的预测结果依据，分析预测结果正确和错误的原因。

2.如权利要求1所述的一种基于光学图像的癌症患者标本性质的辨别方法，其特征在于，步骤S1具体为：

S11、收集训练组患者标本的光学图像和患者的病理结果；

S12、对所述光学图像进行裁剪，并去除拍摄中的冗余信息，得到训练组患者标本的多帧光学图像，并结合病例结果，构建淋巴结转移状态识别的正负样本训练数据集。

3.如权利要求1所述的一种基于光学图像的癌症患者标本性质的辨别方法，其特征在于，步骤S2中采用ResNet-152神经网络作为前哨淋巴结转移预测模型的基础网络架构。

4.如权利要求3所述的一种基于光学图像的癌症患者标本性质的辨别方法，其特征在于，步骤S2具体为：

S21、通过ResNet-152神经网络对训练组患者标本的光学图像进行特征提取，获取对训练组患者标本性质预测的有效特征图；

S22、提取ResNet-152神经网络中不同深度的卷积层特征向量进行拼接融合，得到多尺度融合特征；

S23、将融合特征经过平均池化层和全连接层转化为二分类结果输出，使用max函数对softmax函数的输出值进行操作，得出训练组患者的预测类别。

5.如权利要求4所述的一种基于光学图像的癌症患者标本性质的辨别方法，其特征在于，步骤S21具体为：

S211、将训练组患者标本的光学图像输入到ResNet-152神经网络中，经过多层瓶颈层结构的卷积层和批归一化层的叠加由浅到深进行特征提取，浅层瓶颈层提取标本的形态学特征，深层瓶颈层提取标本的高级语义特征，批归一化层能够有效保证模型的正则化，缓解梯度消失问题，最后一层卷积层输出完整的特征图；

S212、最后一层卷积层后衔接一层自适应平均池化层对所有特征图中的特征进行选择，求取各个特征图的平均值作为有效特征；

S213、将各个特征图中的有效特征分别在浅层特征图和深层特征图中进行适当的选择拼接融合，形成对训练组患者标本性质预测的有效特征图。

6.如权利要求4所述的一种基于光学图像的癌症患者标本性质的辨别方法，其特征在于，步骤S22具体为：

S221、将训练组患者标本性质预测的有效特征图分别在ResNet-152神经网络深度为[33，115，477，509]的卷积层卷积后提取待融合特征图；

S222、浅层特征经过自适应平均池化层对待融合特征图大小进行调整，然后将4个尺度上的待融合特征图进行拼接融合，得到3840个融合特征图，其中，浅层卷积层和深层卷积层对结果预测占有相同的权重系数。