基于人工智能数字病理的网络模型分析平台及构建方法技术

本发明专利技术公开了一种基于人工智能数字病理的网络模型分析平台及构建方法，主要解决现有技术中存在的现有门石蜡切片技术或冰冻切片技术制作病理切片，效率低，主观性强，且准确率较低的问题。该一种基于人工智能数字病理的网络模型分析平台包括中心管理服务器系统、用于病理切片输入的扫描设备、编辑标注模块、训练模块、预标注模块；扫描设备的输出端与编辑标注模块的输入端电连，编辑标注模块的输出端与训练模块的输入端电连；训练模块对标注后数字病理图像网络模型进行训练形成网络模型；用于根据网络模型对未标注的数字病理图像进行标注的预标注模块与网络模型电连。通过上述方案，本发明专利技术达到快速可视化分析病理切片的目的。

Network Model Analysis Platform and Construction Method Based on Artificial Intelligence Digital Pathology

【技术实现步骤摘要】
基于人工智能数字病理的网络模型分析平台及构建方法
本专利技术涉及医疗诊断
，具体地说，是涉及基于人工智能数字病理的网络模型分析平台及构建方法。
技术介绍
近年来，随着现代医疗危机、环境危机、疑难杂症相继来袭，人们迫切地希望能不断研究出治疗疾病的新药以解燃眉之急。在传统新药研究与开发的模式中，新化合物的设计及合成或者现有有机化合物必须首先在实验室内经过体内外动物模型进行初筛后才可能进行进一步药效学试验与进一步药理学试验，最终进行临床试验。因此在现代医药研发中，动物实验被广泛应用与投入。但由于药物研发非常艰难且成本昂贵，需要数量巨大的临床试验支撑，而目前对于实验动物病理反应及药物测试结果的观察效率低下导致大量的实验动物模型得不到充分的利用，因此大大增加了研发成本。对此，我们提出了将数字病理应用于实验动物病理结果的观察方法，进而提高病理诊断和病理测试的效率与准确性。生产靶向药的药厂在靶向药的临床前研究、临床研究和临床诊断中需要大量的准确量化分析结果，工作量十分繁重，提高了药物的研发成本和临床试验风险，同时降低了药物的市场竞争力。现目前病理诊断仍是采用传统石蜡切片技术或冰冻切片技术制作病理切片，然后再经过人工在显微镜下直接阅片进而做出诊断结果；此方法效率低，主观性强，且准确率较低无法充分反映动物模型的细胞组织病理变化状况。
技术实现思路
本专利技术的目的在于提供基于人工智能数字病理的网络模型分析平台及构建方法，以解决现有门石蜡切片技术或冰冻切片技术制作病理切片，后经过人工在显微镜下直接阅片进而做出诊断结果方法效率低，主观性强，且准确率较低无法充分反映动物模型的细胞组织病理变化状况的问题。为了解决上述问题，本专利技术提供如下技术方案：一种基于人工智能数字病理的网络模型分析平台包括中心管理服务器系统、用于病理切片输入的扫描设备、编辑标注模块、训练模块、预标注模块；扫描设备的输出端与编辑标注模块的输入端电连，编辑标注模块的输出端与训练模块的输入端电连；训练模块对标注后数字病理图像网络模型进行训练形成网络模型；用于根据网络模型对未标注的数字病理图像进行标注的预标注模块与网络模型电连。具体地，预标注模块对比输入端与网络模型的信号输出端电连，其信号端口和训练模块信号端口之间连接有校验模块。具体地，基于人工智能数字病理的网络模型分析平台还包括中心管理服务器系统，其和扫描设备均处于一个广域网环境中并实现网络连接，所述广域网环境是基于INTERNET的网域环境，所述中心管理服务器系统包括管理服务器、认证服务器、数据库服务器、与所述服务器相匹配的软件。具体地，基于人工智能数字病理的网络模型分析平台还包括用于给出预标注切片中各类细胞的数量及情况的分析模块；分析模块与预标注模块电连。具体地，网络模型包括分类网络模型、目标检测网络模型和语义分割网络模型；分类网络模型用于病理图像的组织分类；目标检测网络模型用于HE或IHC图像的目标识别和定位；语义分割网络模型用于识别组织、细胞的边界和轮廓。具体地，扫描设备为数字病理扫描仪，数字病理图像为WSI格式。一种基于人工智能数字病理的网络模型分析的构建方法包括以下步骤：(S1)使用扫描设备扫描病理切片，得到切片的数字病理图像；(S2)将步骤(S1)得到的数字病理图像上传至编辑标注模块，标注人员在编辑标注模块上对切片的数字病理图像进行标注；(S3)步骤(S2)编辑标注后的数字病理图像传送至训练模块对数字病理图像进行训练得到网络模型；(S4)未标注切片的数字病理图像上传至预标注模块，预标注模块根据步骤(S4)的网络模型对未标注切片的数字病理图像进行标注。具体地，基于人工智能数字病理的网络模型分析平台的构建方法还包括优化网络模型的校验方法，其具体过程如下：(A1)预标注模块将进行预标注后的数字病理图像传送至校验模块，算法人员判断切片标注是否合格，是，则将预标注的数字病理图像传送至网络模型，否，则执行步骤(A2)；(A2)算法人员分析预标注不合格的原因，根据原因优化网络模型；重复步骤(A1)至预标注的数字病理图像均合格；具体地，步骤(S3)中训练模块训练的具体过程如下：(S321)对已标注的切片，提取已有标注信息的共同点，形成对比数据库；(S322)将未标注数字病理图像先分割为若干块；(S323)将这些图像的部分逐个与步骤(S321)对比数据库进行对比，识别，筛选其共同特征；与对比数据库中已有内容相符合的，对其进行命名存储至对比数据库；不符合的则不进行标注。具体地，步骤(S323)中识别，筛选的具体过程为：对比切片图像中各种细胞占据切片的主要分布区域和各种细胞的比例和癌巢的大致轮廓；各种细胞包括癌细胞，淋巴细胞，组织增生。与现有技术相比，本专利技术具有以下有益效果：(1)本专利技术中管理人员使用扫描设备得到病理的数字病理图像，后将其上传至平台，标注人员对数字病理图像进行标记，质控人员对完成标记的数字病理图像进行质量控制，合格的就发送至训练模块，不合格的发送至编辑标注模块让标注人员对其进行修改或重新标注，保证原始数据的准确性；训练模块训练后存储至网络模型；该网络模型可供各类需要切片快速分析诊断的药厂，做快速的诊断，节约了大量人工工作；比如医院可通过该网络模型对病人的病理切片进行快速分析，大量的减少了医护人员的工作量，比如生产靶向药的药厂能够在靶向药的临床前研究、临床研究和临床诊断中都能得到准确的量化分析结果，降低药物的研发成本和增加药物实验的可信度，同时提升药物的市场竞争力；使用时，将未标注的切片上传至预标注模块，通过其与网络模型的对比，对切片进行预标注；快速准确有效的分析出切片中各类病变的细胞。(2)本专利技术在预标注之后的切片，通过标注人员在校验模块中进行校验确定无误后，传送至训练模块网络模型训练后，再次进行训练学习，不断的优化丰富网络模型。(3)本专利技术通过分析模块实现病理分析可视化，将研究感兴趣区域ROI(出血、钙化、坏死、萎缩、癌巢、特异性染色、非特异性染色等)感兴趣选出来，便于病理研究人员准确评价。附图说明图1为本专利技术平台的框架结构示意图。图2为本专利技术流程图。具体实施方式下面结合附图和实施例对本专利技术作进一步说明，本专利技术的实施方式包括但不限于下列实施例。如图1所示，一种基于人工智能数字病理的网络模型分析平台包括中心管理服务器系统、用于病理切片输入的扫描设备、编辑标注模块、训练模块、预标注模块；扫描设备的输出端与编辑标注模块的输入端电连，编辑标注模块的输出端与训练模块的输入端电连；训练模块对标注后数字病理图像网络模型进行训练形成网络模型；用于根据网络模型对未标注的数字病理图像进行标注的预标注模块与网络模型电连。管理人员使用扫描设备得到病理的数字病理图像，后将其上传至平台，标注人员对数字病理图像进行标记，质控人员对完成标记的数字病理图像进行质量控制，合格的就发送至训练模块心里，不合格的发送至编辑标注模块让标注人员对其进行修改或重新标注，保证原始数据的准确性；训练模块训练后存储至网络模型；该网络模型可供各类需要切片快速诊断的药厂，做快速的诊断，节约了大量人工工作；比如医院可通过该网络模型对病人的病理切片进行快速分析，大量的减少了医护人员的工作量，比如生产靶向药的药厂能够在靶向药的临床前研究、临床研究和临床诊断中本文档来自技高网...

【技术保护点】
1.一种基于人工智能数字病理的网络模型分析平台，其特征在于，包括用于病理切片输入的扫描设备、编辑标注模块、训练模块、预标注模块；扫描设备的输出端与编辑标注模块的输入端电连，编辑标注模块的输出端与训练模块的输入端电连；训练模块对标注后数字病理图像网络模型进行训练形成网络模型；用于根据网络模型对未标注的数字病理图像进行标注的预标注模块与网络模型电连。

【技术特征摘要】
1.一种基于人工智能数字病理的网络模型分析平台，其特征在于，包括用于病理切片输入的扫描设备、编辑标注模块、训练模块、预标注模块；扫描设备的输出端与编辑标注模块的输入端电连，编辑标注模块的输出端与训练模块的输入端电连；训练模块对标注后数字病理图像网络模型进行训练形成网络模型；用于根据网络模型对未标注的数字病理图像进行标注的预标注模块与网络模型电连。2.根据权利要求1所述的基于人工智能数字病理的网络模型分析平台，其特征在于，预标注模块对比输入端与网络模型的信号输出端电连，其信号端口和训练模块信号端口之间连接有校验模块。3.根据权利要求1所述的基于人工智能数字病理的网络模型分析平台，其特征在于，还包括中心管理服务器系统，其和扫描设备均处于一个广域网环境中并实现网络连接，所述广域网环境是基于INTERNET的网域环境，所述中心管理服务器系统包括管理服务器、认证服务器、数据库服务器、与所述服务器相匹配的软件。4.根据权利要求1-3任一项所述的基于人工智能数字病理的网络模型分析平台，其特征在于，还包括用于给出预标注切片中各类细胞的数量及情况的分析模块；分析模块与预标注模块电连。5.根据权利要求1-3任一项所述的基于人工智能数字病理的网络模型分析平台，其特征在于，网络模型包括分类网络模型、目标检测网络模型和语义分割网络模型；分类网络模型用于病理图像的组织分类；目标检测网络模型用于HE或IHC图像的目标识别和定位；语义分割网络模型用于识别组织、细胞的边界和轮廓。6.根据权利要求4所述的基于人工智能数字病理的网络模型分析平台，其特征在于，扫描设备为数字病理扫描仪，数字病理图像为WSI格式。7.一种基于人工智能数字病理的网络模型分析的构建方法，其特征在于，包括以...

【专利技术属性】
技术研发人员：万君，杨倩颖，吕春燕，金凤，金鑫，张霖，徐开兴，郑磊，王坤，刘育祯，姚奇，樊贵英，扎西，黄丹，周伟兰，杨佳燕，王一然，杨汶鑫，
申请(专利权)人：成都大学，
类型：发明
国别省市：四川,51