一种基于人工智能的计算机辅助乳腺癌病理图像诊断方法技术

本发明专利技术提供了一种基于人工智能的计算机辅助乳腺癌病理图像诊断方法，所述诊断方法首先，对乳腺癌病理图像集进行模型训练，获得训练后的切片预测模型和整图预测模型；其次，基于所述训练后的切片预测模型和整图预测模型，对乳腺癌病理图像进行乳腺癌诊断分类。本发明专利技术使用训练好的神经网络可对大量不同位置的乳腺癌病理图像进行分层，大幅提升数据处理的速度和准确率，解决了现有的乳腺癌病理亚型人工判读存在的主观性、低效率等问题。低效率等问题。低效率等问题。

【技术实现步骤摘要】
一种基于人工智能的计算机辅助乳腺癌病理图像诊断方法


[0001]本专利技术涉及一种病理图像诊断方法，尤其涉及一种基于人工智能的计算机辅助乳腺癌病理图像诊断方法，属于医学计算机图像处理


技术介绍

[0002]乳腺癌是全球范围内女性常见的恶性肿瘤之一，极大地威胁着女性的健康。乳腺癌的确诊主要依赖于病理学诊断。
[0003]病理诊断是通过显微镜观察被称为柱状体的显微镜用玻璃标本而实施的显微镜标本，是由从患者身上采集的脏器，组织和细胞制作而成的，将标本切成几微米厚的薄片后，对被染色的该标本进行显微镜观察，将成为医生对疾病进行诊断时的根据，对今后治疗方法和预后的判定起到作用的化学组织，特别是对HC免疫疗法中的乳腺癌。
[0004]在病理学上，乳腺癌表现为一组具有异质性形态的病变，根据形态的不同，病理学家将乳腺癌分为不同的亚型，包括非特殊型浸润性乳腺癌和特殊型浸润性乳腺癌，其中＞90％病例为非特殊型浸润性乳腺癌，特殊型浸润性乳腺癌不足10％，包括浸润性小叶癌，浸润性小管癌/筛状癌，乳腺粘液癌，浸润性微乳头状癌，伴大汗腺化生的癌等亚型。
[0005]目前对于乳腺癌的亚型分析主要基于病理医生在镜下进行人工判读，然而病理医生的人工判读包含一下问题：(1)人工判读耗时长，效率低下，且长时间的诊断工作易产生疲劳，从而会进一步降低乳腺癌亚型分类的准确度。(2)目前对亚型的分类仅依赖于形态学的定性标准，缺乏统一的标准，因此对于乳腺癌亚型的判断非常依赖于病理医生的知识储备及临床经验，故其具有一定的主观性，不同医生对同一病例的乳腺癌亚型的判读可能不一致。(3)随着乳腺癌病例的逐渐增加，病理医师的日常工作量逐步提升。由于我国病理医疗资源紧张且分布不均衡，病理医师进行乳腺癌亚型分类的方法已经很难满足临床工作的需要。

技术实现思路

[0006]本专利技术的目的在于解决现有的乳腺癌病理亚型人工判读存在的主观性、低效率等问题。提出一种基于卷积神经网络的乳腺癌病理图像诊断方法，使用训练好的神经网络可对大量不同位置的乳腺癌病理图像进行分层，大幅提升数据处理的速度和准确率。
[0007]本专利技术的目的是通过以下技术方案实现的：本专利技术提供一种基于人工智能的计算机辅助乳腺癌病理图像诊断方法，其特征在于，所述诊断方法包括：首先，对乳腺癌病理图像集进行模型训练，获得训练后的切片预测模型和整图预测模型；其次，基于所述训练后的切片预测模型和整图预测模型，对乳腺癌病理图像进行乳腺癌诊断分类。
[0008]优选的，所述对乳腺癌病理图像集进行模型训练，获得训练后的切片预测模型和整图预测模型，包括如下步骤：步骤一，获取乳腺癌病理图像数据集合；步骤二，对所述乳腺癌病理图像数据集合中的病理图像数据进行人工标注，并将所述人工标注后的病理图像数据进行切割，获得若干病理图像切片；步骤三，对切割后的所述若干病理图像切片进行数据
增强；步骤四，对所述数据增强后的若干病理图像切片，基于卷积神经网络进行切片预测训练，获得训练后的切片预测模型、预测结果及若干图像特征图；步骤五，将所述若干图像特征图进行拼接，得到多尺度整体特征图；步骤六，对所述多尺度整体特征图，通过基于注意力机制的循环神经网络(RAM)进行整图预测训练，获得训练后的整图预测模型，并对所述乳腺癌病理图像数据进行分类；步骤七，获得所述乳腺癌病理图像数据的分类诊断结果。
[0009]优选的，所述基于所述训练后的切片预测模型和整图预测模型，对乳腺癌病理图像进行乳腺癌诊断分类，包括如下步骤：步骤一，获取乳腺癌病理图像数据；步骤二，划出所述乳腺癌病理图像数据中的感兴趣区域，并将所述感兴趣区域的病理图像数据进行切割，获得若干病理图像切片；步骤三，将所述若干病理图像切片分别输入到所述模型训练后的切片预测模型中，获得预测结果及若干图像特征图；步骤四，将所述若干图像特征图进行拼接，得到多尺度整体特征图；步骤五，将所述多尺度整体特征图，输入基于注意力机制的循环神经网络(RAM)获得的所述模型训练后的整图预测模型中，实现对所述乳腺癌病理图像数据的分类；步骤六，获得所述乳腺癌病理图像数据的分类诊断结果。
[0010]优选的，所述乳腺癌病理图像数据集包括浸润性小叶癌(ILC)、浸润性微乳头状癌(IMPC)、管状癌(TC/ICC)、粘液癌(MC)、大汗腺癌(AC)和浸润性导管癌(IDC)六种亚型的病理图像数据。
[0011]优选的，所述切片预测训练使用Inception ResNet、Inception v1、Inception v2、Inception v3和Inception v4五种卷积神经网络框架进行诊断预测。
[0012]优选的，所述整图预测训练使用基于注意力机制的循环神经网络(RAM)，包括一个glimpse sensor和四个子网络：特征网络(feature network)、核心网络(core network)、分类网络(classification network)和位置网络(location network)，其中，所述glimpse sensor是感知器；所述特征网络由卷积层、展平层以及全连接层组成；所述核心网络的架构为长短时记忆网络LSTM；所述分类网络为改进的Inception V3并添加了全连接层和softmax层。
[0013]优选的，将所述若干图像特征图进行拼接，得到多尺度整体特征图的具体步骤包括：首先，所述乳腺癌病理图像被切割成三种不同尺寸的切片；其次，将所述三种不同尺寸的切片分别输入所述卷积神经网络中，并分别提取所述卷积神经网络最后一层的特征映射；然后，对于相同尺寸的切片得到的所述特征映射，根据所述切割时的空间位置拼接所述特征映射，得到该尺寸对应的单尺度整体特征图，将所述单尺度图像特征图覆盖不到的其他背景区域设置特征值为0；最后，对得到的若干所述单尺度整体特征图进行拼接，将其长度和宽度进行归一化，并在通道维度上进行合并，得到所述多尺度整体特征图。
[0014]优选的，所述基于注意力机制的循环神经网络(RAM)进行整图预测训练，包括如下步骤：第一，所述glimpse sensor获得其在所述多尺度整体特征图上的位置信息；第二，将所述多尺度整体特征图中的特征信息和所述位置信息输入到所述特征网络中；第三，经过所述特征网络处理后，将处理结果作为输入信息，将其输入到所述核心网络中；第四，经过所述核心网络处理后，得到网络隐藏层输出的数值信息；第五，一方面将所述数值信息输入所述分类网络中，得到分类结果；另一方面，将所述数值信息输入所述位置网络中，得到下一步的所述glimpse sensor的位置；第六，循环步骤第一到步骤第五。
[0015]优选的，所述获得所述乳腺癌病理图像数据的分类诊断结果，包括：所述乳腺癌病
理图像属于各类亚型的概率的取值范围为0至1，选择概率最大的那项对应的乳腺癌亚型作为最终的分类诊断结果。
[0016]优选的，所述划出所述乳腺癌病理图像数据中的感兴趣区域采用Otsu方法，所述Otsu方法的具体步骤包括：首先，存在阈值T本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的计算机辅助乳腺癌病理图像诊断方法，其特征在于，所述诊断方法包括：首先，对乳腺癌病理图像集进行模型训练，获得训练后的切片预测模型和整图预测模型；其次，基于所述训练后的切片预测模型和整图预测模型，对乳腺癌病理图像进行乳腺癌诊断分类。2.如权利要求1所述的一种基于人工智能的计算机辅助乳腺癌病理图像诊断方法，其特征在于，所述对乳腺癌病理图像集进行模型训练，获得训练后的切片预测模型和整图预测模型，包括如下步骤：步骤一，获取乳腺癌病理图像数据集合；步骤二，对所述乳腺癌病理图像数据集合中的病理图像数据进行人工标注，并将所述人工标注后的病理图像数据进行切割，获得若干病理图像切片；步骤三，对切割后的所述若干病理图像切片进行数据增强；步骤四，对所述数据增强后的若干病理图像切片，基于卷积神经网络进行切片预测训练，获得训练后的切片预测模型、预测结果及若干图像特征图；步骤五，将所述若干图像特征图进行拼接，得到多尺度整体特征图；步骤六，对所述多尺度整体特征图，通过基于注意力机制的循环神经网络(RAM)进行整图预测训练，获得训练后的整图预测模型，并对所述乳腺癌病理图像数据进行分类；步骤七，获得所述乳腺癌病理图像数据的分类诊断结果。3.如权利要求1所述的一种基于人工智能的计算机辅助乳腺癌病理图像诊断方法，其特征在于，所述基于所述训练后的切片预测模型和整图预测模型，对乳腺癌病理图像进行乳腺癌诊断分类，包括如下步骤：步骤一，获取乳腺癌病理图像数据；步骤二，划出所述乳腺癌病理图像数据中的感兴趣区域，并将所述感兴趣区域的病理图像数据进行切割，获得若干病理图像切片；步骤三，将所述若干病理图像切片分别输入到所述模型训练后的切片预测模型中，获得预测结果及若干图像特征图；步骤四，将所述若干图像特征图进行拼接，得到多尺度整体特征图；步骤五，将所述多尺度整体特征图，输入基于注意力机制的循环神经网络(RAM)获得的所述模型训练后的整图预测模型中，实现对所述乳腺癌病理图像数据的分类；步骤六，获得所述乳腺癌病理图像数据的分类诊断结果。4.如权利要求1所述的一种基于人工智能的计算机辅助乳腺癌病理图像诊断方法，其特征在于，所述乳腺癌病理图像数据集包括浸润性小叶癌(ILC)、浸润性微乳头状癌(IMPC)、管状癌(TC/ICC)、粘液癌(MC)、大汗腺癌(AC)和浸润性导管癌(IDC)六种亚型的病理图像数据。5.如权利要求2所述的一种基于人工智能的计算机辅助乳腺癌病理图像诊断方法，其特征在于，所述切片预测训练使用Inception ResNet、Inception v1、Inception v2、Inception v3和Inception v4五种卷积神经网络框架进行诊断预测。6.如权利要求2所述的一种基于人工智能的计算机辅助乳腺癌病理图像诊断方法，其
特征在于，所述整图预测训练使用基于注意力机制的循环神经网络(RAM)，包括一个glimpse sensor和四个子网络：特征网络(feature network)、核心网络(core network)、分类网络(classification network)和位置网络(location...

【专利技术属性】
技术研发人员：梁智勇，邹昊，吴焕文，郭玉成，李俊杰，
申请(专利权)人：清影医疗科技深圳有限公司，
类型：发明
国别省市：