基于人工智能的早期妊娠丢失病理图像识别模型的构建方法技术

本发明专利技术提供了一种基于人工智能的早期妊娠丢失病理图像识别模型的构建方法，采集得到早期妊娠丢失病理切片集合，分别进行

【技术实现步骤摘要】
基于人工智能的早期妊娠丢失病理图像识别模型的构建方法


[0001]本专利技术涉及辅助诊断的
，尤其涉及一种基于人工智能的早期妊娠丢失病理图像识别模型的构建方法
。

技术介绍

[0002]人类所有妊娠中，
75
％以妊娠丢失而告终
,
估计超过
1/4
的生育年龄女性曾经历妊娠丢失，其中
80
％以上发生在妊娠早期
。
早期妊娠丢失
(early pregnancy loss,EPL)
多数定义为孕龄
12
周前宫内妊娠丢失，
EPL
最常见的表型是自然流产和葡萄胎，两者均表现为胚胎发育停滞和绒毛水肿，不同的是胎盘滋养细胞增生程度和恶变潜能
。
区分葡萄胎与水肿性流产，并将葡萄胎分类是十分重要的，因为它们与不同的患者管理策略和临床预后相关，因此，早期妊娠丢失的精确诊断包括葡萄胎的准确分型尤其重要
。
[0003]目前，国内几乎所有的医院对早期妊娠丢失的常规诊断都是依靠病理形态学，然而，即使在病理学专家中也存在较显著的观察者本人和观察者之间的差异性，完全性葡萄胎和部分性葡萄胎的病理形态学误诊率分别高达
50
％
、74
％，这是由于：
(1)
自然流产与完全性葡萄胎和部分性葡萄胎在病理图像特征上具有一定程度上的重叠；
(2)
近年来随着超声检查的普及以及血人绒毛膜促性腺激素的密切监测，妊娠组织尚未形成典型的图像特征，极易导致误诊
、
漏诊；
(3)
人工阅片方法与病理医生自身经验
、
诊断水平
、
工作状态等主观因素密切相关，往往导致少诊断或过诊断
。
除此之外，病理医生负责检查切片上所有可见的生物组织，人工阅片工作量极大
。
[0004]近年来，辅助分析诊断技术，包括
P57
的免疫组织化学和短串联重复序列
(STR)
基因分型，已逐步用于常规实践
。
然而，这些方法都有其局限性，
P57
可以区分大部分完全性葡萄胎
(CHM)
，但不能区分部分性葡萄胎
(PHM)
和非葡萄胎妊娠；
STR
基因分型是当前诊断葡萄胎的金标准，但需要特殊的设备及专业人员，经济成本及检测费用昂贵，不适宜在临床普及推广
。
基于机器学习的人工智能辅助医疗可以帮助解决这些问题
。
[0005]人工智能辅助医疗是医学中的一个新兴领域，该技术已经在胃癌
、
结直肠癌
、
膀胱癌等多种疾病诊断或预后中有了有益尝试，中国专利
202010828700.5
公开了一种基于深度学习的葡萄胎切片图像处理方法及装置，实现了对切片水肿区域的可视化，但该专利技术具有以下局限性：
1)
该专利技术为图像分割模型而非图像分类模型；
2)
训练数据集未见经过
P57
免疫组化染色
、
金标准
STR
基因分型等入组前病因诊断易造成入组偏倚；
3)
仅侧重绒毛水肿分布而忽略了葡萄胎滋养细胞增生
、
假包涵体
、
胎儿成分等其他病理图像特征及其空间位置等重要信息；
4)
只涉及葡萄胎一种疾病且未区分亚型，缺乏与水肿性流产
、
正常妊娠绒毛的图像鉴别
。
此外，现有文献大多使用的是苏木素
‑
伊红染色
(HE)
的组织病理图像进行深度学习，未见相关免疫组织化学染色的组织病理图像的相关报道
。
目前基于人工智能的早期妊娠丢失病理图像识别方法与装置也未曾报道
。

技术实现思路

[0006]本专利技术的目的在于针对现有技术的不足，提供了一种基于人工智能的早期妊娠丢失病理图像识别模型的构建方法
。
[0007]本专利技术的目的是通过以下技术方案来实现的：一种基于人工智能的早期妊娠丢失病理图像识别模型的构建方法包括以下步骤：
[0008](1)
采集得到早期妊娠丢失病理切片集合，分别进行
HE
染色
、P57
免疫组化染色和
Ki
‑
67
免疫组化染色后通过扫描获取得到
HE
病理切片图像集合
、P57
病理切片图像集合以及
Ki
‑
67
病理切片图像集合；
[0009](2)
构建
HE
图像识别模型，使用
HE
病理切片图像集合训练
HE
图像识别模型，得到训练好的
HE
图像识别模型；
[0010](3)
构建
P57
图像识别模型，使用
P57
病理切片图像集合训练
P57
图像识别模型，得到训练好的
P57
图像识别模型；
[0011](4)
构建
Ki
‑
67
图像识别模型，使用
Ki
‑
67
病理切片图像集合训练
Ki
‑
67
图像识别模型，得到训练好的
Ki
‑
67
图像识别模型
。
[0012]进一步地，所述步骤
(1)
具体为：
[0013](1.1)
采集得到早期妊娠丢失病理切片集合；
[0014](1.2)
基于
HE
染色病理学特征
、P57
免疫组化染色及诊断金标准
STR
基因分型等病因学结果对采集的早期妊娠丢失病理切片集合作分组处理并赋予每一张早期妊娠丢失病理切片对应的分组标签，所述分组标签为完全性葡萄胎
、
部分性葡萄胎
、
水肿性流产或正常妊娠；
[0015](1.3)
对早期妊娠丢失病理切片集合分别进行
HE
染色
、P57
免疫组化染色和
Ki
‑
67
免疫组化染色后，通过扫描获取病理切片图像，筛选并排除扫描不清
、
染色不佳及有遮挡物的病理切片图像，得到
HE
病理切片图像集合以及对应的分组标签集合
、P57
病理切片图像集合以及对应的分组标签集合和
Ki
‑
67
病理切片图像集合以及对应的分组标签集合
。
[0016]进一步地，所述步骤
(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早期妊娠丢失病理图像识别模型的构建方法，其特征在于，包括以下步骤：
(1)
采集得到早期妊娠丢失病理切片集合，分别进行
HE
染色
、P57
免疫组化染色和
Ki
‑
67
免疫组化染色后通过扫描获取得到
HE
病理切片图像集合
、P57
病理切片图像集合以及
Ki
‑
67
病理切片图像集合；
(2)
构建
HE
图像识别模型，使用
HE
病理切片图像集合训练
HE
图像识别模型，得到训练好的
HE
图像识别模型；
(3)
构建
P57
图像识别模型，使用
P57
病理切片图像集合训练
P57
图像识别模型，得到训练好的
P57
图像识别模型；
(4)
构建
Ki
‑
67
图像识别模型，使用
Ki
‑
67
病理切片图像集合训练
Ki
‑
67
图像识别模型，得到训练好的
Ki
‑
67
图像识别模型
。2.
根据权利要求1所述的一种基于人工智能的早期妊娠丢失病理图像识别模型的构建方法，其特征在于，所述步骤
(1)
具体为：
(1.1)
采集得到早期妊娠丢失病理切片集合；
(1.2)
基于
HE
染色病理学特征
、P57
免疫组化染色及诊断金标准
STR
基因分型等病因学结果对采集的早期妊娠丢失病理切片集合作分组处理并赋予每一张早期妊娠丢失病理切片对应的分组标签，所述分组标签为完全性葡萄胎
、
部分性葡萄胎
、
水肿性流产或正常妊娠；
(1.3)
对早期妊娠丢失病理切片集合分别进行
HE
染色
、P57
免疫组化染色和
Ki
‑
67
免疫组化染色后，通过扫描获取病理切片图像，筛选并排除扫描不清
、
染色不佳及有遮挡物的病理切片图像，得到
HE
病理切片图像集合以及对应的分组标签集合
、P57
病理切片图像集合以及对应的分组标签集合和
Ki
‑
67
病理切片图像集合以及对应的分组标签集合
。3.
根据权利要求1所述的一种基于人工智能的早期妊娠丢失病理图像识别模型的构建方法，其特征在于，所述步骤
(2)
具体为：所述
HE
图像识别模型包括依次传递连接的
HE
数据预处理模块
、HE
图块特征提取模块
、HE
图像特征图生成模块
、HE
图像分类模块；
(2.1)
首先将
HE
病理切片图像集合输入到所述
HE
数据预处理模块中，所述
HE
数据预处理模块用于对输入的
HE
病理切片图像集合中每一张病理切片图像进行图像切割处理，得到
HE
图块数据集；并由妇产科病理学专家从
HE
图块数据集中人工挑选出部分典型
HE
图块，并人工进行分类后对该部分典型
HE
图块添加图块标签，得到部分典型
HE
图块集合以及对应的图块标签集合；所述图块标签为典型完全性葡萄胎图块
、
典型部分性葡萄胎图块
、
典型水肿性流产图块
、
典型正常妊娠图块
、
空白背景图块或非绒毛组织图块；
(2.2)
随后将所述部分典型
HE
图块集合输入到
HE
图块特征提取模块中；所述
HE
图块特征提取模块包括依次连接的由第一
HE
卷积模块
、
第二
HE
卷积模块
、
第三
HE
卷积模块
、
第四
HE
卷积模块
、
第五
HE
卷积模块和第一
HE
全局均值池化层串联而成的
HE
特征提取部分以及第一
HE
分类头；所述
HE
图块特征提取模块首先对部分典型
HE
图块集合进行颜色归一化，使得各色彩通道图像均值为0和方差为1；随后将颜色归一化后的部分典型
HE
图块集合按
7:1:2
的比例随机划分为
HE
图块训练集
、HE
图块验证集和
HE
图块测试集，并得到
HE
图块测试集的图块标签
集合；随后对所述
HE
图块训练集进行数据增强操作得到
HE
图块增强训练集；使用
HE
图块增强训练集按照预设迭代次数训练
HE
图块特征提取模块，得到训练后的
HE
图块特征提取模块；随后使用训练后的
HE
图块特征提取模块对
HE
图块测试集进行测试，输出
HE
图块测试集的图块分类结果标签集合，所述图块分类结果标签集合的获得过程具体为：将
HE
图块测试集中每一个图块经过
HE
特征提取部分得到特征向量，再经过第一
HE
分类头得到每一个图块的图块分类结果标签，得到
HE
图块测试集的图块分类结果标签集合；通过将
HE
图块测试集的图块分类结果标签集合与
HE
图块测试集的图块标签集合进行对比：当训练后的
HE
图块特征提取模块的分类准确率大于
90
％时，训练后的
HE
图块特征提取模块即为训练好的
HE
图块特征提取模块；随后使用训练好的
HE
图块特征提取模块对所述
HE
图块数据集进行特征提取每一个图块的特征向量，得到的
HE
图块数据集的
HE
图块特征向量集合，并将
HE
图块特征向量集合输入到图像特征图生成模块进入下一步训练；当训练后的
HE
图块特征提取模块的分类准确率不大于
90
％时，则返回步骤
(2.1)
，由妇产科病理学专家从
HE
图块数据集中人工挑选更多的典型图块添加到部分典型图块集合中，得到新的部分典型图块集合以及对应的图块标签集合，并重复上述步骤，直到训练后的
HE
图块特征提取模块的分类准确率大于
90
％；
(2.3)
所述
HE
图像特征图生成模块对
HE
图块特征向量集合中同一张病理切片图像所分割的所有图块的特征向量按照病理切片图像上的空间位置进行特征融合，拼接成一张图像原始特征图；将每一张图像原始特征图中图块分类结果标签属于空白背景图块或非绒毛组织图块的图块特征向量换成由0组成的大小相同的特征向量，获得经掩膜修正后的
HE
图像特征图，构成图像特征数据集，所述图像特征数据集包括每一张病理切片图像经掩膜修正后的
HE
图像特征图；
(2.4)
所述
HE
图像分类模块包括依次连接的第一
HE
分类模块
、
第二
HE
分类模块
、
第三
HE
分类模块
、
第二
HE
全局均值池化层以及第二
HE
分类头；所述
HE
图像分类模块的输入为图像特征数据集；所述
HE
图像分类模块首先将图像特征数据集按照
7:1:2
的比例随机划分为
HE
图像特征图训练集
、HE
图像特征图验证集和
HE
图像特征图测试集，并得到
HE
图像特征图测试集的的分组标签集合；使用
HE
图像特征图测试集按照预设迭代次数训练
HE
图像分类模块，得到训练后的
HE
图像分类模块；随后使用训练后的
HE
图像分类模块对
HE
图像特征图测试集进行测试，输出
HE
图像特征图测试集的图像分类结果标签集合，所述图像分类结果标签集合的获得过程具体为：将
HE
图像特征图测试集中每一张病理切片图像经掩膜修正后的
HE
图像特征图经过第一
HE
分类模块
、
第二
HE
分类模块
、
第三
HE
分类模块后得到特征图，随后经过第二
HE
全局均值池化层得到特征向量，再经过第二
HE
分类头得到每一张病理切片图像经掩膜修正后的
HE
图像特征图的图像分类结果标签，得到
HE
图像特征图测试集的图像分类结果标签集合；通过对
HE
图像特征图测试集的图像分类结果标签集合与
HE
图像特征图测试集的的分组标签集合进行对比：当训练后的
HE
图像分类模块的分类准确率大于
80
％时，得到训练好的
HE
图像分类模
块，即完成对
HE
图像识别模型的训练，最终得到训练好的
HE
图像识别模型；当训练后的
HE
图像分类模块的分类准确率不大于
80
％时，返回步骤
(1)
，采集更多的早期妊娠丢失病理切片扩充
HE
病理切片图像集合，重复上述步骤直到训练后的
HE
图像分类模块的分类准确率大于
80
％
。4.
根据权利要求1所述的一种基于人工智能的早期妊娠丢失病理图像识别模型的构建方法，其特征在于，所述步骤
(3)
具体为：所述
P57
图像识别模型包括依次传递连接的
P57
数据预处理模块
、P57
图块特征提取模块
、P57
图像特征图生成模块
、P57
图像分类模块；
(3.1)
首先将
P57
病理切片图像集合输入到所述
P57
数据预处理模块中，所述
P57
数据预处理模块用于对输入的
P57
病理切片图像集合中每一张病理切片图像进行图像切割处理，得到
P57
图块数据集；并由妇产科病理学专家从
P57
图块数据集中人工挑选出部分典型
P57
图块，并人工进行分类后对该部分典型
P57
图块添加图块标签，得到部分典型
P57
图块集合以及对应的图块标签集合；所述图块标签为典型完全性葡萄胎图块
、
典型部分性葡萄胎图块
、
典型水肿性流产图块
、
典型正常妊娠图块
、
空白背景图块或非绒毛组织图块；
(3.2)
随后将所述部分典型
P57
图块集合输入到
P57
图块特征提取模块中；所述
P57
图块特征提取模块包括依次连接的由第一
P57
卷积模块
、
第二
P57
卷积模块
、
第三
P57
卷积模块
、
第四
P57
卷积模块
、
第五
P57
卷积模块和第一
P57
全局均值池化层串联而成的
P57
特征提取部分以及第一
P57
分类头；所述
P57
图块特征提取模块首先对部分典型
P57
图块集合进行颜色归一化，使得各色彩通道图像均值为0和方差为1；随后将颜色归一化后的部分典型
P57
图块集合按
7:1:2
的比例随机划分为
P57
图块训练集
、P57
图块验证集和
P57
图块测试集，并得到
P57
图块测试集的图块标签集合；随后对所述
P57
图块训练集进行数据增强操作得到
P57
图块增强训练集；使用
P57
图块增强训练集按照预设迭代次数训练
P57
图块特征提取模块，得到训练后的
P57
图块特征提取模块；随后使用训练后的
P57
图块特征提取模块对
P57
图块测试集进行测试，输出
P57
图块测试集的图块分类结果标签集合，所述图块分类结果标签集合的获得过程具体为：将
P57
图块测试集中每一个图块经过
P57
特征提取部分得到特征向量，再经过第一
P57
分类头得到每一个图块的图块分类结果标签，得到
P57
图块测试集的图块分类结果标签集合；通过将
P57
图块测试集的图块分类结果标签集合与
P57
图块测试集的图块标签集合进行对比：当训练后的
P57
图块特征提取模块的分类准确率大于
90
％时，训练后的
P57
图块特征提取模块即为训练好的
P57
图块特征提取模块；随后使用训练好的
P57
图块特征提取模块对所述
P57
图块数据集进行特征提取每一个图块的特征向量，得到的
P57
图块数据集的
P57
图块特征向量集合，并将
P57
图块特征向量集合输入到图像特征图生成模块进入下一步训练；当训练后的
P57
图块特征提取模块的分类准确率不大于
90
％时，则返回步骤
(3.1)
，由妇产科病理学专家从
P57
图块数据集中人工挑选更多的典型图块添加到部分典型图块集合中，得到新的部分典...

【专利技术属性】
技术研发人员：钱建华，田翔，赵雅婷，何心蕙，
申请(专利权)人：浙江大学，
类型：发明
国别省市：