【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及学习用于从turp(transurethral resection of prostate)病理图像中检测前列腺癌的人工神经网络的方法及执行该方法的计算系统。更详细地，涉及学习能够在考虑turp病理图像中特征性地出现的组织形态的同时有效检测turp病理图像内的前列腺癌病变的人工神经网络的方法及执行该方法的计算系统。
技术介绍
1、病理学或病理科中进行的主要业务之一为进行通过判读患者的生物体组织切片图像来判断有关特定疾病的状态或症候的诊断。现有的病理诊断方法以病理专科医生通过光学显微镜以肉眼观察、判读从试样制备的诊断用病理切片图像的方式来实现。利用连接在计算机的显微镜照相机将病理切片变换为数字影像后使用显示器观察并判读可以说是数字病理学的开端。近来，随着数字切片扫描仪的出现，将全部病理切片变换为一个数字影像来制备病理切片图像后，通过计算机显示器观察来判读其的方式逐渐普及。
2、近来，随着机器学习的发展，通过计算机系统使识别或分类图像的业务自动化的尝试正活跃地进行着。尤其，正在进行着利用机器学习之一的神经网络(例如，利用卷积神经网络(convolution neural network；cnn)的深度学习方式)来使曾通过熟练的医务人员进行的诊断自动化的尝试。尤其，通过利用神经网络(例如卷积神经网络(cnn))的诊断不仅是单纯地使现有熟练的医务人员的经验和知识自动化，还要在通过自我学习找到特征的要素来导出所希望的解答的方面，在图像中找到熟练的医务人员不知道的疾病因子的特征。
3、通常，通过利用生物
4、另一方面，为了治疗前列腺增生等阳性疾病，多采取经尿道前列腺切除术(transurethral resection of prostate；turp)，而对于turp手术时获得的试样，有必要在病理上判别前列腺癌的有无。
5、为了训练从turp病理影像中检测出前列腺癌的机器学习模块，很难只使用注释前列腺癌病变的turp病理影像数据，其理由如下。
6、第一，turp病理影像的规模很大。平均每个患者要制备n个(n为2以上的整数)的2cm×3cm的玻璃切片，若将其以400倍的倍率扫描来制备为数字影像，则制备为n×80000×120000像素大小的影像。第二，turp病理影像中的前列腺癌病变区域的大小非常小。turp手术患者中发现前列腺癌的比例小于20％，即使在发现前列腺癌的情况下，大部分情况也仅在病理影像的一个局部区域中发现。即，学习数据的大小和容量非常庞大，与之相反，标记为前列腺癌的区域相对于整体组织的比例非常小，因此，若仅使用turp病理影像数据来训练灵敏度充分高的机器学习模块，则可能需要非常多的数据。
7、并且，为了训练从turp病理影像中检测出前列腺癌的机器学习模块而使用前列腺癌病变区域被注释的通过前列腺穿刺活检(prostate needle biopsy)或前列腺切除术(radical prostatectomy)获得的试样病理影像数据可能因如下原因出现问题。因turp的特性而存在不是前列腺的组织(膀胱、尿道上皮等)或烧灼的(cauterized)前列腺组织，这在前列腺穿刺活检或切除术试样中是不会出现的。因此，在使用通过前列腺穿刺活检或前列腺切除术获得的试样病理影像数据来训练从turp病理影像中检测出前列腺癌的机器学习模块的情况下，会发生误将不是前列腺的组织(膀胱、尿道上皮等)或烧灼的前列腺组织诊断为癌症的问题。
技术实现思路
1、技术问题
2、本专利技术的目的在于，提供解决上述提及的问题并训练能够从turp病理影像中高性能地检测出前列腺癌的机器学习模块的方法。更详细地，提供训练能够在考虑turp病理影像中特征性地出现的组织形态的同时有效检测出turp病理影像中的前列腺癌病变的机器学习模块的有效方法。
3、技术方案
4、根据本专利技术的一实施方式，提供一种学习用于从turp病理图像中检测前列腺癌的人工神经网络的方法，其特征在于，包括：神经网络学习系统获得多个一次学习用病理图像的步骤，其中，上述多个一次学习用病理图像分别为作为通过前列腺穿刺活检获得的病理试样的切片的扫描图像的前列腺穿刺活检病理图像或作为通过前列腺切除术获得的病理试样的切片的扫描图像的前列腺切除术病理图像中的任一种；上述神经网络学习系统利用上述多个一次学习用病理图像来一次学习前列腺癌判断用人工神经网络的步骤，上述前列腺癌判断用人工神经网络为用于从病理图像中检测前列腺癌的人工神经网络；上述神经网络学习系统获得作为通过经尿道前列腺切除术获得的病理试样的切片的扫描图像的多个turp病理图像的步骤；以及上述神经网络学习系统利用上述多个turp病理图像二次学习一次学习的上述人工神经网络的步骤，上述多个turp病理图像一定包括非前列腺组织区域或烧灼的前列腺组织区域中的至少一种，而完全不包括前列腺癌病变区域。
5、在一实施例中，上述人工神经网络的特征在于，可以为u-net、deeplabv3+、maskr-cnn、densenet中的任一种。
6、根据本专利技术的再一实施方式，提供一种方法，通过以学习人工神经网络的方法学习的人工神经网络来提供有关规定的判断对象turp病理图像的判断结果，包括：计算系统获得上述判断对象turp病理图像的步骤；以及上述计算系统输出上述人工神经网络基于上述判断对象turp病理图像来判断的前列腺癌检测结果的步骤。
7、根据本专利技术的还一实施方式，提供一种计算机程序，记录在设置于数据处理装置的用于执行上述方法的介质中。
8、根据本专利技术的另一实施方式，提供计算机可读记录介质，记录有用于执行上述方法的计算机程序。
9、根据本专利技术的又一实施方式，提供一种神经网络学习系统，包括：处理器；以及存储计算机程序的存储器。在通过上述处理器运行的情况下，上述计算机程序执行使上述计算系统学习人工神经网络的方法。
10、根据本专利技术的又一实施方式，提供一种计算系统，提供有关规定的判断对象turp病理图像的判断结果，包括：处理器；以及存储计算机程序的存储器。在通过上述处理器运行的情况下，上述计算机程序使上述计算系统执行通过以上述人工神经网络学习方法学习的人工神经网络来提供有关上述判断对象turp病理图像的判断结果的方法。
11、根据本专利技术的又一实施方式，提供一种学习用于从turp病理图像中检测前列腺癌的人工神经网络的方法，其特征在于，包括：神经网络学习系统获得作为通过前列腺穿刺活检获得的病理试样的切片的扫描图像的多个前列腺穿刺活检病理图像的步骤；上述神经网络学习系统本文档来自技高网...
【技术保护点】
1.一种学习用于从经尿道前列腺切除术病理图像中检测前列腺癌的人工神经网络的方法，其特征在于，包括：
2.一种方法，通过以根据权利要求1所述的学习人工神经网络的方法学习的人工神经网络来提供有关规定的判断对象经尿道前列腺切除术病理图像的判断结果，其特征在于，包括：
3.一种计算机程序，其特征在于，记录在设置于数据处理装置的用于执行根据权利要求1或2所述的方法的介质中。
4.一种计算机可读记录介质，其特征在于，记录有用于执行根据权利要求1或2所述的方法的计算机程序。
5.一种神经网络学习系统，其特征在于，包括：
6.一种计算系统，提供有关规定的判断对象经尿道前列腺切除术病理图像的判断结果，其特征在于，包括：
【技术特征摘要】
【国外来华专利技术】
1.一种学习用于从经尿道前列腺切除术病理图像中检测前列腺癌的人工神经网络的方法，其特征在于，包括：
2.一种方法，通过以根据权利要求1所述的学习人工神经网络的方法学习的人工神经网络来提供有关规定的判断对象经尿道前列腺切除术病理图像的判断结果，其特征在于，包括：
3.一种计算机程序，其特征在于，记录在设置于数据...
【专利技术属性】
技术研发人员：曹浚宁，张鏸允，郭兑荣，金善禹，
申请(专利权)人：第一百欧有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。