【技术实现步骤摘要】
本专利技术涉及医疗，尤其涉及一种基于深度学习的涎腺腺样囊性癌侵袭性检查方法。
技术介绍
1、腺样囊性癌是最常见的唾液腺恶性肿瘤之一，高侵袭性是其重要特征，局部复发和远处转移常见，并导致致命的结果。在病理学中，准确评估肿瘤侵袭对于有效的治疗计划和预测患者预后至关重要。目前，全景切片图像(whole sl ide imaging，wsi)的分析已成为诊断过程中的一个基本组成部分。传统的评估wsi的方法通常既耗时又受到观察者间变异性的影响，这凸显了需要更高效和可靠技术的需求。深度学习领域作为人工智能的一个子领域,最近已显示出在转型数字病理学方面的潜力。深度学习涉及使用神经网络从复杂图像中学习和理解特征，并在各种医学图像应用中显示出了非凡的成功。
2、卷积神经网络(cnns)一直处于口腔肿瘤检测和诊断的前沿，为分类组织病理学图像开发定制的cnn模型已显示出在提高诊断准确性和效率方面的重大潜力。已经有研究人员提出了将cnn模型与传统机器学习算法如支持向量机和特征提取技术相结合的混合技术，以增强诊断性能。此外，将可解释性纳入cnns的方法提供了对模型决策过程的分析，使诊断更可靠和可理解。
3、通过使用各种基于cnn的方法，将这些技术应用于口腔肿瘤诊断的结果是有希望的，它在多个研究中都有良好的准确性、敏感性、特异性和f1分数。此外，自动检测系统已被证明可以提供快速和准确的口腔癌诊断，显著减轻病理学家的工作量。不少研究已探索将深度学习集成到筛查和早期检测方法中，初步结果表明了这种非侵入式和低成本方法识别疾病的可行性。基于
4、目前已有的工作，大部分利用深度学习模型对病理图片进行分析，并辅助诊断口腔癌。然而很多的工作仅仅停留在，对图片中是否存在恶性肿瘤细胞进行判断，并没有对图片中的血管侵犯和神经侵犯进行图像分割。在临床实践中，只知道恶性肿瘤细胞的存在，不能指导下一步的治疗方案。血管侵犯和神经侵犯对于病情严重性判断和将来治疗有重要的指导作用。深度学习在ws i s侵袭分类的具体应用仍然未被充分探索。有必要提出一个专门用于分析涎腺腺样囊性癌ws i s的深度学习模型来填补这一空白。目前还没有产品可以自动从腺样囊性癌病理切片中，映射肿瘤的侵袭区域。
技术实现思路
1、本专利技术的目的是提供一种基于深度学习的涎腺腺样囊性癌侵袭性检查方法，利用深度学习分析病理切片，分割图像中的神经侵犯和血管侵犯特征。本专利技术能够提高对病理切片分析的准确性和处理速度，提供更便利和更具临床意义的病理图片分析结果。
2、本专利技术提供了一种基于深度学习的涎腺腺样囊性癌侵袭性检查方法，包括：
3、获取涎腺腺样囊性癌的全景切片图像ws i作为初始样本；
4、基于预设的切块补丁学习机制对所述初始样本进行预处理，基于re i nhard算法对所述全景切片图像ws i进行颜色均一化操作，并将颜色均一化后的全切片图像ws i分割成多个补丁，从补丁中选择与肿瘤区域相关的目标补丁块，将经过预处理后的样本汇总形成应用于模型的数据库；
5、将所述目标补丁块作为输入，基于深度学习模型进行入侵分类和映射，输入编码器进行特征提取，根据目标补丁块信息对是否存在肿瘤的侵犯进行判断并将提取的目标特征映射到输入的目标补丁块上并进行标记；
6、获取数据库中的样本数据集并划分为训练集和测试集，将训练集输入深度学习的模型，采用交叉验证对模型进行训练，并根据侵袭分类或侵袭映射性能相关的指标对训练好的深度学习模型进行评估，根据评估结果更新并优化深度学习模型，使得优化后的深度学习模型能够根据识别的组织病理学特征检测到肿瘤细胞对神经和血管的侵袭区域。
7、作为优选的，所述基于预设的切块补丁学习机制对所述初始样本进行一次预处理进一步包括：
8、获取经过颜色均一化处理后的整张全景切片图像ws i；
9、识别整张全景切片图像ws i与肿瘤特征无关的背景区域进行过滤，提取与肿瘤相关的区域，并切割为互不重叠的512x512像素的补丁，所述背景区域呈现同质化细胞特征，所述与肿瘤相关的区域呈现不规则形态学特征分布；
10、通过高通滤波器利用对应的形态学特征差异，抑制低频背景信息来突出感兴趣的特征，从而增强肿瘤区域的对比度，同时根据预定义的强度标准识别和提取补丁块，确保仅包含具有目标病理信息的区域，得到目标补丁块。
11、作为优选的，所述基于深度学习模型进行入侵分类和映射包括：
12、通过随机旋转、随机翻转、随机缩放和随机伽马调整，对训练集进行数据增强；
13、将目标补丁块作为深度学习模型的输入，导入基于seresnet50的编码器进行特征提取，得到目标特征；
14、将编码器的输出连接至dense全连接神经网络层，对目标补丁是否存在肿瘤的侵犯进行判断，利用多数投票算法判断存在肿瘤侵犯的补丁块数量是否超过总数量的一半，在超过总数量的一半的情况下，则判定整张全景切片图像ws i存在肿瘤侵犯；
15、将编码器的输出输入到li nknet解码器，将提取的目标特征映射到输入的补丁块上，实现肿瘤侵犯特征的可视化；
16、其中，所述深度学习模型采用seresnet50-dense-li nknet模型。
17、作为优选的，所述全景切片图像ws i是采用panorami c m id i扫描仪在40倍物镜放大倍率下对标本进行数字化生成的图像，所述标本是福尔马林固定的石蜡包埋组织，采用苏木精和伊红进行染色生成的。
18、作为优选的，所述目标特征包括神经周侵犯、血管侵犯及相关关键病理特征。
19、作为优选的，所述根据侵袭分类或侵袭映射性能相关的指标对训练好的深度学习模型进行评估时包括对分类准确率、敏感性、特异性、受试者工作特征曲线下面积auroc进行侵袭分类评估，以及采用di ce系数进行侵袭映射评估。
20、本专利技术还提供了一种基于深度学习的涎腺腺样囊性癌侵袭性检查系统，包括：
21、数据获取模块，用于获取涎腺腺样囊性癌的全景切片图像ws i作为初始样本；
22、补丁预处理模块，用于基于预设的切块补丁学习机制对所述初始样本进行预处理，基于re i nhard算法对所述全景切片图像ws i进行颜色均一化操作，并将颜色均一化后的全切片图像ws i分割成多个补丁，从补丁中选择与肿瘤区域相关的目标补丁块，将经过预处理后的样本汇总形成应用于模型的数据库；
23、深度学习模块，用于将所述目标补丁块作为输入，基于深度学习模型进行入侵分类和映射，输入编码器进行特征提取，根据目标补丁块信息对是否存在肿瘤的侵犯进行判断并将提取的目标特征映射到输入的目标补丁块上并进行标记；
24、优化评估模块，用于获取数据库中的样本数据集并划分为训练集和测试集，将训练集输入基于深度学习的模型，采本文档来自技高网...
【技术保护点】
1.一种基于深度学习的涎腺腺样囊性癌侵袭性检查方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的涎腺腺样囊性癌侵袭性检查方法，其特征在于，所述基于预设的切块补丁学习机制对所述初始样本进行一次预处理进一步包括：
3.根据权利要求1所述的基于深度学习的涎腺腺样囊性癌侵袭性检查方法，其特征在于，所述基于深度学习模型进行侵袭分类和映射包括：
4.根据权利要求1所述的基于深度学习的涎腺腺样囊性癌侵袭性检查方法，其特征在于，所述全景切片图像WSI是采用Panoramic MIDI扫描仪在40倍物镜放大倍率下对标本进行数字化生成的图像，所述标本是福尔马林固定的石蜡包埋组织，采用苏木精和伊红进行染色生成的。
5.根据权利要求1所述的基于深度学习的涎腺腺样囊性癌侵袭性检查方法，其特征在于，所述目标特征包括神经周侵犯、血管侵犯及相关关键病理特征。
6.根据权利要求1所述的基于深度学习的涎腺腺样囊性癌侵袭性检查方法，其特征在于，所述根据侵袭分类或侵袭映射性能相关的指标对训练好的深度学习模型进行评估时包括对分类准确率、敏感性、特异
7.一种基于深度学习的涎腺腺样囊性癌侵袭性检查系统，其特征在于，包括：
8.根据权利要求1所述的基于深度学习的涎腺腺样囊性癌侵袭性检查系统，其特征在于，所述补丁预处理模块包括：
9.一种电子设备，其特征在于，包括：
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有处理程序，所述处理程序被处理器执行时实现如权利要求1至6中任意一项所述的基于深度学习的涎腺腺样囊性癌侵袭性检查方法。
...【技术特征摘要】
1.一种基于深度学习的涎腺腺样囊性癌侵袭性检查方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的涎腺腺样囊性癌侵袭性检查方法，其特征在于，所述基于预设的切块补丁学习机制对所述初始样本进行一次预处理进一步包括：
3.根据权利要求1所述的基于深度学习的涎腺腺样囊性癌侵袭性检查方法，其特征在于，所述基于深度学习模型进行侵袭分类和映射包括：
4.根据权利要求1所述的基于深度学习的涎腺腺样囊性癌侵袭性检查方法，其特征在于，所述全景切片图像wsi是采用panoramic midi扫描仪在40倍物镜放大倍率下对标本进行数字化生成的图像，所述标本是福尔马林固定的石蜡包埋组织，采用苏木精和伊红进行染色生成的。
5.根据权利要求1所述的基于深度学习的涎腺腺样囊性癌侵袭性检查方法，其特征在于，所述目标特征包括神经周侵...
【专利技术属性】
技术研发人员：夏荣辉，胡宇华，钱佳骏，李江，顾挺，
申请(专利权)人：上海交通大学医学院附属第九人民医院，
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。