【技术实现步骤摘要】
本专利技术涉及生物医学深度学习，尤其涉及一种基于深度学习的甲状腺细针穿刺快速筛查方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、甲状腺结节是临床上最常见的内分泌疾病之一，经甲状腺超声检查的发病率约为20％～76％，恶性结节约占5％～15％。细针穿刺活检(fnab，fine needle aspirationbiopsy)是术前评估甲状腺结节良恶性、减少诊断性手术的重要方法，亦可有效预测恶性肿瘤的侵袭性。超声引导下fna适用于首诊可疑恶性的甲状腺结节、考虑复发、转移性甲状腺癌的术前明确诊断。由于甲状腺细针穿刺检查数量庞大，且病理医生人力严重不足，同时涂片上存在数万个细胞需要病理医生逐一鉴别，因此筛查效率较低。
技术实现思路
1、为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种基于深度学习的甲状腺细针穿刺快速筛查方法及系统，本专利技术利用深度学习相关技术，能够自动分析和筛查甲状腺细针穿刺(fna)样本，快速识别甲状腺细针穿刺图像中的细胞，减轻病理医生的工作负担，并大幅提升筛查效率和准确性。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术的第一个方面提供一种基于深度学习的甲状腺细针穿刺快速筛查方法。
4、一种基于深度学习的甲状腺细针穿刺快速筛查方法，包括：
5、对获取的甲状腺细针穿刺数字图像进行裁切，得到若干子图像；
6、将每个
7、基于将目标图像所对应的子图像输入深度学习定位模型中，得到目标细胞的定位矩阵；将目标细胞的定位矩阵与目标图像矩阵求交，选取结果为1的点作为roi区域，得到roi图像；
8、基于roi图像，采用深度学习分类模型，得到若干类别，以确定甲状腺细针穿刺数字图像是否为阳性。
9、进一步地，所述将每个子图像先转换到hsv色彩空间的过程包括：将每个子图像从rgb转换到hsv色彩空间，按照预设的h、s、v通道阈值进行过滤，得到仅包含细胞核的图像。
10、更进一步地，所述进行快速径向对称变换和阈值分割，得到二值化图像的过程包括：对仅包含细胞核的图像进行快速径向对称变换，并标准化，将图像中的值映射至[0，255]区间，再进行otsu阈值分割，得到二值化图像。
11、进一步地，深度学习定位模型的训练过程包括：将子图像分为n×n个区域，若某个区域内包含目标细胞，则将该区域置为1，反之则置为0，得到n×n标注矩阵；采用n×n标注矩阵对深度学习定位模型进行训练。
12、进一步地，所述深度学习定位模型包括：n层卷积层、最大池化层、一层用于整合特征图通道数的卷积层以及将输出映射至[0，1]的sigmoid层。
13、进一步地，所述基于roi图像，采用深度学习分类模型，得到若干类别，以确定甲状腺细针穿刺数字图像是否为阳性，方法包括：基于roi图像，采用深度学习分类模型，得到roi图像对应的若干类别；按照各类别出现的频次，计算得到整张甲状腺细针穿刺数字图像的类别概率；若类别概率超过预设的各类别概率阈值，输出甲状腺细针穿刺数字图像为阳性。
14、本专利技术的第二个方面提供一种基于深度学习的甲状腺细针穿刺快速筛查系统。
15、一种基于深度学习的甲状腺细针穿刺快速筛查系统，包括：
16、裁切模块，其被配置为：对获取的甲状腺细针穿刺数字图像进行裁切，得到若干子图像；
17、处理模块，其被配置为：将每个子图像先转换到hsv色彩空间，再进行快速径向对称变换和阈值分割，得到二值化图像；将二值化图像中的显著点作为细胞所在位置，生成细胞分布散点图；对得到的细胞散点图进行核密度估计，得到密度直方图；采用预设的散点分布密集度阈值对密度直方图进行阈值过滤，得到目标图像矩阵；
18、定位求交模块，其被配置为：基于将目标图像所对应的子图像输入深度学习定位模型中，得到目标细胞的定位矩阵；将目标细胞的定位矩阵与目标图像矩阵求交，选取结果为1的点作为roi区域，得到roi图像；
19、分类模块，其被配置为：基于roi图像，采用深度学习分类模型，得到若干类别，以确定甲状腺细针穿刺数字图像是否为阳性。
20、进一步地，所述处理模块，还被配置为：将每个子图像从rgb转换到hsv色彩空间，按照预设的h、s、v通道阈值进行过滤，得到仅包含细胞核的图像；对仅包含细胞核的图像进行快速径向对称变换，并标准化，将图像中的值映射至[0，255]区间，再进行otsu阈值分割，得到二值化图像。
21、进一步地，所述分类模块，还被配置为：基于roi图像，采用深度学习分类模型，得到roi图像对应的若干类别；按照各类别出现的频次，计算得到整张甲状腺细针穿刺数字图像的类别概率；若类别概率超过预设的各类别概率阈值，输出甲状腺细针穿刺数字图像为阳性。
22、本专利技术的第三个方面提供一种计算机可读存储介质。
23、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于深度学习的甲状腺细针穿刺快速筛查方法中的步骤。
24、本专利技术的第四个方面提供一种计算机设备。
25、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于深度学习的甲状腺细针穿刺快速筛查方法中的步骤。
26、与现有技术相比，本专利技术的有益效果是：
27、传统的甲状腺细针穿刺诊断依赖于医生对细胞学特征的视觉判断，存在主观性和误诊率较高的问题。为此，本申请通过学习大量样本数据，自动识别和分类细胞学特征，从而提高诊断的准确性和一致性。本专利技术将细针穿刺样本的数字图像作为输入，经过深度学习模型的分析和处理，输出对样本是否为阳性的判断结果。这种自动化的筛查方法不仅能够减少医生的工作负担，还能够提高筛查的效率和可靠性，为甲状腺疾病的早期诊断和治疗提供重要的支持。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的甲状腺细针穿刺快速筛查方法，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甲状腺细针穿刺快速筛查方法，其特征在于，所述将每个子图像先转换到HSV色彩空间的过程包括：将每个子图像从RGB转换到HSV色彩空间，按照预设的H、S、V通道阈值进行过滤，得到仅包含细胞核的图像。
3.根据权利要求2所述的基于深度学习的甲状腺细针穿刺快速筛查方法，其特征在于，所述进行快速径向对称变换和阈值分割，得到二值化图像的过程包括：对仅包含细胞核的图像进行快速径向对称变换，并标准化，将图像中的值映射至[0，255]区间，再进行OTSU阈值分割，得到二值化图像。
4.根据权利要求1所述的基于深度学习的甲状腺细针穿刺快速筛查方法，其特征在于，深度学习定位模型的训练过程包括：将子图像分为n×n个区域，若某个区域内包含目标细胞，则将该区域置为1，反之则置为0，得到n×n标注矩阵；采用n×n标注矩阵对深度学习定位模型进行训练。
5.根据权利要求1所述的基于深度学习的甲状腺细针穿刺快速筛查方法，其特征在于，所述深度学习定位模型包括：N层
6.根据权利要求1所述的基于深度学习的甲状腺细针穿刺快速筛查方法，其特征在于，所述基于RoI图像，采用深度学习分类模型，得到若干类别，以确定甲状腺细针穿刺数字图像是否为阳性，方法包括：基于RoI图像，采用深度学习分类模型，得到RoI图像对应的若干类别；按照各类别出现的频次，计算得到整张甲状腺细针穿刺数字图像的类别概率；若类别概率超过预设的各类别概率阈值，输出甲状腺细针穿刺数字图像为阳性。
7.一种基于深度学习的甲状腺细针穿刺快速筛查系统，其特征在于，包括：
8.根据权利要求7所述的基于深度学习的甲状腺细针穿刺快速筛查系统，其特征在于，所述处理模块，还被配置为：将每个子图像从RGB转换到HSV色彩空间，按照预设的H、S、V通道阈值进行过滤，得到仅包含细胞核的图像；对仅包含细胞核的图像进行快速径向对称变换，并标准化，将图像中的值映射至[0，255]区间，再进行OTSU阈值分割，得到二值化图像；
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的基于深度学习的甲状腺细针穿刺快速筛查方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的基于深度学习的甲状腺细针穿刺快速筛查方法中的步骤。
...【技术特征摘要】
1.一种基于深度学习的甲状腺细针穿刺快速筛查方法，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甲状腺细针穿刺快速筛查方法，其特征在于，所述将每个子图像先转换到hsv色彩空间的过程包括：将每个子图像从rgb转换到hsv色彩空间，按照预设的h、s、v通道阈值进行过滤，得到仅包含细胞核的图像。
3.根据权利要求2所述的基于深度学习的甲状腺细针穿刺快速筛查方法，其特征在于，所述进行快速径向对称变换和阈值分割，得到二值化图像的过程包括：对仅包含细胞核的图像进行快速径向对称变换，并标准化，将图像中的值映射至[0，255]区间，再进行otsu阈值分割，得到二值化图像。
4.根据权利要求1所述的基于深度学习的甲状腺细针穿刺快速筛查方法，其特征在于，深度学习定位模型的训练过程包括：将子图像分为n×n个区域，若某个区域内包含目标细胞，则将该区域置为1，反之则置为0，得到n×n标注矩阵；采用n×n标注矩阵对深度学习定位模型进行训练。
5.根据权利要求1所述的基于深度学习的甲状腺细针穿刺快速筛查方法，其特征在于，所述深度学习定位模型包括：n层卷积层、最大池化层、一层用于整合特征图通道数的卷积层以及将输出映射至[0，1]的sigmoid层。
6.根据权利要求1所述的基于深度学习的甲状腺细针穿刺快速筛查...
【专利技术属性】
技术研发人员：邢晓明，林东亮，谷海燕，李广起，陈辰，张欣欣，蔡东兴，
申请(专利权)人：青岛大学附属医院，
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。