【技术实现步骤摘要】
本专利技术涉及病理切片图像判读及诊断领域，具体涉及一种数字病理图像分级方法与系统。
技术介绍
1、前列腺癌对男性健康危害性非常大，患病率逐年增高，病理诊断是疾病诊断中的“金标准”，而对单个前列腺穿刺病例的病理结果的解读一般需要资深病理专家较长判读时间，工作量大、判读门槛高，且肉眼对癌细胞的占比判断可能存在一定误差及主观性，可能影响预后。
2、人工智能(artificial intelligence,ai)是一种模拟人类思维和判断方式的技术，能够分析各类问题并提出相应的解决方案。随着芯片技术、深度学习和大数据等领域的飞速发展，ai在医学领域的应用也日益广泛，特别是在影像学、病理学、疾病管理和药物研发等方面展现出巨大潜力。机器学习是实现人工智能的关键技术，其中深度学习是目前最为热门的研究方向。深度学习通过多层处理组合低级特征(如图像中的点、角和边缘)形成更高级的抽象特征(如图像的标签)，从而揭示数据的内在联系并执行目标识别和分类。在深度学习领域，卷积神经网络(convolution neural network,cnn)是图像处理中应用最广泛的模型之一，它主要由卷积层、池化层、全连接层和激活函数组成，在图像识别和分类领域展示了独特的优势。
3、在病理学领域，ai技术尤其是深度学习，对于提高病理医生的工作效率、降低误诊率及提升报告的标准化质量具有重要价值。数字化病理图像的二维属性为ai提供了理想的应用场景。已有多项研究利用深度学习进行病理学图像的分类和识别，例如一项研究利用日本国家信息学研究所(nii)管理的协
4、因此，需要开发一种用于检测前列腺癌临床组织病理切片质量的方法与系统，用以利用人工智能技术拥有的海量的数据，解决临床病理工作中现存的工作量大、判读门槛高，且肉眼对癌细胞的占比判断可能存在一定误差及主观性等缺陷。
5、公布号为cn117457157a的现有专利技术专利申请文献《pet-mri影像前列腺病变三维可视化系统及方法》，该现有方法包括：通过前列腺全数字病理切片筛选专家模型，对前列腺全数字病理切片数据进行筛选；通过恶性肿瘤病理识别模型，利用深度学习定位恶性肿瘤；对第一组前列腺切片数据集进行分集标注；并通过迁移学习，构建前列腺病变初步gleason分级模型；对前列腺病变初步gleason分级模型进行测试训练优化，进行gleason分级评分；根据gleason分级评分二维谱系图，纳入肿瘤浸润深度信息，建立三维肿瘤谱系图，将三维肿瘤谱系图映射到前列腺pet-mri影像上，进行pet-mri影像前列腺病变三维可视化精准辅助识别。然而，前述现有技术未直接用有专家标注的前列腺癌病理图像数据进行深度学习模型的训练和预测，该方案中的迁移学习、谱系图映射易导致级联误差。
6、公布号为cn116188407a的现有专利技术专利申请文献《一种前列腺数字病理图像gleason分级系统和方法》，该现有方法包括：获取前列腺数字病理切片作为待分级图片；基于预设算法提取模型识别待分级图片中的前景区域；基于预设的滑窗窗口，采用滑窗法截取待分级图片中的前景区域，得到若干涉及前景区域的前景图块；使用预先训练的语义分割模型对前景图块进行组织类别的识别和区域分割，得到前景图块的类别掩膜块；拼接前景图块的类别掩膜块，形成待分级图片的类别掩膜图；根据类别掩膜图中前景区域的部分得到gleason分级结果。然而，该现有技术未充分学习专家知识，难以充分、有效地利用区域分割的边缘模块信息，同时，该方案采用的语义分割模型效果不准，造成结果误判。
7、公布号为cn118538429a的现有专利技术专利申请文献《一种基于医学知识图谱的临床检验结果分析方法》，该现有方法包括：通过建立中心化数据仓库，将多源数据统一存储，并利用etl工具同步和整合数据，保证数据的一致性和完整性，采用卷积神经网络cnn和递归神经网络rnn深度学习技术，从医学图像和时间序列数据中提取高维度特征，提高特征提取的精确性和丰富性，并通过数据融合技术，将结构化数据和非结构化数据结合，增强数据的表达力和信息完整性，并利用图神经网络gnn处理和解析融合后的数据，获取不同数据模态间的潜在联系和相互作用，利用cnn和rnn分析时间序列数据和图像数据，提取疾病的生物标志物，预测病情发展。然而，前述现有方案存在训练数据匮乏的问题，同时，该方案难以规避gnn处理不同数据模态间的潜在联系和相互作用时带来的模态不一致没法完全信息对齐的问题。
8、现有公开文献《面向前列腺癌gleason的深度学习方法研究现状综述》，在该现有文献中，retina u-net架构将retina net与u-net相结合，是专为处理医学图像而设计的。在retinau-net中，病变的检测是独立于病变分割的(不同于其他类似的检测+分割架构，如maskr-cnn)。然而，该现有技术进行进行病变检测和分割，只能单独地用专家标注数据进行病变检测，制约了病变检测效果。
9、现有公开文献《基于fasterrcnn和mpmri的临床有意义前列腺癌诊断预测模型的构建及应用》，在该现有文献中，区域卷积神经网络(region-based cnn，rcnn)是最先被应用于目标检测领域的深度学习网络结构，候选区域选择、特征提取、分类和边界回归是其三大流程，以此为基础的rcnn系列(rcnn、fastrcnn、fasterrcnn等)也是目前常用的网络结构系列之一。faster rcnn在rcnn和fast rcnn基础上，使用区域候选网络(regionproposalnetworks，rpn)选择候选区域。faster rcnn经过rcnn和fastrcnn的发展，将特征提取、候选框生成、roi池化、边框回归和分类集合在同一个网络。前述现有方案依赖cnn和rnn相关的算法进行候选区域检测，无法保证检测准确率。
10、综上，现有的癌细胞检测及肿瘤分级技术中，使用预训练模型以及cnn和rnn融合训练方法很少，主要存在以下原因：
11、1、模型复杂性与计算开销大：在高性能的gpu处理器出现前，无论是预训练模型还是将cnn和rnn融合训练，模型不仅需要处理高维度的图像数据，还要建模复杂的时间或顺序关系。这种复杂的网络结构对计算资源和训练时间的需求非常高，尤其是在处理大规模病理图像数据时，需要高性能计算设备支持。近年来，随着高性能的gpu处理器不断出现，让预训练模型以及cnn和rnn融合训练在计算资源上有了可行性；
12、高质量数据和标注的匮乏：无论是预训练模型还是cnn和rnn融合训练，方法的有效性很大程度上依赖于大量的标注数据，而前列腺癌的等级预测通常需要高质量的病理切片和精确的等本文档来自技高网...
【技术保护点】
1.一种数字病理图像分级方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种数字病理图像分级方法，其特征在于，所述S1包括：
3.根据权利要求2所述的一种数字病理图像分级方法，其特征在于，所述12中，利用不少于2个卷积层conv layers，采用valid卷积方式，缩小图像尺寸，以完成所述图像尺寸减半操作。
4.根据权利要求3所述的一种数字病理图像分级方法，其特征在于，所述积层convlayers采用same模式进行卷积操作。
5.根据权利要求2所述的一种数字病理图像分级方法，其特征在于，所述S13中，利用2×2up-conv操作，实现所述行列维度倍增。
6.根据权利要求1所述的一种数字病理图像分级方法，其特征在于，所述S2包括：
7.根据权利要求1所述的一种数字病理图像分级方法，其特征在于，所述S3包括：
8.根据权利要求7所述的一种数字病理图像分级方法，其特征在于，所述S31中，每一层的所述卷积层、所述池化层以及所述激活层，捕捉边缘数据、纹理数据、形状数据以及模式数据，根据边缘数据
9.根据权利要求7所述的一种数字病理图像分级方法，其特征在于，所述S31还包括：
10.一种数字病理图像分级系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种数字病理图像分级方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种数字病理图像分级方法，其特征在于，所述s1包括：
3.根据权利要求2所述的一种数字病理图像分级方法，其特征在于，所述12中，利用不少于2个卷积层conv layers，采用valid卷积方式，缩小图像尺寸，以完成所述图像尺寸减半操作。
4.根据权利要求3所述的一种数字病理图像分级方法，其特征在于，所述积层convlayers采用same模式进行卷积操作。
5.根据权利要求2所述的一种数字病理图像分级方法，其特征在于，所述s13中，利用2×2up-conv操作，实现所述行列...
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。