[发明专利]基于深度学习的全尺度病理切片的快速诊断和评分方法

说明书

本发明涉及一种基于深度学习的全尺度病理切片的快速诊断和评分方法。对全尺度病理切片染色图进行预处理；通过改变传统AlexNet神经网络的全连接层和输出层节点数，以适应实际问题的需要，并选用标记好的训练样本集来分别训练两个用于诊断和评分的AlexNet神经网络模型，提取病变区域的高维特征信息；利用训练完成的两个改进的AlexNet神经网络模型实现对全尺度病理切片染色图的诊断和评分；根据诊断的预测概率绘制出概率热图，直观地标识病变区域，同时通过对不同病变程度的取样小块数量占比的统计，对组织的病变程度给予评分。本发明方法能完全自动化地实现对全尺度前列腺组织病理切片的诊断和Gleason评分，准确率和运算速率大幅度超过人工诊断的平均水平。

技术领域

本发明涉及图像处理和医学领域，具体涉及一种基于深度学习的全尺度病理切片的快速诊断和评分方法。

背景技术

在我国，恶性肿瘤早已成为城乡居民的首要死因，恶性肿瘤死亡率属于世界较高水平，而且呈持续的增长趋势。前列腺癌是男性生殖系统最常见的恶性肿瘤，其发病率和死亡率仅次于肺癌，位居癌症死亡的第二位。目前，HE染色病理切片仍是诊断组织癌变的金标准。然而，病理诊断往往依赖于病理医生的主观判断，容易造成误诊和漏诊。同时，由于病理医生的专业水平参差不齐，且存在地域分布的不均衡性，在不发达地区病理诊断存在较高的误诊率和漏诊率。近年来，人工智能与深度学习的发展带给医疗健康领域迅速和革命性的改变，用于疾病诊断和病理分析的人工智能层出不穷，但针对前列腺癌的病理诊断仍存在一些局限性：

1.目前对前列腺组织的病理诊断大部分只是进行二分类，即判断是否为正常或癌症组织，很少针对前列腺癌的严重程度进行评分；

2.传统的癌症检测主要采用细胞核局部检测，很少针对全尺度病理切片染色图；

3.采用纹理分析加分类器的方法，需要手工提取特征，且准确率仅为85％左右；

4.计算效率较低，诊断耗时长。

发明内容

本发明的目的在于提供一种基于深度学习的全尺度病理切片的快速诊断和评分方法，通过对AlexNet神经网络模型的改进，以概率热图的形式标识出正常和癌变区域，并对癌变的严重程度进行评分，实现对组织病理切片更高效准确的智能诊断。

为实现上述目的，本发明的技术方案是：一种基于深度学习的全尺度病理切片的快速诊断和评分方法，包括如下步骤：

步骤S1、将全尺度病理切片染色图输入图像预处理模块，通过格式转换和色彩空间变换，实现对图像的归一化处理；

步骤S2、改变传统AlexNet神经网络的全连接层和输出层节点数，将步骤S1得到的预处理后的全尺度病理切片染色图输入数据训练模块，制作成训练样本集，而后训练两个改进的AlexNet神经网络模型进而得到用于测试诊断AlexNet神经网络模型1和用于病变程度评分的AlexNet神经网络模型2；

步骤S3、将步骤S1得到的预处理后的全尺度病理切片染色图输入测试诊断模块，使用在步骤S2完成训练的用于测试诊断的AlexNet神经网络模型1进行测试诊断，以概率热图的形式标定出正常和病变区域；

步骤S4、将步骤S3中被预测为病变的取样小块输入病变程度评分模块，使用在步骤S2完成训练用于病变程度评分的AlexNet神经网络模型2对病变的取样小块进行分级，分别计算不同等级的病变小块数量占比，根据临床癌组织病变的评分标准，对全尺度病理切片染色图进行病变程度评分。

在本发明一实施例中，所述步骤S1具体实现如下：

首先，将前列腺组织全尺度病理切片染色图转换为计算机易处理的图像格式；

其次，将转换格式后的全尺度病理切片染色图进行色彩空间变换实现对图像的归一化处理，图片由RGB三原色格式图映射为YUV格式，颜色取值有原来的0-255映射为-1-0-1，且方差为1。