[发明专利]基于深度学习的级联式癌细胞检测系统

说明书

本发明公开了一种基于深度学习的级联式癌细胞检测系统，涉及深度学习检测领域，解决了病理识别过程中没有结合病历识别精度不高的技术问题，其技术方案要点是建立病历数据库和病理图像数据库，并通过特征提取单元来提取文本病历样本和病理图像样本的特征，然后将这些特征投入到分类层训练并生成检测模型，检测模型先对电子病理样本进行识别，识别结果为阳性则直接输出该结果，否则将文本病历样本和电子病理样本同时投入到检测模型进行识别。通过构建深度学习网络和级联式病理识别的系统，完整的模拟了医生进行病理图像阅读和判断的过程，同时将病历数据引入到病理识别的过程中，有效地应用了病人的就诊记录，为病理识别提供了辅助决策。

技术领域

本公开涉及深度学习检测领域，尤其涉及一种基于深度学习的级联式癌细胞检测系统。

背景技术

甲状腺淋巴结转移癌是一种常见病症，最终需要进行病理检查进行确诊，病理医生的工作量非常大，而且工作状态受时间、身体等多种因素影响，为此需要提出一种自动化的病理图像判断方法，以缓解病理医生的工作压力，提高识别工作效率。

早期的病理图像机器识别方法主要有SVM、PCA-SVM、LOG滤波、自适应阈值等，随着深度学习算法提出后，卷积神经网络算法(CNN)因其出色的图像识别性能被引入到了病理识别中，主要研究集中在细胞形态识别。但是单一的细胞形态的识别过程比较复杂，需要对细胞进行分割等多种预处理，而且由于细胞可能重叠、形态多样，细胞分割存在难度，所以一般还需辅助其他特征提取方法，比如：人工特征提取、快学习方法、分辨率自适应方法等。

在实际病理判别过程中，病理医生首先会阅读就诊记录，然后再进行病理图像判别，阅读就诊记录的过程非常重要，有利于病理医生更好的进行病理切片和分析，特别是有助于提示病理医生不要遗漏某种诊断思路。然而现有的自动化病理识别方法的研究点只集中于病理图像的识别过程，缺乏对就诊记录的引用。

发明内容

本公开提供了一种基于深度学习的级联式癌细胞检测系统，达到高精度识别癌细胞的技术目的。

本公开的上述技术目的是通过以下技术方案得以实现的：

一种基于深度学习的级联式癌细胞检测系统，包括样本建立模块、数据处理模块、模型训练模块和检测模块；

所述样本建立模块包括：

病历单元，将纸质病历或电子病历转换成文本病历样本，形成病历数据库；

病理单元，将病理图像转化为电子病理样本，形成病理图像数据库；

所述数据处理模块包括：

文本处理单元，对所述文本病历样本进行预处理将其转为数值型向量；

图像处理单元，对所述电子病理样本进行预处理，对颜色相似度和纹理相似度进行综合判断，从而提取病理图像样本；

所述模型训练模块包括：

文本特征提取单元，提取所述文本病历样本的文本特征向量；

图像特征提取单元，提取所述病理图像样本的图像特征向量；

和模型训练单元；

所述模型训练单元包括：

第一训练单元，将所述图像特征向量投入到分类层进行训练，生成第一检测模型；

第二训练单元，将所述文本特征向量和所述图像特征向量投入到分类层进行训练，生成第二检测模型；

检测模块，将所述电子病理样本投入到所述第一检测模型进行识别，得到识别结果，若所述识别结果为阳性，则输出所述识别结果，否则将所述文本病历样本和所述电子病理样本同时投入到所述第二检测模型进行识别。

进一步地，所述图像处理单元包括：