[发明专利]基于卷积神经网络的胃癌病灶检测方法及装置

说明书

本发明涉及图像处理技术领域，尤其涉及基于卷积神经网络的胃癌病灶检测方法及装置。本发明公开了一种基于卷积神经网络的胃癌病灶检测方法，包括下列步骤：S1、待测的胃癌样本大体图像的预处理；S2、基于目标检测算法模型的病灶目标提取及置信度分析，输出病灶检测结果；或S3、基于语义分割算法模型的病灶目标精细分割与勾勒，输出病灶检测结果。本发明方法首创利用胃癌样本大体图像，可自动化定位胃切除标本中癌灶和胃内或胃周转移性癌灶，同时给出分析结果的置信度，辅助检验医师对标本进行准确切取病变部位，提高癌灶检出效率，减少漏诊率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于卷积神经网络的胃癌病灶检测方法及装置。

背景技术

人工智能(artificial intelligence,AI)是计算机科学的一个分支，致力于设计并执行近似人类智能的计算机算法，使计算机算法达到与人类智能执行任务时相似的工作效果。机器学习(machine Learning,ML)是人工智能领域的分支，指所有通过非显性编程就能使机器从数据集中学习、预测阳性事件并进行决策。机器学习分为有监督学习、无监督学习、半监督学习及强化学习。深度学习(deep learning,DL)属于机器学习范畴，其中应用最广泛的深度学习模型便是卷积神经网络(convolutional neural network,CNN)，该算法是一类包括卷积计算并且具有深度网络结构的深度学习算法，在医学图像处理领域能够用于图像分类、目标检测及语义分割等多个方面。CNN具有优秀的图像特征提取能力，该类模型常作为目标检测及语义分割的特征提取骨架(backbone)对模型特征进行提取。常用的CNN模型包括VGG、Inception、ResNet、Mobilenet、Xception等。

目标检测(object detection)一直以来都是计算机视觉领域的研究热点。目标检测的目的是确定某张给定图像中是否存在给定类别的目标。例如，在医学影像领域，可以明确图像中是否有肿瘤病灶，如果该图像中存在目标病灶，目标检测算法就返回每个目标实例的空间位置和覆盖范围，返回一个目标检测预测框，并在框的上方标注置信度(confidence)。随着CNN模型的出现，结合以CNN算法作为主干特征提取网络骨架的目标检测算法应运而生。

语义分割(semantic segmentation)是通过对给定图像内的每个像素点进行识别后作出分类，能够在像素层面精确的分割图像中目标区域与背景区域。语义分割与单纯提取病灶的目标检测不同之处在于，能够对图像中的病灶区域进行精准勾勒，更符合肿瘤精准诊断与精准治疗的实际需求。常用的语义分割算法包括SegNet、UNet、PSPNet和DeepLab等。语义分割算法中的UNet算法及其衍生算法因其结构简单并能够充分利用编码(encoder)过程中提取深层及浅层图像特征，在医学图像处理分析领域具有十分广泛的应用前景。

胃肿瘤外科治疗后的手术切除标本图像是医生明确病灶数目、病灶侵犯深度、病灶扩散程度的第一手资料，需要切取准确的病灶部位制备病理切片做出精准诊断，从而指导后续的治疗方案选择。迄今为止一直依赖于外科医师和病理科医师的肉眼判断，难免存在微小病灶或者转移病灶被遗漏的现象。

随着诊疗技术的不断提高和胃镜检查等的普及，早期胃癌的检出率正在逐年提高，从而得到及时的手术切除治疗。但早期胃癌手术切除标本中病灶的精准定位是目前临床病理切取标本的难题之一，有时候只能凭借医师的经验识别，或者依靠手术医师在可疑病灶处使用缝合线作为标注提示，而对于胃内的多发性病灶或者主病灶出现胃内的多发性转移灶、以及胃周围转移淋巴结或者癌结节灶识别则是世界范围内公认的难点。

发明内容

本发明的目的在于提供一种基于卷积神经网络的胃癌病灶检测方法及装置，以解决早期胃癌手术切除标本临床病理精准切取标本的难题，以及微小病灶或者转移病灶被遗漏的现象。

为此，本发明公开了一种基于卷积神经网络的胃癌病灶检测方法，包括下列步骤：

S1、待测的胃癌样本大体图像的预处理；