[发明专利]基于深度学习的脑胶质瘤荧光图像分析方法、系统及设备

权利要求书

1.一种基于深度学习的脑胶质瘤荧光图像分析系统，其特征在于，所述系统包括：图像获取模块、图像识别模块和目标分析模块；

所述图像获取模块，配置为获取标本荧光图像，作为待测图像；

所述图像识别模块，配置为基于所述待测图像，通过训练好的基于深度学习的脑胶质瘤荧光图像识别网络，获得待测图像类别；其中，待测图像类别包括正常组织和肿瘤组织；

所述目标分析模块，配置为基于类别为肿瘤组织的待测图像，通过训练好的基于深度学习的肿瘤分级网络获得待测图像的肿瘤等级；通过训练好的基于深度学习的Ki-67表达水平识别网络获得待测图像的Ki-67表达水平；

所述基于深度学习的脑胶质瘤荧光图像识别网络、基于深度学习的肿瘤分级网络和基于深度学习的Ki-67表达水平识别网络，基于EfficientNet卷积神经网络构建；所述EfficientNet卷积神经网络包括顺次连接的输入层、特征提取层和预测层；其中，特征提取层包括顺次连接的1个Stem模块和n个结构相同特征数不同的MBConv模块；所述Stem模块为1个卷积核为3×3的卷积层；所述MBConv模块为逆瓶颈结构，包括顺次连接的卷积核为1×1的卷积层、包含注意力模块的卷积核为3×3的卷积和1个卷积核为1×1的卷积；

所述基于深度学习的脑胶质瘤荧光图像识别网络，其训练方法包括：

步骤A100，获取训练图像；

步骤A200，基于所述训练图像进行灰度映射生成灰度训练图像；

步骤A300，基于所述灰度训练图像，通过所述基于深度学习的脑胶质瘤荧光图像识别网络的特征提取层获取训练图像特征；特征提取层的深度d、宽度w、输入分辨率r为：

s.t.α·β²·γ²≈2，α≥1，β≥1，γ≥1

其中，为放缩系数，α表示深度常数，β表示宽度常数，γ表示分辨率常数；深度d指MBConv模块的重复次数，宽度w指MBConv中卷积的特征数；

特征提取层中所述MBConv的注意力模块的注意力函数为：

其中，SE表示注意力函数，X表示模块的输入，x表示空间横坐标，y表示空间纵坐标，H表示图像高度，W表示图像宽度，w₁表示注意力模块中第一个全连接层的权重，w₂表示注意力模块中第二个全连接层的权重，f表示注意力权重函数，g表示全局平均池化函数；

步骤A400，基于所述训练图像特征，通过预测层获得训练图像类别；并计算加权二分类交叉熵损失L_BCE：

其中，y_t表示样本标签，表示第i个样本的标签，y_p表示网络输出的概率，表示第i个样本输出的概率，P表示正样本类别，N表示负样本类别，α_P表示正样本的权重，α_N表示负样本的权重；

步骤A500，重复步骤A100-步骤A400，通过反向传播得到梯度，通过随机梯度下降算法对网络参数进行优化，获得训练好的基于深度学习的脑胶质瘤荧光图像识别网络。

2.根据权利要求1所述的基于深度学习的脑胶质瘤荧光图像分析系统，其特征在于，所述通过随机梯度下降算法对网络参数进行优化，还包括：

通过余弦退火策略调整优化器的学习率η为：

其中，T表示总轮数，T_cur表示当前轮数，η_max表示最大学习率，η_min表示最小学习率，η_t表示当前学习率。