[发明专利]一种子宫内膜病理图像分类方法

说明书

本发明公开了一种子宫内膜病理图像分类方法，包括步骤：一、收集子宫内膜图像和其对应的临床特征；二、构建子宫内膜基团图像数据库；三、构建并训练图像分类网络；四、图像分类网络的测试；五、子宫内膜病理图像分类。本发明需要快速的识别子宫内膜细胞、子宫内膜细胞群落、子宫内膜微组织是否病变，通过改进稀释扫描器网络跳过路径实现对历史子宫内膜图像的快速分割，加快读片速度，利用两个LSTM模型和Incept ion‑v3CNN图像模型同步处理图像特征，获取临床特征，形象直观、快速、准确地进行子宫内膜细胞及微组织病理分类，从而为子宫内膜癌筛查工作的开展奠定基础，减轻人群筛查工作量大、工作效率低等问题。

技术领域

本发明属于子宫内膜病理图像分类技术领域，具体涉及一种子宫内膜病理图像分类方法。

背景技术

近年来子宫内膜癌的发病率及死亡率在全世界范围内均呈上升趋势。在有些地区，子宫内膜癌发病率甚至超过宫颈癌，成为女性生殖系统最常见的恶性肿瘤。因此子宫内膜癌筛查势在必行。现有利用细胞学及微组织学图像鉴别子宫内膜病理图像，然而，子宫内膜由于受体内激素水平、卵巢功能、宫内节育器等多因素影响，主要靠人工阅片，效率低，工作强度大，另外现如今病理医师缺乏，大大限制了子宫内膜癌筛查项目的开展。近年来，国内外学者已逐渐将大数据和人工智能技术与医学相互融合，为子宫内膜病理筛查提供新的思路与途径。但是由于制片和染色方式的差异、背景的复杂性、细胞形态的多样性和不规则性等诸多问题，子宫内膜病理图像分类的鲁棒性、客观性、准确性均难以保证。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种子宫内膜病理图像分类方法，需要快速的识别子宫内膜细胞、子宫内膜细胞群落、子宫内膜微组织是否病变，通过改进稀释扫描器网络跳过路径实现对历史子宫内膜图像的快速分割，加快读片速度，利用两个LSTM模型和Inception-v3 CNN图像模型同步处理图像特征，获取临床特征，形象直观、快速、准确地进行子宫内膜细胞及微组织病理分类，从而为子宫内膜癌筛查工作的开展奠定基础，减轻人群筛查工作量大、工作效率低等问题，便于推广使用。

为解决上述技术问题，本发明采用的技术方案是：一种子宫内膜病理图像分类方法，其特征在于，该方法包括以下步骤：

步骤一、收集子宫内膜图像和其对应的临床特征：收集历史子宫内膜图像和该子宫内膜图像对应的临床特征，所述子宫内膜图像包括阳性子宫内膜图像和阴性子宫内膜图像；

所述临床特征包括临床病理特征文字、子宫内膜分子分型；

步骤二、构建子宫内膜基团图像数据库，过程如下：

步骤201、构建U-Net稀释扫描器网络，并根据公式对U-Net稀释扫描器网络的跳过连接进行优化，其中，i为U-Net稀释扫描器网络的层数且i＝0,1,2,3,4，j为U-Net稀释扫描器网络的列数且j＝0,1,2,3,4，X^i,j为U-Net稀释扫描器网络中第i层第j列的节点，D(·)为下采样运算，U(·)为上采样运算，H(·)为卷积运算，卷积运算的卷积层卷积核尺寸为3*3，[·]为集合，k为U-Net稀释扫描器网络的局部列数且k＝0,...,j-1；

其中，X^i-1,j中i不取0；

步骤202、利用优化后的U-Net稀释扫描器网络对每张子宫内膜图像进行遍历，每张子宫内膜图像的遍历过程均相同，任一子宫内膜图像的遍历过程为：利用优化后的U-Net稀释扫描器网络对任一子宫内膜图像进行遍历，每遍历完一次，根据公式计算子宫内膜图像的损失L，其中，N为子宫内膜图像的像素数目，n为子宫内膜图像的像素数目编号，C为给定的图像分类数目，c为给定的图像分类数目编号，y_n,c为子宫内膜图像上第n个像素对应的第c类的目标标签，p_n,c为子宫内膜图像上第n个像素对应的第c类的预测概率；