[发明专利]一种基于深度学习和强化学习细胞病理图像辅助诊断系统

权利要求书

1.一种基于深度学习和强化学习细胞病理图像辅助诊断系统，其特征在于，包括切边图像模块、深度学习模块、强化学习模块和辅助诊断模型模块；

所述切边图像模块用于获取并分割全扫描细胞病理图像，确定分割图像；

所述深度学习模块用于基于预设的深度学习检测算法，对所述分割图像进行训练处理，确定病变细胞的病变类别和相对位置；其中，

所述相对位置代表所述病变细胞在分割图像上和正常细胞相对的位置；

所述强化学习模块用于基于预设的强化学习算法，对所述分割图像进行分析处理，确定病变细胞的诊断阈值；其中，

所述诊断阈值包括细胞分数阈值和诊断个数判别阈值；

所述辅助诊断模型模块用于基于所述诊断阈值，按照所述病变细胞的病变类别和相对位置，生成辅助诊断模型；

其中，所述基于预设的强化学习算法，对所述分割图像进行分析处理，确定病变细胞的诊断阈值，包括以下步骤：

步骤S1：随机初始化各个病变细胞类别初始状态，确定诊断数据； 其中，

为待检测的其中一个细胞病变类别，对应的为切片的某一种诊断数据类别，代表细胞病变类别的分数，代表细胞病变类别的个数；

步骤S2：设定行为，获取行为概率，并根据所述行为概率，确定每个状态的行为得分为：

其中,所述行为概率包括敏感性和特异性，为阳性诊断的敏感性，为阳性诊断的特异性，对应阳性诊断的敏感性的权重，对应阳性诊断的特异性的权重，代表诊断呈阳性，为切片诊断数据类别中全部的阳性类别，为全部的阳性类别其中的一类，代表阳性类别的敏感性，代表阳性类别的特异性，为阳性类别的敏感性对应的权重，为阳性类别的特异性对应的权重；

步骤S3：根据所述每个状态的行为得分，获取每个状态的激励得分：

其中，代表每个行为的激励得分，代表状态得分；

步骤S4：通过所述激励得分，调整行为的概率，并在所述行为迭代过程中，计算并更新所述激励得分和行为概率，确定状态行为；

步骤S5：基于所述状态行为，按照状态行为的行为概率计算下一行为，进入下一状态；

步骤S6：重复步骤S2，在执行次数达到预设的执行次数阈值时，获取最佳，并根据所述最佳，确定切片级别的诊断阈值；

其中，所述辅助诊断模型模块包括获取单元、病变面积计算单元和辅助诊断模型单元，其中，

所述获取单元用于获取所述病变细胞的病变类别和相对位置；

所述病变面积计算单元用于基于所述病变细胞的相对位置，计算病变细胞的病变区域数据；

所述辅助诊断模型单元用于基于所述病变类别，将所述病变区域数据传输至预设的AI辅助仿真设备，生成辅助诊断模型；

其中，所述辅助诊断模型单元，将所述病变区域数据传输至预设的AI辅助仿真设备，生成辅助诊断模型包括以下步骤：

步骤1000：基于预设的AI辅助仿真设备，接收病变区域数据;

其中，代表AI辅助仿真设备接收病变区域数据集合，所述代表在时刻接收的病变区域数据，代表在激励函数下第l个输入的数据，代表在时刻接收的病变区域数据，代表在激励函数下第个输入的数据，代表一共接收到的病变区域数据个数，l代表接收的第l个病变区域数据的数据序值，l];

步骤1001：传输所述病变区域数据至AI辅助仿真设备，确定仿真映射参数；

其中，代表基于时间延迟的仿真映射参数，代表时间粒度，代表关于时间延迟的常数因子，代表接收到的病变区域数据传输至AI辅助仿真系统后的仿真算法的权值，代表接收到的病变区域数据传输至AI辅助仿真系统第层仿真算法的权值，代表AI辅助仿真的仿真训练层的总数，],代表接收时间和仿真时间的误差时间，代表映射函数阈值，代表基于时间延迟的映射函数阈值,代表仿真模型函数，代表在AI辅助仿真设备影响参数下的主动修正参数；表示第个病变区域数据的数据序值对应的病变区域数据集合；

步骤1002：获取理想映射函数，并根据所述仿真映射参数和理想映射函数，确定偏移率；

其中，代表偏仿真映射模型和理想映射模型的偏移率，代表理想映射函数；F（）为仿真模型函数;

步骤1003：当所述0.8时，通过仿真映射参数处理病变区域数据，生成辅助诊断模型；

步骤1004：当所述0.8时，返回步骤1000。