[发明专利]基于深度学习的眼睑肿瘤数字化病理切片图像多分类方法

权利要求书

1.一种基于深度学习的眼睑肿瘤数字化病理切片图像多分类方法，其特征在于，该方法具体包括以下步骤：

步骤1、数据获取：对已知病变类别分类的眼睑肿瘤病理切片，扫描得到眼睑肿瘤数字化病理切片图像，将所有眼睑肿瘤数字化病理切片图像构建出训练集；

步骤2、数据增强：采用染色归一化图像处理方法对眼睑肿瘤数字化病理切片图像进行处理，使各个眼睑肿瘤数字化病理切片图像中不同组织细胞的染色相同；然后使用多种数据增强方法来增加训练集中的图像多样性；

步骤3、构建三层级联的肿瘤数字化病理切片诊断网络，使用增强后的训练集训练肿瘤数字化病理切片诊断网络，用训练后的肿瘤数字化病理切片诊断网络对待测的未知病变类型的眼睑肿瘤数字化病理切片图像进行预测处理；

所述步骤3具体为：

所述的肿瘤数字化病理切片诊断网络包括依次传递连接的组织异型性诊断网络、细胞异型性诊断网络与良恶性病变分类网络；

3.1、组织异型性诊断网络：

组织异型性的诊断网络采用ResNet卷积神经网络，输入为增强后的训练集，并采用迁移学习通过反复对比实验训练得到超参数，输出为训练集中的图像是否为表皮样囊肿的结果；

3.2、细胞异型性诊断网络：

细胞异型性诊断网络针对组织异型性的诊断网络的输出结果中不分为表皮样囊肿的眼睑肿瘤数字化病理切片图像作为非表皮样囊肿图像进行处理，将非表皮样囊肿图像以预设的步长和尺寸进行窗口滑动遍历，每个窗口切割出非表皮样囊肿图像的一个图像区域，每个图像区域均输入到细胞异型性诊断网络中处理；

细胞异型性诊断网络采用ResNet50神经网络模型，且在ResNet50神经网络模型中加入挤压激励模块SE和矩阵融合模块MoEx；细胞异型性诊断网络输出得到针对每个图像区域的代表三种不同病变组的三组类别：

第一组类别：存在包括基底细胞乳头状瘤和基底细胞癌；

第二组类别：存在包括鳞状细胞乳头状瘤和鳞状细胞癌；

第三组类别：存在包括血管瘤、良性色素痣、恶性黑色素瘤、睑板腺癌；

3.3、良恶性病变分类网络：

良恶性病变分类网络包括三个子网络，每个子网络均采用细胞异型性诊断网络相同的网络拓扑结构，三个子网络分别用于针对细胞异型性诊断网络分类出的三组类别各自的各个图像区域进行处理，将第一组类别、第二组类别、第三组类别中的每个图像区域划分出各自的病变类别；

步骤4、概率热力图生成与整张眼睑肿瘤数字化病理切片图像的病变类别检测；所述步骤4，具体为：

4.1、根据步骤3的肿瘤数字化病理切片诊断网络的预测输出结果，获得的对眼睑肿瘤数字化病理切片图像的预测输出结果具体为大小N×C的特征矩阵，大小N×C的特征矩阵是由N个大小1×C的特征向量拼接构成，N为细胞异型性诊断网络中用窗口滑动遍历而切割出的图像区域的总数量；大小1×C的特征向量是由C个病变类别对应的预测值组成，C为病变类别的数量；

4.2、

4.2.1、

对特征矩阵进行特征融合，即在同一病变类别上的所有预测值作平均作为该病变类别上的预测概率，进而生成一个大小1×C的预测向量，取预测概率最大的病变类别为该眼睑肿瘤数字化病理切片图像的病变分类结果；

4.2.2、

将每一种眼睑肿瘤数字化病理切片图像中的特征矩阵采用以下公式的线性图像归一化算法处理获得概率热力图：

其中，Overlap为所有眼睑肿瘤数字化病理切片图像的特征矩阵，下标Max与Min分别表示眼睑肿瘤数字化病理切片图像的特征矩阵中所有元素的最大预测值与最小预测值，Heatmap为概率热力图的结果；

将概率热力图按照细胞异型性诊断网络中窗口滑动遍历的相同设置进行窗口滑动遍历，每个窗口提取出的概率热力图中的图区域叠加到原始的眼睑肿瘤数字化病理切片图像上，提取获得眼睑肿瘤数字化病理切片图像中的病变区域。

2.如权利要求1所述一种基于深度学习的眼睑肿瘤数字化病理切片图像多分类方法，其特征在于：所述肿瘤数字化病理切片诊断网络中，各层级联网络的训练时候的损失函数均采用加权交叉熵+Softmax损失函数。