[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

说明书

本发明公开了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。对已知病变类别分类的眼睑肿瘤病理切片，扫描得到图像构建训练集；数据增强和归一化处理，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，再进行预测处理，生成概率热力图并病变类别检测。本发明能有效地可视化出全野数字切片中肿瘤的位置与病变类型，来辅助诊断，进行病变区域的初筛与提示，改变网络对通道的注意力，提升网络性能。

技术领域

本发明涉及深度学习，计算机视觉与眼科肿瘤领域的一种眼睑图像多分类方法，具体是涉及了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，是利用深度学习技术对眼睑肿瘤数字化病理切片图像进行检测分析的方法。

背景技术

计算机视觉是人工智能技术的一种，指利用计算机来模拟人的视觉，是人工智能中的“看”。从技术流程上来说，分为目标检测、目标识别、行为识别三个部分。根据识别的目标种类可以分为图像识别、物体识别、人脸识别、文字识别等。在智能机器人领域，计算机视觉可以对静态图片或动态视频中的物体进行特征提取、识别和分析，从而为后续的动作和行为提供关键的信息。

人工智能技术的出现为医学开辟了更多的可能性。随着“ArtificialIntelligenceMedical Imaging”领域的突破，最先进的人工智能技术可以广泛应用于识别和标记各种类型的病变。然而，由于组织病理学图像的格式难以被神经网络读取，因此AI在病理学领域的应用仍然面临着巨大的挑战。

发明内容

针对现有技术的不足与新领域的挑战，本发明提出了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，属于全野数字切片图像的分类方法，能够有效地可视化出全野数字切片图像中肿瘤的位置与类型，来辅助诊断，进行病变区域的初筛与提示。

本发明所采用的技术方案是：

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；

本发明具体实施中所述的眼睑肿瘤病理切片的病变类别分类具体是分为表皮样囊肿、基底细胞乳头状瘤、基底细胞癌、鳞状细胞乳头状瘤、鳞状细胞癌、血管瘤、良性色素痣、恶性黑色素瘤、睑板腺癌的九类。

而且本发明中，眼睑肿瘤病理切片必然存在一种病变类别，且有且仅有一种病变类别。

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；待测的未知病变类型的眼睑肿瘤数字化病理切片图像也进行步骤2的处理。

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。

具体是分为：表皮样囊肿和非表皮样囊肿的两类

所述的组织异型性诊断网络用于组织异型性的检测。

3.2、细胞异型性诊断网络：