[发明专利]一种基于Mask R-CNN的胃癌辅助诊断系统

权利要求书

1.一种基于Mask R-CNN的胃癌辅助诊断系统，其特征是，包括：

图像获取模块，用于获取患者胃部的数字病理图像；

图像预处理模块，用于对获取的数字病理图像进行预处理；

模型训练模块，用于以标注的预处理后的数字病理图像作为训练样本集，训练采用Mask R-CNN构建的胃癌病变检测模型；其中，训练过程中，在胃癌病变检测模型的损失函数中引入类别权重；

病变检测模块，用于以滑动窗口的形式分块读取待预测的数字病理图像，将读取的滑窗图像输入训练完成的胃癌病变检测模型中，得到该滑窗图像的病变检测结果，通过合并与拼接完成病变检测结果的还原，实现对待预测的数字病理图像的病变检测。

2.如权利要求1所述的基于Mask R-CNN的胃癌辅助诊断系统，其特征是，所述预处理包括：对数字病理图像和标注数据依次进行裁剪，统一图像块的规格，将标注数据与裁剪得到的图像块一一对应。

3.如权利要求2所述的基于Mask R-CNN的胃癌辅助诊断系统，其特征是，所述预处理还包括：对剪裁后的数字病理图像进行颜色对比度扰动处理；

所述颜色对比度扰动包括对比度扰动和颜色扰动；所述对比度扰动是指随机对图像的对比度进行调整，统一图像对比度；所述颜色扰动是指在图像的某一个颜色空间增加或减少某些颜色分量，或更改颜色通道的顺序。

4.如权利要求1所述的基于Mask R-CNN的胃癌辅助诊断系统，其特征是，所述胃癌病变检测模型采用Mask R-CNN神经网络模型构建，包括主干网络、RPN、功能分支三部分；

其中，主干网络采用ResNet-50结合特征金字塔FPN，提取输入图像的多尺度特征信息，用于预测不同大小的目标；RPN用于根据主干网络提取的多尺度信息进行感兴趣区域提取，初步筛选出可能是目标的区域；功能分支用于预测处理。

5.如权利要求4所述的基于Mask R-CNN的胃癌辅助诊断系统，其特征是，所述功能分支包括分类、边界框回归和分割这三个分支；分类分支用于对RPN提取的感兴趣区域进行分类，确定目标类别；回归分支用于对目标的边界进行定位；分割分支用于对感兴趣区域内的目标进行边界的确认，将目标从图像中分离出来，得到完整的目标。

6.如权利要求1所述的基于Mask R-CNN的胃癌辅助诊断系统，其特征是，所述类别权重是指每个类别像素占比的中位数与每个类别像素占比的比值，其中，每个类别像素占比是指每个类别的像素数和像素数总和的比值。

7.如权利要求1所述的基于Mask R-CNN的胃癌辅助诊断系统，其特征是，所述病变检测模块包括滑动窗口单元、mask合并单元和拼接单元；

所述滑动窗口单元以滑动窗口的形式分块读取待预测的数字病理图像，每次滑动记录滑动窗口的坐标位置；

所述拼接单元依次将每个滑窗的预测结果按照位置坐标拼接到相应位置，以还原完整的预测结果。

8.如权利要求7所述的基于Mask R-CNN的胃癌辅助诊断系统，其特征是，Mask R-CNN神经网络模型输出的预测结果包括每个目标的分类、检测框以及边界坐标，所述mask合并单元将上述输出结果进行整合，把每一个预测信息整合为一个单通道的mask矩阵，输出滑窗图像的预测结果。

9.一种电子设备，其特征是：包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如下步骤：

获取患者胃部的数字病理图像，标注数字病理图像，对该标注后的数字病理图像进行预处理，作为训练样本集；

采用Mask R-CNN构建胃癌病变检测模型，输入训练样本集训练该模型；其中，训练过程中，在胃癌病变检测模型的损失函数中引入类别权重；

以滑动窗口的形式分块读取待预测的数字病理图像，将读取的滑窗图像输入训练完成的胃癌病变检测模型中，得到该滑窗图像的病变检测结果，通过合并与拼接完成病变检测结果的还原，实现对待预测的数字病理图像的病变检测。

10.一种计算机可读存储介质，其特征是：用于存储计算机指令，所述计算机指令被处理器执行时，完成如下步骤：

获取患者胃部的数字病理图像，标注数字病理图像，对该标注后的数字病理图像进行预处理，作为训练样本集；

采用Mask R-CNN构建胃癌病变检测模型，输入训练样本集训练该模型；其中，训练过程中，在胃癌病变检测模型的损失函数中引入类别权重；

以滑动窗口的形式分块读取待预测的数字病理图像，将读取的滑窗图像输入训练完成的胃癌病变检测模型中，得到该滑窗图像的病变检测结果，通过合并与拼接完成病变检测结果的还原，实现对待预测的数字病理图像的病变检测。