[发明专利]一种基于Mask R-CNN的胃癌辅助诊断系统

说明书

本发明公开了一种基于Mask R‑CNN的胃癌辅助诊断系统，该系统包括图像获取模块、图像预处理模块、模型训练模块和病变检测模块，具体的，模型训练模块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，训练过程中，在损失函数中引入类别权重；病变检测模块以滑动窗口的形式分块读取待预测的数字病理图像，将其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。本发明通过搭建并训练Mask R‑CNN模型，实现对早期胃癌病理切片中目标的精准分割、预测和分类，提高胃癌种类诊断结果的准确性。

技术领域

本发明涉及胃癌辅助诊断技术领域，具体涉及一种基于Mask R-CNN的胃癌辅助诊断系统。

背景技术

癌症是目前难以完全根治的顽固疾病，目前患有癌症的人数逐年增加，尤其是胃癌和肝癌的患病比例较高，其中，肺癌的死亡率和发病率居于第一位，胃癌次之。而早期胃癌5年生存率可达90％以上，明显优于进展期胃癌，因此，提高早期胃癌的检出率对于改善胃癌患者预后极为重要。

目前临床上对胃癌的诊断主要依赖于电子内镜和病理组织学检测，其中，病理组织学检测是指通过内镜下钳取活检或在手术中切除并制备成病理切片标本，置于光学显微镜下直接观察癌细胞。然而，目前绝大部分的病理组织切片是由人工制作，并由病理医生结合自身长期积累的临床诊断经验来分析和判断。因此，病理组织学检测这种人工阅片方法与病理医生自身经验、工作状态等主观因素密切相关，容易产生误差，且人工阅片工作量极大，进一步影响病例医生的诊断；而且，胃癌的组织病理学分型繁多，病理标本切片形态复杂，早期胃癌对于经验不足的病理医生而言更容易漏诊、误诊。

随着机器学习算法的发展，现有技术中，为了解决上述通过人工阅片诊断早期胃癌存在的问题，通过将深度学习的方法应用于胃癌辅助诊断，用以缓解医疗资源不足的问题，以及缓解医患矛盾，挽救无数患者的生命。然而，目前针对胃癌的深度学习算法较少，且由于胃癌的组织病理学分型繁多，针对胃癌分类的算法较少，且难以达到精准诊断的效果。

发明内容

为解决上述现有技术的不足，本发明提供了一种基于Mask R-CNN的胃癌辅助诊断系统，通过搭建并训练Mask R-CNN模型，实现对早期胃癌病理切片中目标的精准分割、预测和分类，提高胃癌种类诊断结果的准确性，辅助医生诊断早期胃癌，具备广泛的适用性。

第一方面，本公开提供了一种基于Mask R-CNN的胃癌辅助诊断系统，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。

进一步的技术方案，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。

进一步的技术方案，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。

进一步的技术方案，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；