[发明专利]一种基于光学图像的癌症患者标本性质的辨别方法及应用

说明书

本发明公开了一种基于光学图像的癌症患者标本性质的辨别方法，包括以下步骤：S1、获取训练组患者标本的光学图像，并进行预处理，建立训练组患者的淋巴结转移状态识别的正负样本数据集；S2、选择基础网络架构，通过池化层下采样和跨层拼接融合，构造预测模型；S3、通过基础网络架构构造良恶性分类网络结构加载训练数据集，进行3‑折交叉训练，得到lymph‑Net深度学习网络模型；S4、获取测试组患者的正负样本数据集，通过所述lymph‑Net深度学习网络模型在测试组患者的正负样本数据集上识别标本性质；S5、通过GCAM热力图分析S4的预测结果，观察所述lymph‑Net深度学习网络模型不同尺度卷积层提取特征的关注区域以及融合模型的预测结果依据，分析预测结果正确和错误的原因。

技术领域

本发明涉及视频图像处理技术领域，具体涉及一种基于光学图像的癌症患者标本性质的辨别方法及应用。

背景技术

癌症作为全球高发疾病，严重影响患者的身心健康。在多种癌症中均存在外科医生在术中难以分辨肿瘤的边界，导致手术切缘仍有手术残留，进而导致早期复发的问题。因此，在手术过程中对标本进行快速、准确的诊断至关重要。癌灶的遗传信息可以用于确定预后并且指导治疗。此外，淋巴转移是癌症恶性演进的重要途径。淋巴结转移的识别对于实体瘤的分期至关重要，是重要的预后影响因素。完整的淋巴结清扫术，在诸多癌症中被证明对患者的准确分期是重要的。

然而，在早期胃癌和早期乳腺癌等癌症中患者的淋巴结转移率较低。因此造成许多淋巴结转移的患者接受了不必要的淋巴结清扫术。前哨淋巴结(SLN)是癌症患者发生淋巴结转移所必经的第一站或者第一组淋巴结，即SLN没有发生转移，理论上其他区域淋巴结是没有肿瘤转移的。乳晕或肿瘤周围注射SLN示踪剂，在腋窝部位经特殊设备探测或者可视化示踪剂的分布情况，可以识别SLN。近年来近红外荧光成像逐渐被引入手术中成为外科医生的辅助工具。目前ICG荧光成像已经用于乳腺癌、卵巢癌、消化道肿瘤、胶质瘤等多种癌种。虽然ICG荧光成像技术更直观、灵敏，且具有较高的识别率，但尚不能在肉眼水平鉴别其是否发生转移。因此，有必要探索光学图像(包括但不限于ICG荧光图像)与标本性质之间的关系。

目前的术前影像学方法(包括超声、X射线、CT、PET-CT、MRI等)，在术前鉴别患者肿物的良恶性、癌灶的基因组信息、区域淋巴结转移状况以及肿瘤边界或预测手术切缘的性质等方面表现不理想。术中对于患者手术标本(肿物/结节)、手术切缘、区域淋巴结性质的辨别依赖于术中冰冻病理结果，冰冻切片技术复杂，且耗时长(需40分钟-1小时)，存在较高的假阴性率，在手术过程中冷冻10个或数百个样本是不切实际的，这限制了肿瘤术中实时诊断的发展，特别是对于多个组织样本。另外在手术期间对肿瘤组织的分级和基因组水平信息的获取是不可能的。术后获取病理结果是患者手术标本(肿物/结节)、肿瘤边界或手术切缘、区域淋巴结性质以及基因组信息鉴定的金标准，但这种技术是耗时的，受到观察者间高度变异性的影响，并且检查大量的标本(肿物/结节/淋巴结)会导致劳动力、空间以及设备和用品的使用超负荷，增加医疗保健的成本。

发明内容

本发明提出一种基于光学图像的癌症患者标本性质的辨别方法及应用用于解决上述问题。

为实现上述目的，本发明采用以下技术方案：

一种基于光学图像的癌症患者标本性质的辨别方法，包括以下步骤：

S1、获取训练组患者标本的光学图像，并进行预处理，建立训练组患者的淋巴结转移状态识别的正负样本数据集；

S2、选择基础网络架构，通过池化层下采样和跨层拼接融合，构造预测模型；

S3、通过基础网络架构构造良恶性分类网络结构，下载预训练模型权重，设置初始参数，加载训练数据集，进行3-折交叉训练，得到lymph-Net深度学习网络模型；