[发明专利]基于深度学习的全尺度病理切片的快速诊断和评分方法

摘要

本发明涉及一种基于深度学习的全尺度病理切片的快速诊断和评分方法。对全尺度病理切片染色图进行预处理；通过改变传统AlexNet神经网络的全连接层和输出层节点数，以适应实际问题的需要，并选用标记好的训练样本集来分别训练两个用于诊断和评分的AlexNet神经网络模型，提取病变区域的高维特征信息；利用训练完成的两个改进的AlexNet神经网络模型实现对全尺度病理切片染色图的诊断和评分；根据诊断的预测概率绘制出概率热图，直观地标识病变区域，同时通过对不同病变程度的取样小块数量占比的统计，对组织的病变程度给予评分。本发明方法能完全自动化地实现对全尺度前列腺组织病理切片的诊断和Gleason评分，准确率和运算速率大幅度超过人工诊断的平均水平。

主权项

1.一种基于深度学习的全尺度病理切片的快速诊断和评分方法，其特征在于，包括如下步骤：步骤S1、将全尺度病理切片染色图输入图像预处理模块，通过格式转换和色彩空间变换，实现对图像的归一化处理；步骤S2、改变传统AlexNet神经网络的全连接层和输出层节点数，将步骤S1得到的预处理后的全尺度病理切片染色图输入数据训练模块，制作成训练样本集，而后训练两个改进的AlexNet神经网络模型进而得到用于测试诊断AlexNet神经网络模型1和用于病变程度评分的AlexNet神经网络模型2；步骤S3、将步骤S1得到的预处理后的全尺度病理切片染色图输入测试诊断模块，使用在步骤S2完成训练的用于测试诊断的AlexNet神经网络模型1进行测试诊断，以概率热图的形式标定出正常和病变区域；步骤S4、将步骤S3中被预测为病变的取样小块输入病变程度评分模块，使用在步骤S2完成训练用于病变程度评分的AlexNet神经网络模型2对病变的取样小块进行分级，分别计算不同等级的病变小块数量占比，根据临床癌组织病变的评分标准，对全尺度病理切片染色图进行病变程度评分。