[发明专利]一种基于深度学习的病理图像自动识别系统及其训练方法有效
| 申请号： | 201910749853.8 | 申请日： | 2019-08-14 |
| 公开（公告）号： | CN110472629B | 公开（公告）日： | 2022-03-25 |
| 发明（设计）人： | 卢云;苏柯帆;王子杰 | 申请（专利权）人： | 青岛大学附属医院 |
| 主分类号： | G06V10/25 | 分类号： | G06V10/25;G06V10/26;G06K9/62;G06T7/11;G06V10/774 |
| 代理公司： | 青岛易维申知识产权代理事务所(普通合伙) 37310 | 代理人： | 于正友 |
| 地址： | 266000 山*** | 国省代码： | 山东;37 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提出了一种基于深度学习的病理图像自动识别系统训练方法，其特征在于，包括以下步骤：步骤(a)，图像分割；步骤(b)，获取肿瘤感兴趣区域和淋巴结感兴趣区域；步骤(c)，提取肿瘤感兴趣区域和淋巴结感兴趣区域中的影像组学特征；步骤(d)，消除冗余的影像组学特征；步骤(e)，确定肿瘤感兴趣区域和淋巴结感兴趣区域中的最优影像组学特征；步骤(f)，以最优影像组学特征构建训练集，预测淋巴结转移；步骤(g)，构建独立验证集对训练集进行验证；步骤(h)，当训练集的预测有效性达到预设值，则训练结束；当训练集的预测有效性低于预设值，重新构建训练集进行训练。本发明的训练方法可以提高预测胃癌淋巴结转移的有效性。 | ||
| 搜索关键词： | 一种 基于 深度 学习 病理 图像 自动识别 系统 及其 训练 方法 | ||
【主权项】：
1.一种基于深度学习的病理图像自动识别系统训练方法，其特征在于，包括以下步骤：/n步骤(a)，图像分割，标记肿瘤区域和淋巴结区域；/n步骤(b)，根据标记的肿瘤区域和淋巴结区域，获取肿瘤感兴趣区域和淋巴结感兴趣区域；/n步骤(c)，提取肿瘤感兴趣区域和淋巴结感兴趣区域中的影像组学特征；/n步骤(d)，利用Pearson相关矩阵推演成对的影像组学特征的相关性，具有最大绝对相关系数平均值的影像组学特征被认为是冗余的，消除冗余的影像组学特征；/n步骤(e)，通过序列浮动前向选择算法进一步确定肿瘤感兴趣区域和淋巴结感兴趣区域中的最优影像组学特征；/n步骤(f)，以肿瘤感兴趣区域和淋巴结感兴趣区域中的最优影像组学特征构建训练集，进行多变量Logistic回归分析以预测淋巴结转移；/n步骤(g)，构建独立验证集对训练集进行验证；/n步骤(h)，当训练集的预测有效性达到预设值，则训练结束；当训练集的预测有效性低于预设值，重新构建训练集进行训练。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于青岛大学附属医院，未经青岛大学附属医院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910749853.8/，转载请声明来源钻瓜专利网。
