[发明专利]一种皮肤病理图像镜下所见描述文本的生成方法

说明书

技术领域

本发明涉及数据挖掘以及人工智能领域，尤其涉及到一种皮肤病理图像镜下所见描述文本的生成方法。

背景技术

病理图像是人体组织的切片在显微镜下的成像，在皮肤科中由于取材的代价比较低，且很多属于该科的疾病及其严重程度均需要通过患病部位的病理图像进行判断，因而对病理图像诊断的数量需求巨大，这给病理实验室的专业工作人员带来了巨大的压力。皮肤科病理图像变化多样，同一张图像中能够反映的病理特性众多，对于病理实验室人员的专业知识、读片经验和读片时需要花费的时间和精力都是巨大的考验。一般来说，对于每一幅的皮肤病理图像，病理实验室人员需要给出一段用于描述送检组织病理图像所反映的病理特性的文字，目前是专业人员在分析每一幅病理图像之后给出的，之后再根据病理图像所反映的病理特性，给出初步的疾病诊断，或者是患有某种皮肤疾病的可能性。这给病理实验室人员带来巨大的工作量，大量一般性病例的镜下所见描述占用了病理实验室人员的大量时间和精力，且其判断受到主观因素的影响。

目前研究人员采用机器学习和数据挖掘的方法进行图像描述文本的自动生成。文献“Andrej Karpathy,Li Fei-Fei.Deep Visual-Semantic Alignments for Generating Image Descriptions.CVPR 2015.”提出了一个可以用于自动生成对图像和其中的局部区域的文本描述的模型，他们的方法是使用卷积神经网络对图像和局部区域进行建模，使用双向的递归神经网络对描述文本进行建模，并使用了一种面向结构化目标的策略对上述两个模型进行对齐，以产生最终的描述性文本。该方法的问题在于它本质上是基于图像分类和局部区域识别的，对图像和局部区域的文本描述的生成是通过其进行分类而得到的，难以生成复杂的文本描述，且无法表达专业领域中用于描述程度的修饰词，因而有较大的局限性。

除上述方法外，现有的其他方法的不足之处在于其多是围绕着自然场景图像的文本描述的自动生成而开展的研究，且绝大多数的方法都是以是或否具有某种类型图像的特征而进行文本描述的生成，而在病理图像分析领域中，对图像所反映出的特征的描述要求更高，故现有方法均不能满足要求。

发明内容

本发明的目的在于克服现有技术的不足，提供一种无需占用病理实验室人员大量时间和精力、判断不受主观因素影响、减轻病理实验室人员工作量、达到病理图像分析的要求的皮肤病理图像镜下所见描述文本的生成方法。

为实现上述目的，本发明所提供的技术方案为：一种皮肤病理图像镜下所见描述文本的生成方法，该方法包括以下步骤：

(1)建立病理特性描述；

病理特性分为“是否型”病理特性和“等级型”病理特性，建立病理特性类型和描述性质以及病理特性在镜下所见文本描述中的逻辑关系；

(2)设计病理特性识别模型；

根据病理特性的类别处理训练数据集，设计深度神经网络作为识别模型；

(3)模型训练；

采用深度神经网络标准的误差反向传播学习算法调整模型的权值；

(4)生成镜下所见文本。

进一步地，步骤(2)中所述的深度神经网络为卷积神经网络，该卷积神经网络包括输入层、卷积层、激活层、全连接层以及输出层；其中，输入层接受病理图像输入，多个卷积层/激活层组合紧跟输入层，在最后一个卷积层/激活层组合的输出上连接多个全连接层和激活层，每个全连接层的维数为最后一个卷积层/激活层组合输出维数的3倍，每个全连接层之后紧跟一个激活层，输出层与最后一个全连接层连接，使用Sigmoid函数，每个输出单元得到一个在区间[0,1]之间的实值输出值，输出单元与病理特性一一对应。

进一步地，所述步骤(4)生成镜下所见文本包括以下步骤：

1)把待生成镜下所见描述的皮肤病理图像输入到已完成训练的深度神经网络模型中；

2)输入模型后得到一个多维的实值向量，根据每一维所对应的病理特性的性质进行离散化；

3)将每一个离散化后得到的病理特性的文本描述连接成完整的镜下所见文本描述。

进一步地，所述离散化，对于“是否型”病理特性时，根据对应的维的输出值判断该皮肤病理图像是否具有该病理特性；对于“等级型”病理特性时，根据对应的维的输出值判断该皮肤病理图像病理特性预测的等级。

进一步地，激活层的激活函数为Relu：y＝max(x，0)，其中x为上一层的输出，y为本激活层的输出。