[发明专利]一种病理切片中非常规细胞的识别方法

权利要求书

1.一种病理切片中非常规细胞的识别方法，包括：

(1)对电子扫描病理切片进行预处理，得到该病理切片中的有效判别区域，所述的有效判别区域中非常规细胞像素区域为正样本，常规细胞像素区域为负样本；

(2)对步骤(1)得到的正、负样本采用全卷积网络算法进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，得到收敛的切片分割模型；

(3)在步骤(2)得到的切片分割模型基础上，将其头部分割器替换为分类器，使用含有非常规细胞的判别区域作为正例，完全不含非常规细胞的判别区域作为负例，微调网络参数使之适应分类任务，得到分割预训练分类模型；微调网络参数的方法，包括：

(3-1)将U-Net的最后一层卷积层替换为输出为二分类的全连接层；

(3-2)使用含有非常规细胞的判别区域作为正例，完全不含非常规细胞的判别区域作为负例，使用Adam算法优化交叉熵损失函数并更新网络参数，使分类任务模型到达收敛，得到分割预训练分类模型；

(4)将步骤(1)得到的有效判别区域中，含有非常规细胞的判别区域作为正例，完全不含有非常规细胞的判别区域作为负例，使用普通卷积神经网络分类方法中的k折交叉验证的方式训练k个普通分类模型；

所述k的取值范围为5～10之间的整数；

(5)将步骤(3)得到的分割预训练分类模型与步骤(4)得到的k个普通分类模型通过模型集成的方法融合，构建最终分类模型；

(6)将未经过标记的新病理切片，经过步骤(1)处理得到的有效判别区域输入最终分类模型，输出概率值在0.5以上的非常规细胞作为识别结果。

2.跟据权利要求1所述的病理切片中非常规细胞的识别方法，其特征在于，步骤(1)中，所述的预处理，包括：

(1-1)将20×放大的病理切片划分为像素为512*512～2048*2048相同大小的小块，分别存储；

(1-2)对每个小块转换为LAB通道后的图像，将A通道的均值超过阈值t的小块作为有效判别区域，其余的舍弃；

所述的阈值t为120～150。

3.跟据权利要求1所述的病理切片中非常规细胞的识别方法，其特征在于，步骤(2)中，所述的模型预测结果与标签的重合度的评估方法包括Dice Loss、Cross Entropy或MeanSquared Error。

4.跟据权利要求1或3所述的病理切片中非常规细胞的识别方法，其特征在于，步骤(2)中，所述的收敛的切片分割模型的训练方法，包括：

(2-1)将输入的有效判别区域通过图像压缩算法将其压缩至像素为256*256～512*512的矩阵；

(2-2)通过重分布与z-score方法将上述矩阵归一化并转换到标准正态分布；

(2-3)对步骤(2-2)转换后得到的标准正态分布的图像使用数据增强技术进行旋转、翻转、镜像、亮度改变、随机偏移操作；

(2-4)将步骤(2-3)处理得到的矩阵输入全卷积网络，计算Dice Loss；

(2-5)使用Adam算法作为优化方法最小化Dice Loss，直至网络收敛，得到收敛的切片分割模型。

5.跟据权利要求1所述的病理切片中非常规细胞的识别方法，其特征在于，步骤(4)中，所述的通过k折交叉验证的方式训练k个普通分类模型，其具体步骤为：首先将训练数据通过分层抽样分为k等份，每次使用其中一份作为验证数据，其余k-1份作为训练数据训练，得到k个普通分类模型；

所述k的取值范围为5～10之间的整数；

所述的训练数据包括含有非常规细胞的判别区域作为正例和完全不含有非常规细胞的判别区域作为负例。

6.跟据权利要求1所述的病理切片中非常规细胞的识别方法，其特征在于，步骤(5)中，所述的模型集成融合方法包括投票法、加权均值法或堆叠法。

7.跟据权利要求6所述的病理切片中非常规细胞的识别方法，其特征在于，所述的加权均值法，其中，普通分类模型的权值相同；分割预训练的分类模型的权值为普通分类模型的权值的k倍，k为普通分类模型的数量。