[发明专利]基于深度学习的恶性黑色素瘤及非恶性黑色素痣分类系统

说明书

本发明公开了一种基于深度学习的恶性黑色素瘤及非恶性黑色素痣分类方法，本发明先获取数据，再进行数据预处理，然后对处理后的数据进行增强，接着进行小滑块级别的恶性、非恶性肿瘤分类，生成概率热力图，机器学习特征提取，最后基于病理图像级别的随机森林分类，本发明不仅仅得到了眼部超像素组织病理图像小滑块级别的非常好的实验结果，重点是实现自动分类组织病理图像为恶性或非恶性的一整套流程，构建了一个可以直接应用于临床辅助诊断的计算机辅助诊断(CAD)系统，并且准确率非常高。

技术领域

本发明涉及人工智能领域，涉及一种基于深度学习的眼部组织病理切片分类为恶性非恶性的方法。

背景技术

黑色素痣为眼部常见的良性肿瘤，是表皮、真皮内黑色素细胞增多引起的皮肤表现。本病进展缓慢，多无自觉症状。个别类型的痣有转变为恶性的可能，从而危及生命安全。

恶性黑色素瘤(Malignant melanoma)是由皮肤和其他器官黑素细胞产生的恶性肿瘤。易发生转移，是由遗传性基因变异和所处环境的风险导致的。最重要的外源性致病因素是暴露在紫外线的照射中。恶性黑色素瘤多发生于皮肤，约占全身恶性肿瘤的1％，亦可见于消化道、生殖系统的黏膜，眼球及脑膜的脉络膜等处。

恶性黑色素瘤虽然发病率低，但其恶性度高，转移发生早，死亡率高。恶性黑色素瘤公认的预后因素有：性别、年龄、部位、肿瘤Breslow厚度及肿瘤 Clark浸润深度等。一般认为女性患者生存期明显长于男性隅，年轻患者比年老者生存期长。Breslow厚度3mm皮肤患者的预后普遍较差，5年和10年无病生存率分别为35.5％和29.3％。肿瘤Clark浸润深度≤0.75mm者，5年生存率为89％，≥4mm者仅25％。

恶性黑色素瘤不仅剥夺了病人的生命，同时给患者和家属造成了严重的精神负担和巨大的经济压力。如果恶性黑色素瘤能够及时确诊，并采取有效的治疗手段，能最大程度的改善患者的预后情况，增加患者的生存周期。(根据前文的数据可以明确得出，针对眼部黑色素瘤，早期发现治疗与晚期对比预后差距十分巨大。)

所以，对于眼部黑色素痣和恶性黑色素瘤的准确诊断与鉴别具有极其重要的社会意义和实用价值。二者在外观上极其相似，只能依靠病理切片(病理标本的一种。制作时将部分有病变的组织或脏器经过各种化学品和埋藏法的处理，使之固定硬化，在切片机上切成薄片，粘附在玻片上，用苏木精－伊红(HE) 染色，供在显微镜下检查，以观察病理变化，作出病理诊断，为临床诊断和治疗提供帮助。)进行鉴别，病理是临床诊断的金标准。然而中国病理医生严重短缺、病理诊断水平参差不齐。眼科作为一个小专科，更加缺少对应方向的病理科医生。人工智能的辅助诊断系统可以很好地解决这些问题。

发明内容

本发明的目的是针对目前医疗资源严重不足的问题，提出一种基于深度学习的眼部恶性黑色素瘤与黑色素痣的分类方法，将深度学习与组织病理图像分类相结合，提高诊断恶性黑色素瘤的准确率与效率，减轻医生负担。

本发明的技术方案是这样实现的：

一种基于深度学习的眼部恶性黑色素瘤与黑色素痣的分类方法，该方法包含以下技术步骤：

步骤1、数据获取

从眼科病理中心获取眼部病理切片，扫描得到数字病理图像；数字病理图像通过医生标注分为恶性切片和非恶性切片，并作为数据集；再将数据集分为训练集、验证集、测试集；

步骤2、数据预处理

分别从训练集、验证集、测试集原始图像上裁剪出小滑块，其中验证集、测试集上裁剪出的小滑块采集尺寸相同，训练集上裁剪出的小滑块采集尺寸大于验证集、测试集上裁剪出的小滑块采集尺寸；其中恶性肿瘤切片从肿瘤区域裁剪，非恶性肿瘤切片从组织区域裁剪；

步骤3、数据增强