[发明专利]基于深度学习的甲状腺癌细胞病理图辅助分析方法及系统

权利要求书

1.一种基于深度学习的甲状腺癌细胞病理图辅助分析方法，其特征在于，包括以下步骤：

S1.构建用于数字病理标注的云平台以获得经过标注的训练集、验证集和测试集；

S2.创建用于存储病理数字全切片图像的数据库；

S3.利用所述训练集、验证集和测试集对卷积神经网络模型进行训练以获得数字病理模型；

S4.调用数字病理模型以对病理数字全切片图像进行数字病理图像分析。

2.根据权利要求1所述的基于深度学习的甲状腺癌细胞病理图辅助分析方法，其特征在于，所述病理数字全切片图像包括针对细胞病理的全切片图像和针对组织病理的全切片图像；

且在步骤S3中，所述的数字病理模型包括针对细胞病理的细胞病理模型和针对组织病理的组织病理模型。

3.根据权利要求2所述的基于深度学习的甲状腺癌细胞病理图辅助分析方法，其特征在于，在步骤S3中，组织病理模型通过以下方法训练获得：

S301.使用组织病理训练集对ScanNet网络模型进行模型训练；

S302.使用组织病理验证集对训练后的模型进行模型校验，若校验通过则执行步骤S303，否则调整网络结构或参数并返回步骤S301；

S303.使用组织病理测试集对经过训练的模型进行测试以验证模型是否存在过拟合问题，若存在，则调整网络结构或参数并返回步骤S301。

4.根据权利要求3所述的基于深度学习的甲状腺癌细胞病理图辅助分析方法，其特征在于，在步骤S3中，对细胞病理模型的训练包括针对阶段一初步筛查系统的训练和针对阶段二复核筛查系统的训练。

5.根据权利要求4所述的基于深度学习的甲状腺癌细胞病理图辅助分析方法，其特征在于，阶段一初步筛查系统的训练过程包括：

S3121.使用细胞病理训练集对ScanNet网络模型进行模型训练；

S3122.使用细胞病理验证集对训练后的模型进行模型校验，若校验通过则执行步骤S3123，否则调整网络结构或参数并返回步骤S3121；

S3123.使用细胞病理测试集对经过步骤S3122处理的ScanNet模型进行测试以验证模型是否存在过拟合问题，若存在，则调整网络结构或参数并返回步骤S3121。

6.根据权利要求5所述的基于深度学习的甲状腺癌细胞病理图辅助分析方法，其特征在于，阶段二复核筛查系统的训练过程包括：

S3131.构建细胞病理的阶段二训练集、阶段二验证集和阶段二测试集；

S3132.使用阶段二训练集训练深度残差网络模型；

S3133.使用阶段二验证集对训练后的模型进行校验，若校验通过则执行步骤S3134，否则调整网络结构或参数并返回步骤S3132；

S3134.使用阶段二测试集对经过步骤S3133处理的深度残差网络模型进行测试以验证模型是否存在过拟合问题，若存在，则调整网络结构或参数并返回步骤S3132。

7.根据权利要求6所述的基于深度学习的甲状腺癌细胞病理图辅助分析方法，其特征在于，使用细胞病理模型进行细胞病理图像分析的过程包括：

S41.对病理数字全切片图像进行图片预处理；

S42.使用ScanNet初步筛查系统对预处理后的全切片图像进行阶段一筛查以得到候选目标；

S313.使用DresNet复核筛查系统对候选目标进行阶段二复核筛查以获得预测结果。

8.根据权利要求1-6任意一项所述的基于深度学习的甲状腺癌细胞病理图辅助分析方法，其特征在于，通过多次迭代过程训练相应的网络模型，且在每次迭代过程中均挖掘和添加错误的分类结果至训练样本以使网络模型提高困难案例的训练比重。

9.根据权利要求8所述的基于深度学习的甲状腺癌细胞病理图辅助分析方法，其特征在于，采用虚拟图像生成技术，通过现有的图像资源随机组合并仿真生成虚拟病理图像以扩充训练样本。

10.一种根据权利要求1-9任意一项所述基于深度学习的甲状腺癌细胞病理图辅助分析方法的甲状腺癌细胞病理图像辅助分析系统，其特征在于，包括云平台(1)、数据库(2)、深度学习模型(3)和决策系统(4)，其中，

云平台(1)，用于从数据库中接收病理数字全切片图像，并供专业医生在平台内对病理数字全切片图像进行数字病理标注；

数据库(2)，用于接收并存储病理数字全切片图像和训练样本；

深度学习模型(3)，用于采用训练样本对卷积神经网络进行模型训练、验证和测试，以获得数字病理模型；

决策系统(4)，用于从数据库中获取待分析的病理数字全切片图像并调用数字病理模型以对所述病理数字全切片图像进行数字病理图像分析。