[发明专利]利用鼻息肉病理图片建立嗜酸性粒细胞占比模型的方法

权利要求书

1.一种利用鼻息肉病理图片建立嗜酸性粒细胞占比模型的方法，其特征在于包括下列步骤：

(1)数据准备：将鼻息肉制作成玻片，然后通过数字病理仪扫描得到WSI图，将WSI进行切图，得到小病理图片，WSI是whole slide image简称，即数字化病理图像；

在该数据准备中，首先通过开源的ASAP即Automated silde analysis platform,自动玻片分析平台软件，勾画出病变区域，即勾画区域且勾画区域的位置由生成的xml格式的文件保存，接下来调用ASAP自带的“multiresolutionimageinterface”库，根据xml生成大掩膜图，整个掩膜图的分辨率与WSI相同，接着用开源的“openslide”库读取WSI，和对应的大掩膜图，并按照设置的分辨率分别对WSI和对应的大掩膜图进行切图，分别得到小病理图和小掩膜图，并且小病理图和小掩膜图的位置是一一对应的，最后，按照设定的小图片分辨率，用滑动窗口将原始的WSI及对应的大掩膜图切成数个小病理图片和小掩膜图片，分别计算每个小掩膜图的像素平均值P，范围0到1，并设定阈值G，范围0到1，并只保存小掩膜图像素的平均值P≥G所对应的小病理图，而小掩膜图的像素的平均值P＜G所对应的小病理图则丢弃；

(2)数据标记：每张小病理图片记做x，统计每张小病理图片的嗜酸性粒细胞个数及所有炎症细胞个数，嗜酸性粒细胞占炎症细胞的比例＝嗜酸性粒细胞个数/所有炎症细胞个数，统计的嗜酸性粒细胞数目N，非嗜酸性粒细胞数目M，每张小病理图片对应的嗜酸性粒细胞比例S计算为：S＝N/(N+M)，取值范围0％～100％，其中没有嗜酸性粒细胞为0％，全是嗜酸性粒细胞为100％，对前述的所有小病理图片及其对应的S，分成训练集数据和测试集数据；

(3)建模算法：首先，采用深度学习keras框架下的Inception V3模型及其在ImageNet数据集上进行训练得到模型参数，该模型最后一层全连接层FC，有进行分类的神经元，并且采用softmax激活函数，去掉此模型所述的最后一层全连接层FC，并增加一层全连接层FC，该增加的全连接层FC只有一个神经元，不采用任何激活函数，然后设置InceptionV3的模型的损失函数loss＝‘mse’,即采用均方误差MSE，设置学习率lr，用ImageNet数据集训练得到的开源参数对InceptionV3模型进行参数初始化，最后用步骤(2)所述训练集数据重新训练InceptionV3模型的参数，训练次数设定为n轮，每一轮均用所述测试集数据进行测试，将测试图片输入当前得到的模型进行预测得到预测值P，并将预测值P与测试数据的真实标签值S，计算平均绝对误差MAE，即每个图片的P与S的绝对值的平均值；将n轮中MAE最小时对应的模型参数进行保存，从而得到嗜酸性粒细胞占比模型，所述n为自然数，n为1时，只训练一次即得到嗜酸性粒细胞占比模型，n大于1时，按照前述训练次数的要求进行训练。

2.根据权利要求1所述利用鼻息肉病理图片建立嗜酸性粒细胞占比模型的方法，其特征在于：所述训练集数据和测试集数据的设定比例是9:1或8:2。

3.根据权利要求1所述利用鼻息肉病理图片建立嗜酸性粒细胞占比模型的方法，其特征在于：利用所述得到的嗜酸性粒细胞占比模型对鼻息肉数字病理图像中任何一个分辨率不超过1024*1024的小病理图片给出嗜酸性粒细胞比例值，范围是0％～100％，

表中conv表示卷积核为卷积层，pool表示池化层，Inception代表模型模块，FC代表全连接层，softmax代表分类的激活函数，(3*3)代表卷积核大小，(8*8)代表池化核的大小，1000代表1000个神经元，FC(1)1代表1个神经元。

4.根据权利要求1所述利用鼻息肉病理图片建立嗜酸性粒细胞占比模型的方法，其特征在于：整合玻片上所有小病理图片的嗜酸性粒细胞比例值，得到玻片的最终辅助诊断结果，设定玻片由N张小病理图片组成，N为自然数，分别由所述嗜酸性粒细胞占比模型训练得到每张小病理图片的嗜酸性粒细胞占比值Si,i为(1,N)，则该玻片最终诊断结果为N个值的平均值，D＝∑Si/N。