[发明专利]一种基于自学习神经网络的病理切片中印戒细胞检测方法

说明书

本发明公开了一种基于自学习神经网络的病理切片中印戒细胞检测方法，包括：(1)建立训练集；(2)构建印戒细胞检测模型：包括分类模块和检测模块；(3)模型训练：训练分类模块时，使用带有阴性样本学习模块的检测网络在原始数据集下进行训练；训练检测模块时，采用自学习训练，将预测的印戒细胞与原始标注的印戒细胞进行融合，得到新的标注数据；(4)印戒细胞检测：首先经过分类模块，判断该病理图片是否属于阴性，如果是阴性，则无需进行检测；如果判断为阳性，则通过检测模块进行印戒细胞检测，输出图中印戒细胞检测框。利用本发明，可以在训练数据不完全标注的情况下，得到一个具有较高检测精度的模型。

技术领域

本发明属于医疗人工智能领域，尤其是涉及一种基于自学习神经网络的病理切片中印戒细胞检测方法。

背景技术

对于病理图片的分析检验是诊断筛查消化系统癌症的金标准。数字病理切片由于其能够存储高分辨率的病理图片并且能够随时远程查看的优点，在近些年广泛应用于各大医院。尤其是对于医疗资源匮乏的农村地区来说，影响更为重大，在这些区域由于缺乏有经验的专业病理医师，因此可以将扫描得到的电子切片传输至城市地区，由更为专业的病理医师进行诊断分析。但是人工检验病理切片十分的费时费力，因此也阻碍了大规模的远程数据病理切片检查的应用。因此，使用深度学习中的目标检测模型来对病理切片中的细胞进行自动定位以及分类，那么将有效的减少医生的负担，并且使得远程病理切片检查得以大规模推广，缓解农村区域医疗资源匮乏的问题。

近些年深度学习的快速发展，使得深度学习网络能够大规模应用在医疗数据上，特别对于病理切片的快速诊断分析，在深度学习领域，目标检测的主要目的是使用算法自动框选出所要识别的目标所在位置以及对框选的目标进行分类，在病理图像中，使用目标检测网络快速框选细胞位置以及细胞种类，能够大幅度增加诊断速度并减少医生阅片压力。

公开号为CN109740626A的中国专利文献公开了一种基于深度学习的乳腺癌病理切片中癌症区域的检测方法，结合乳腺癌病理切片没有固定方向的特点，系统地使用合理的数据增强技术，包括随机裁剪、旋转、左右翻转等几何变换的数据增强技术；同时也使用了随机亮度、锐化等颜色变换的数据增强技术。在训练的时候实时进行数据增强，能够增大数据集的多样性，扩充训练样本集，有效提高分类器的泛化能力；最后用实时过采样方法，来解决数据集的各个类别数据不平衡的问题。

印戒细胞癌(SRCC)是一种组织学分型，这种分型最初是源于肿瘤的镜下特征而非其生物学行为，镜下显示肿瘤细胞胞质丰富、充满黏液，核被挤压于胞质一侧呈“印戒”样，因而得名，是一种特殊类型的黏液分泌型腺癌，常发生于胃肠道、乳腺、膀胱及前列腺等部分。

由于逐细胞的标注十分费时费力，并且有的区域存在大量的印戒细胞，完整的标注每一个印戒细胞十分困难，因此在很多情况下我们所使用的训练数据是不完全标注的。如何使用不完全标注的训练集训练得到一个接近使用完全标注训练集的算法，仍然是一个较为困难的问题。

发明内容

本发明提供了一种基于自学习神经网络的病理切片中印戒细胞检测方法，对于印戒细胞检测的召回率和排阴率高。

本发明的技术方案如下：

一种基于自学习神经网络的病理切片中印戒细胞检测方法，其特征在于，包括以下步骤：

(1)建立训练集：对病理切片的图片进行归一化预处理后进行标注，将病理切片进行随机切片处理，得到固定大小的小尺寸切片图，并用数据增强方法增加数据集数量，作为训练数据集；

(2)构建印戒细胞检测模型：包括分类模块和检测模块，所述的分类模块为带有阴性样本学习模块的检测网络，所述分类模块和检测模块中的检测网络均为以resnet18为骨网络的retinanet；

(3)模型训练：训练分类模块时，在训练集下进行训练，遇到阴性样本时，将所有anchor的类别判定为负，使得网络能从阴性图中学习到特征，训练至拟合后停止训练；