[发明专利]基于神经网络的疾病诊断系统和方法

说明书

通过神经网络进行学习，基于学习的神经网络输入活体组织的图像时，可以诊断出预设疾病(例如前列腺癌)，并公开了一种可视化的系统及其方法，以便准确掌握被诊断为疾病的组织(细胞组织)部位。根据本发明的一方面，提供一种诊断系统，是在包含处理器和存储神经网络的存储设备的系统中实现的，是一种使用生物图像幻灯片和所述神经网络的疾病诊断系统，所述诊断系统包括:生成所述幻灯片分割成预设大小的各预设图像块是否存在疾病的图像块级别诊断结果的图像块神经网络；基于所述幻灯片中包含的多个图像块的各图像块诊断结果生成与所述幻灯片相相应的图像块级别热图图像的热图生成模块；基于与所述幻灯片相对应的HSV(色调‑饱和度‑明度)模型生成与所述幻灯片相对应的组织掩膜图像的组织掩膜生成模块；以及基于所述图像块级别的热图图像和所述组织掩膜图像生成与所述幻灯片相对应的疾病诊断可视化图像的可视化模块。

技术领域

本发明涉及一种基于神经网络的疾病诊断系统及其方法。具体来说涉及一种通过神经网络进行学习的可视化系统及其方法，利用经学习的神经网络输入生物组织的图像，从而可以诊断出预设疾病(如前列腺癌)，并精确定位疾病诊断的组织(tissue,人、动植物细胞的组织)部位。

背景技术

病理学或病理科主要工作之一就是读取患者的生物图像，所进行的诊断是判断特定疾病的状态或征兆。这种诊断方式长期依赖于医务人员丰富的经验和知识。

近期，随着机器学习的发展，正在积极尝试通过计算机实现识别或分类图像等工作任务的自动化。尤其是，正在尝试利用机器学习的一种即神经网络(例如，使用卷积神经网络(Convolution neural network，CNN)的深度学习方法)使以往由资深医务人员熟练操作的诊断工作实现自动化。

特别是，通过使用神经网络(例如CNN)深度学习而进行的诊断，并不只是使以往资深医务人员的丰富经验和知识实现自动化，而是通过自学找到特征因素并推导出想要的答案，有时候反而能在图像中发现资深医务人员所不了解的疾病因素的特征。

通常，通过使用生物图像的神经网络诊断疾病时会使用生物图像的碎片，即图像块(patch，也称为图像子块(tile))。也就是说，熟知该图像子块的医务人员将对特定疾病的状态(例如，癌症是否表达)进行标注(annotation)，并将这些已标注的大量的图像子块用作训练数据来学习神经网络。此时，所述神经网络可以是卷积神经网络。

但是，在这种方式下，经学习的神经网络只能根据对应图像子块的图像特征来判断该图像子块的疾病状态，而实际上，针对特定疾病判断特定生物组织的状态时，不仅要考虑所述特定生物组织本身，还要考虑所述特定生物组织的周围组织的状态(例如，形状、特定模式是否存在等)。但是，传统方式的不足之处是并不适用于此类情况。

另一方面，在传统的学习中，生物图像或图像块的颜色本身将作为输入数据输入。也就是说，通常由RGB的三个通道值定义的输入数据将被直接使用。

但是，在这种情况下，根据与生物图像相对应的生物组织染色所用的染色试剂的特性，经染色的组织的颜色可能会各不相同，这将直接影响到学习的神经网络。

因此，可能有必要强化神经网络的学习方式，以应对这种并非根源性组织图像特征的因染色等导致的非根源性颜色特征。

另外，根据图像块单元的诊断结果，按照各图像块判断疾病表达与否，当每一图像块的诊断结果直接可视化时，实际上可能会发生不是组织(细胞组织)的那部分也被可视化的问题。因此，可能需要一种能够精确掌握确诊为疾病的组织部分的可视化方法。

*先前的技术文献

-专利文献

韩国公开专利10-2016-0034814“伴随神经网络的客户端设备和包含该设备的系统”。

发明内容

技术课题