[发明专利]检索病理图像的系统及方法

说明书

为了帮助诊断者参照现有的诊断记录，从生物组织的图像准确地诊断疾病，公开了一种生物图像诊断系统及其方法。根据本发明的一个方面，所提供的生物图像诊断系统包括：从存储已诊断的多个生物图像和所述已诊断的多个生物图像的诊断结果的DB检索至少一个具有与预设诊断对象生物图像相似特征的类似生物图像的第1检索模块、从所述DB检索由预设诊断者诊断出的至少一个已诊断生物图像的第2检索模块、将所述至少一个类似生物图像和所述至少一个已诊断生物图像传送至所述诊断者终端的通信模块以及从所述诊断者终端接收到的所述诊断对象生物图像的疾病诊断结果存储于所述DB的储存模块。所述诊断者的终端显示所述诊断对象生物图像、所述至少一个类似生物图像和所述至少一个已诊断生物图像。

技术领域

本发明涉及一种检索病理图像的系统及方法。具体来说，是一种利用基于病理图像的疾病诊断中有效的特征反映在学习中的自动编码器，从疾病诊断中有效的特征角度检索其他相似的病理图像的系统和方法。

背景技术

病理学或病理科执行的主要工作之一是读取患者的生物图像(例如，患者的生物组织幻灯片)，以判断特定疾病的状态或征兆。这种诊断是一种依赖于长期熟练的医疗人员的经验和知识的方式。最近的趋势是读取用数字成像代替生物组织幻灯片而生成的幻灯片图像的方式逐渐增加。

另一方面，最近随着机器学习的发展，正在积极尝试通过计算机系统使图像的识别或分类等工作实现自动化。一个典型的例子就是正在尝试利用机器学习的一种神经网络(例如使用卷积神经网络Convolution Neural Network，CNN)的深度学习方式)，使原本由熟练的医疗人员操作的诊断实现自动化，并通过利用神经网络(例如CNN)的深度学习进行基于图像的疾病诊断。此外，诊断者基于图像进行疾病诊断时，检索与该图像具有相似特征的图像的技法等辅助手段对疾病诊断也很有用。

另一方面，对本发明的背景技术之一的自动编码器(Autoencoder)进行说明。自动编码器是一种无监督的学习方法中主要使用的神经网络结构，是用于高效数据编码的无监督学习的神经网络结构。自动编码器学习使输出值接近输入值的函数，通过编码器对输入数据进行特征提取，通过解码器重建原始数据。

图1是能够输入图像的自动编码器结构的简略示意图。参照图1，自动编码器1可以包括含有卷积层的编码器部分2和含有反卷积层的解码器部分3。从编码器1输入原始图像(x)后，在编码器部分2中对原始图像(x)进行编码，从而生成原始图像(x)的特征(z＝E(x))。所生成的特征(z)可以在解码器部分3中解码，从而生成与原始图像(x)相对应的还原图像(x'＝D(z))。

自动编码器也是神经网络的一种，因此也是通过大量的训练数据进行学习的，在自动编码器的学习阶段，对每个学习数据x执行如下过程:

1)学习数据x输入自动编码器，经过编码和解码过程，生成与学习数据x相对应的还原数据x。

2)计算得出学习数据x和还原数据x'之间的差，即误差e＝L(x，x')(L为损失函数)。

3)根据误差反向传播法(error backpropagation)，自动编码器内的权重被更新。

发明内容

技术课题

本发明要实现的技术课题是提供一种检索病理图像的系统及方法，能够利用自动编码器检索与特定病理图像具有相似特征的其他病理图像。

另外，提供一种检索病理图像的系统及方法，能够在自动编码器的学习中反映基于病理图像的疾病诊断的有效特征，并利用这样学习的自动编码器检索对疾病诊断有效的在特征上相似的其他病理图像。

课题解决手段