[发明专利]基于深度学习的胃肠道间质瘤中核分裂象智能检测方法

权利要求书

1.一种基于深度学习的胃肠道间质瘤中核分裂象智能检测方法，其特征在于，包括如下步骤：

1)对获取的苏木精-伊红染色病理图像进行预处理；

2)使用EfficientDet-D0作为深度学习检测模型，并对深度学习检测模型进行训练；

3)使用U-Net作为深度学习分割模型，并对深度学习分割模型进行训练；

4)构建深度学习分类模型；

所述的深度学习分类模型，包括：依次连接的第一卷积层、第一批量标准化层、第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元、输入一维化层、第一全连接层、第二全连接层、概率预测层；其中，所述第一卷积层的输入为外部输入数据，所述概率预测层的输出构成深度学习分类模型的概率输出；

所述的第一卷积单元、第二卷积单元、第三卷积单元和第四卷积单元结构相同，均包括：依次连接的第一最大池化层、第二卷积层、第二批量标准化层、第三卷积层、第三批量标准化层、第四卷积层、第四批量标准化层和第一跳跃连接融合层；其中最大池化层和跳跃连接融合层的输入为外部输入数据，最终从第一跳跃连接融合层输出；

所述的深度学习分类模型中：

所述的第一～第四卷积层，通过卷积计算从模型的输入中提取有效特征，运算如下式：

X^l＝f(∑X^l-1*w^l+b^l)

其中，X^l和X^l-1分别表示当前层卷积层和上一卷积层的特征图，w^l表示权重，b^l表示偏置，f表示激活函数，选用ReLU激活函数；

所述的第一～第四批量标准化层，用于对每批数据进行标准化，减小输入特征的特征分布的差异，提高预测效果；

每个所述的最大池化层，用于扩大感受野，利用一个矩阵窗口在特征图上进行扫描，将每个矩阵中元素通过池化方法来减少元素的个数，保持特征的空间位置关系；

所述的输入一维化层用于将输入的多维数据扁平化，从而得到一维输出，用于第一全连接层；

第一全连接层和第二全连接层用于对输入特征进行进一步加工处理，起到对输入特征的特征空间进行变换的效果；

所述的概率预测层用于分别预测数据属于核分裂象和属于非核分裂象的概率；

5)训练深度学习分类模型；

6)使用训练好的深度学习检测模型对被试者的苏木精-伊红染色病理图像进行检测；

7)使用深度学习分割模型对病理图像进行分割，对分割后的结果进行检测；

8)将基于深度学习检测模型的核分裂象检测结果和基于深度学习分割模型的核分裂象检测结果进行比对，得到最终分类结果；包括：

遍历基于深度学习分割模型的核分裂象检测结果中的边界框，并和基于深度学习检测模型的核分裂象检测结果中的边界框采用交并比计算公式进行比对，当二者的交并比大于阈值0.7时，认为边界框位置处存在核分裂象，交并比计算公式如下：

否则，将边界框所在区域剪裁成100*100的图像块，并输入训练好的深度学习分类模型进行进一步分类，得到最终的检测结果，并且对边界框进行计数。