[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

说明书

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：对获取的苏木精‑伊红染色病理图像进行预处理；使用EfficientDet‑D0作为深度学习检测模型，并进行训练；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；构建深度学习分类模型；训练深度学习分类模型；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；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；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。本发明通过分析输入的苏木精‑伊红染色图像，检测其中核分裂象的数量，实现对胃肠道间质瘤危险程度的判断。

技术领域

本发明涉及一种胃肠道间质瘤中核分裂象检测方法。特别是涉及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。

背景技术

胃肠道间质瘤是一类起源于胃肠道间叶组织的肿瘤，占消化道间叶肿瘤的大部分，是最常见的腹部软组织恶性肿瘤。胃肠道间质瘤最常见于胃(50％～60％)、其次是小肠(30％～35％)、结肠和直肠(5％)、食道(1％)，以及少部分消化道外(肠系膜，大网膜和腹膜后；5％)。平均诊断年龄为63岁，无性别差异。胃肠道间质瘤患者常因肿瘤位于黏膜下层和肌层而无特征性症状,故术前诊断较为困难。传统的辅助检查缺乏特异性,内镜和影像学检查仅有助于确定肿瘤部位。病理诊断依靠应用超声内镜下细针穿刺活检得到组织样本,其诊断准确率较高，是胃肠道间质瘤诊断的“金标准”。因此,胃肠道间质瘤的诊断应结合临床症状、体征、消化道内镜及影像学检查,但最终必须依靠病理诊断。

病理学上使用苏木精-伊红染色方法处理活检采集的组织样本制成病理切片，染色试剂中中苏木精可以使细胞核内的染色质与胞质内的核酸着紫蓝色，而试剂中的伊红可以使细胞质和细胞外基质中的成分着红色，从而方便医生对病理切片进行观察。医生在显微镜下观察病理切片中的相关特征，从而判断患者的胃肠道间质瘤的危险程度。其中，核分裂象数量是一个非常重要的指导指标——显微镜视野内的核分裂象数目是医生判断胃肠道间质瘤危险程度的重要指标。核分裂象指的是细胞中处于有丝分裂前期、有丝分裂中期、有丝分裂后期和有丝分裂末期的细胞的统称。

深度学习方法作为一种机器学习算法，以其应用场景多、应用效果好等优点被广泛应用到医学的诊断中。深度学习方法起源于人工神经网络，它是一种对人类大脑中神经元的人工模拟，从而产生优异的拟合能力、泛化能力和问题解决能力。它被应用于自然语言处理、图像识别、语音识别等领域，而在图像识别领域，它又可细分为语义分割、目标检测、实例分割等方面。

由于病理切片图像中核分裂象的形态多变，其可以细分为前期、中期、后期和末期，使检测较为困难；图片中存在某些易混淆对象，如凋亡细胞，增大了检测难度；病理图像中非核分裂象细胞远多于核分裂象细胞，进一步降低了检测准确率，提高了检测难度。而深度学习方法具有泛化能力强等特征，非常适用于这种复杂情况下目标的检测。如近年来在目标检测领域应用效果良好的Faster R-CNN，其具有较高的检测准确率。但是由于病理图片具有类别单一、前景-背景极度不均衡等特点，需要一种结合深度学习检测方法、分割方法和分类方法的苏木精-伊红染色病理切片图像中核分裂象检测计数的方法。

发明内容

本发明所要解决的技术问题是，提供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。

本发明所采用的技术方案是：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，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；

5)训练深度学习分类模型；