[发明专利]基于全视野数字切片的病人级别肿瘤智能诊断方法

权利要求书

1.一种基于全视野数字切片的病人级别肿瘤智能诊断方法，该方法包括以下步骤：

加载病例数据：获取某种病症的多个病例数据库，各个病例数据库以每个病人的ID命名文件夹，各病例数据库中存储着所有等待诊断的该病例活检组织切片的多张全视野数字切片及对应的诊断结果；

提取缩略图：全视野数字切片是由不同放大倍率的数字病理切片堆栈形成的后缀名为.wsi格式的图片文件，提取每张全视野数字切片的图片文件栈底的最小尺寸的数字切片作为该张全视野数字切片的彩色图，并对该彩色图进行缩放获得的彩色缩略图；

按通道合并缩略图：将某个病例的所有彩色缩略图按通道合并为一张全视野数字切片多通道缩略图；

构建深度学习算法模型，利用同种病症的多个病例训练深度算法模型，用于对全视野数字切片多通道缩略图进行高维特征提取，根据提取到的特征学习当前病种不同诊断结果之间的异同，输出不同诊断结果对应的高维特征，获得训练好的深度学习算法模型；

加载当前病种的某个病例的全部全视野数字切片，按照上述的提取缩略图、按通道合并缩略图的方式获得当前病例的全视野数字切片多通道缩略图，输入到训练好的深度学习算法模型中，输出智能诊断结果。

2.根据权利要求1所述的诊断方法，其特征在于，所述深度学习算法模型采用注意力膨胀卷积神经网络，包括膨胀卷积下采样层、通道位置注意层、膨胀卷积层、分类输出，设置膨胀卷积下采样层和通道位置注意层的深度为N，膨胀卷积层的深度为M，全视野数字切片多通道缩略图输入到膨胀卷积下采样层，经过通道位置注意层输出后，判断是否达到设定深度，若没有达到则继续返回膨胀卷积下采样层，直到达到设定深度为止；在通道位置注意层输出达到设定深度N后，进入膨胀卷积层，膨胀卷积层处理后，判断是否达到膨胀卷积层的设定深度，若没有达到，则返回输入到膨胀卷积层，直到达到膨胀卷积层的设定深度，再经过分类输出获得该种病例对应的诊断结果。

3.根据权利要求1所述的诊断方法，其特征在于，提取的图片文件栈底的彩色图的尺寸大小为(2000～4000)*(4000～2000)，彩色图转化为三通道张量，并将各三通道张量通过双线性插值法缩放为(3，1024，1024)，使各三通道张量具备相同的形状，整理得到尺寸大小一致的同一个病例的所有彩色缩略图。

4.根据权利要求1所述的诊断方法，其特征在于，合并缩略图的方式为拼接、按像素逐点相加、平铺。

5.根据权利要求1所述的诊断方法，其特征在于，加载病例数据时，输入存有待检测病例数据库存储路径的csv文件，按行依次读取各病例数据库路径；对每个病例数据库路径，遍历数据库下所有全视野数字切片路径，并加载各个全视野数字切片。

6.根据权利要求1所述的诊断方法，其特征在于，该方法用于肿瘤分期诊断，肿瘤分期诊断结果共分为九种，依次记为I期、IA期、IA2期、IA3期、IB期、II期、IIA期、IIB期、III期、IIIA期、IV期；分类输出中计算各分期预测试的概率分布：根据9种分期的高维特征计算预测值的概率分布，将概率最高的分期作为肿瘤分期的预测值输出，并获得该病例肿瘤分期的诊断结果。

7.根据权利要求2所述的诊断方法，其特征在于，深度学习算法模型参数设置：膨胀卷积下采样层的(输入通道数，输出通道数)分别为(3*n，32)、(32，64)、(64，128)，其中每个膨胀卷积下采样层均由两个膨胀率分别为1、2的膨胀卷积叠加而成；通道位置注意层的输入通道数分别为32、64、128；膨胀卷积层的(输入通道数，输出通道数)分别为(128，256)、(256，256)、(256，256)、(256，256)，其中每个膨胀卷积层分别由一个膨胀率为1、2、4、8的膨胀卷积叠加而成。

8.根据权利要求1所述的诊断方法，其特征在于，该方法能用于提取缩略图进行全视野数字切片的分类任务的各种诊断中，包括切割小块或者整张图片的阴阳性分类、分期分类、评级分类、TNM分类，还能用于生存率预测、治疗效果预测中。