[发明专利]基于深度学习的甲状腺细胞病理切片恶性区域的检测方法

权利要求书

1.一种基于深度学习的甲状腺细胞病理切片恶性区域的检测方法，其特征在于，包括下列步骤：

切片步骤：对甲状腺细胞进行病理切片；

预处理步骤：将病理切片在显微镜上的图像经过数字化处理后使用不同的染色剂进行涂抹以得到彩色的病理切片；

图像采样步骤：将完整的病理切片裁剪出合适大小的切块作为深度神经网络模型的输入；

切块初步筛查步骤：筛除掉病理切片部分无效的切块；

良恶性分类步骤：采用弱监督的学习方法对切块初步筛查后的病理切片进行良恶性分类，所述良恶性分类步骤包括采用弱监督的学习方法，充分利用未做标签的数据参与到训练中，训练具体流程包括：

第一阶段训练包括：

在140张诊断为甲状腺乳头状癌的切片上，由甲状腺细胞病理医生标记1203张恶性的PTC切块图像作为正类，在120张正常的切片上随机裁剪1203张切块，作为负类；

按照4：1：1的比例分配训练集测试集和验证集，参与到模型1的训练中，其中模型1的训练方法选择的为resnet18；

对模型迭代训练，更新模型的权重，得到在测试集上性能最优的模型；以所述性能最优的模型对无标签的甲状腺的细胞病理切片的切块进行预测，对预测概率大于给定阈值的切块的标签设定为正例标签；

对预测概率小于给定阈值的切块标签设定为负例标签；及

将所述正例标签和所述负例标签的标记的数据加入到训练集中；以及

第二阶段训练包括：

选择resnet34模型作为第二阶段训练模型2，对模型2进行迭代训练，对权重进行更新，得到模型2在测试集上最优的模型，并采用与第一阶段相同的方法对无标签的切块设定伪标签，扩充训练集；

其中，所述第一阶段训练和所述第二阶段训练均分别以resnet50、resnet101、resnet152构建模型3、模型4、模型5逐步扩充数据，以进一步提高模型的性能；

其中，对模型1、模型2、模型3、模型4、模型5在验证集上的准确率分别为0.78，0.80，0.83，0.87，0.95；

可疑区域的后处理步骤：利用去假阳的方案构建一个基于随机森林的机器学习方法对良恶性分类的预测结果进行假阳的去除；

病理切片的高危区域显示步骤：将每个切块的恶性预测的概率归一化并映射到原图中，将灰度图转化成彩色图像且生成热力图。

2.如权利要求1所述的检测方法，其特征在于，所述切片步骤包括将彩色的病理切片图像由RGB空间转到灰度空间以及采用高斯滤波的方法对图像进行平滑处理。

3.如权利要求1所述的检测方法，其特征在于，所述图像采样步骤中采用基于重叠面积为50%的重叠采样方法将完整的病理切片裁剪出合适大小的切块，所述切块的分辨率为512x512像素。

4.如权利要求1所述的检测方法，其特征在于，所述切块初步筛查步骤中无效的切块为分辨率达不到要求的区域或未包含足够的甲状腺细胞的区域。

5.如权利要求4所述的检测方法，其特征在于，所述切块初步筛查步骤中采用轻量化的resnet18的分类网络在imagenet训练得到的初始权重作为初始权重进行切块初步筛查，在resnet18的预测概率低于阈值的切块将被筛除。

6.如权利要求1所述的检测方法，其特征在于，在模型1~模型5的预测阶段，使用极大抑制技术将重叠的区域剔除掉，在相交的切块里，选择恶性概率最大的切块作为输出。

7.如权利要求1所述的检测方法，其特征在于，所述可疑区域的后处理步骤中进行假阳去除的模型输入包括：

图像模块的模型5预测的切块的概率；

模型5倒数第二层提取的特征；

基于局部二值模式提取的甲状腺细胞病理切块的图像特征；以及

切块的中心点在图像中的坐标信息。

8.如权利要求1所述的检测方法，其特征在于，所述病理切片的高危区域显示步骤中的每个切块的恶性预测的概率归一化到0~255。

9.一种基于深度学习的甲状腺细胞病理切片恶性区域的检测系统，其应用于，如权利要求1至8任一项的检测方法，其特征在于，所述检测系统包括设备部分、硬件部分以及软件部分；所述设备部分包括提供图像来源的显微镜；所述硬件部分包括GPU及CPU；所述软件部分包括Keras、Pytorch、tensorflow、Caffe或Paddle。