[发明专利]一种子宫内膜病理图像分类方法

权利要求书

1.一种子宫内膜病理图像分类方法，其特征在于，该方法包括以下步骤：

步骤一、收集子宫内膜图像和其对应的临床特征：收集历史子宫内膜图像和该子宫内膜图像对应的临床特征，所述子宫内膜图像包括阳性子宫内膜图像和阴性子宫内膜图像；

所述临床特征包括临床病理特征文字、子宫内膜分子分型；

步骤二、构建子宫内膜基团图像数据库，过程如下：

步骤201、构建U-Net稀释扫描器网络，并根据公式对U-Net稀释扫描器网络的跳过连接进行优化，其中，i为U-Net稀释扫描器网络的层数且i＝0,1,2,3,4，j为U-Net稀释扫描器网络的列数且j＝0,1,2,3,4，X^i,j为U-Net稀释扫描器网络中第i层第j列的节点，D(·)为下采样运算，U(·)为上采样运算，H(·)为卷积运算，卷积运算的卷积层卷积核尺寸为3*3，[·]为集合，k为U-Net稀释扫描器网络的局部列数且k＝0,...,j-1；

其中，X^i-1,j中i不取0；

步骤202、利用优化后的U-Net稀释扫描器网络对每张子宫内膜图像进行遍历，每张子宫内膜图像的遍历过程均相同，任一子宫内膜图像的遍历过程为：利用优化后的U-Net稀释扫描器网络对任一子宫内膜图像进行遍历，每遍历完一次，根据公式计算子宫内膜图像的损失L，其中，N为子宫内膜图像的像素数目，n为子宫内膜图像的像素数目编号，C为给定的图像分类数目，c为给定的图像分类数目编号，y_n,c为子宫内膜图像上第n个像素对应的第c类的目标标签，p_n,c为子宫内膜图像上第n个像素对应的第c类的预测概率；

直至子宫内膜图像的损失L小于损失阈值Δ时，结束该张子宫内膜图像的遍历，再对优化后的U-Net稀释扫描器网络遍历完成的子宫内膜图像进行图像分割，获取该张子宫内膜图像的子宫内膜基团图像；

所述子宫内膜基团图像包括子宫内膜细胞图像、子宫内膜细胞群落图像、子宫内膜微组织图像；

步骤203、标定每张子宫内膜基团图像的阴阳性，对每张子宫内膜基团标定图像匹配其对应的临床特征，通过多张子宫内膜基团标定图像构建子宫内膜基团图像数据库，将子宫内膜基团图像数据库分为训练集和测试集；

步骤三、构建并训练图像分类网络，过程如下：

步骤301、构建将图像转化为向量特征的第一LSTM语言模型、将向量特征转换成具有临床特征的病历文字的第二LSTM语言模型以及将向量特征转换为特征图谱并分类输出的Inception-v3 CNN图像模型，第一LSTM语言模型、第二LSTM语言模型和Inception-v3 CNN图像模型构成图像分类网络，其中，第一LSTM语言模型的输入为子宫内膜基团标定图像，第二LSTM语言模型的输入为第一LSTM语言模型的输出，Inception-v3 CNN图像模型的输入为第一LSTM语言模型的输出，图像分类网络的输出为Inception-v3 CNN图像模型的图像输出和第二LSTM语言模型的具有临床特征的病历文字输出，且Inception-v3 CNN图像模型的图像输出和第二LSTM语言模型的具有临床特征的病历文字输出同步输出；

其中，第二LSTM语言模型输出的具有临床特征的病历文字中的临床特征为子宫内膜基团标定图像对应的临床特征；

步骤302、从训练集中调取一张子宫内膜基团标定图像，并输入至第一LSTM语言模型，将第一LSTM语言模型的输出输入至Inception-v3 CNN图像模型，同时将第一LSTM语言模型的输出输入至第二LSTM语言模型，同步获取图像分类结果和病历文字；

步骤303、选取交叉熵作为图像分类网络的损失目标函数并计算样本对的损失值，将损失目标函数计算的损失值送入优化器，对图像分类网络的权重参数集合更新；

步骤304、从训练集中调取新的一张子宫内膜基团标定图像，循环步骤302至步骤303，直至图像分类网络的损失目标函数计算的损失值小于损失目标函数阈值，此时，得到图像分类网络的最终权重参数训练结果，并确定最终训练完成的图像分类网络；

步骤四、图像分类网络的测试：将测试集中子宫内膜基团标定图像对应的临床特征作为测试集的GroundTruth，利用测试集对图像分类网络进行测试，测试集中每张子宫内膜基团标定图像对图像分类网络的测试过程均相同；

测试集中任一张子宫内膜基团标定图像对图像分类网络的测试过程：从测试集中调取一张子宫内膜基团标定图像送入训练完成的图像分类网络，得到该测试的子宫内膜基团标定图像对应的图像分类结果和病历文字，利用病历文字和测试集的GroundTruth比较，获取图像分类网络的准确度；

使图像分类网络的正确率达99％以上；

步骤五、子宫内膜病理图像分类，过程如下：

步骤501、获取子宫内膜标本，将子宫内膜标本进行制片及染色，利用图像采集模块扫描整张细胞块切片，获取实际子宫内膜图像；

步骤502、利用优化后的U-Net稀释扫描器网络遍历实际子宫内膜图像，并进行图像分割，获取实际子宫内膜图像的多张子宫内膜基团图像；

步骤503、将多张子宫内膜基团图像依次送入至训练好的图像分类网络中进行子宫内膜病理图像阴阳性分类及病历文字预输出；

步骤504、利用疾病高危因素对子宫内膜病理图像阴阳性分类结果进行修正。