[发明专利]一种基于深度学习的自动判读KI67病理切片的方法

权利要求书

1.一种基于深度学习的自动判读KI67病理切片的方法，其特征在于，包括以下步骤：

第一步，采集KI67切片镜下视野数据，数据量不少于100张，并由人工对数据进行标注；

第二步，制作真标准，将已标注数据的标注文件解析成平滑高斯掩膜作为深度学习模型的真标准，掩膜从细胞中心到边缘平滑过度；将所有标注数据划分训练集，验证集与测试集；

第三步，设计模型架构与损失函数，训练模型直到收敛；

第四步，模型预测与后处理，将测试集输入训练好的模型中得到预测结果热力图，最后经过高斯平滑、取局部峰值处理得到结果，将结果作为模型输出；

第五步，评估模型表现，采用匈牙利算法对模型预测细胞与标注细胞进行匹配，并衡量精确率，召回率，F1-score指标；

第六步，解析模型输出，并将结果可视化。

2.根据权利要求1所述的一种基于深度学习的自动判读KI67病理切片的方法，其特征在于：第一步中的标注方式为点标注。

3.根据权利要求1所述的一种基于深度学习的自动判读KI67病理切片的方法，其特征在于：第一步中所有采集数据采用统一的放大倍率，所有采集数据不可均来自于同一病例,同一个病例的采集数据不超过十张。

4.根据权利要求1所述的一种基于深度学习的自动判读KI67病理切片的方法，其特征在于：第二步中掩膜采用[0,1]范围内的浮点型数来表示，具体操作为对图像中每一个标注点做高斯平滑，高斯叠加部分取最大值，以防止波峰合并。

5.根据权利要求1所述的一种基于深度学习的自动判读KI67病理切片的方法，其特征在于：第三步中模型架构选取深度学习模型resnet34作为encoder的unet模型，学习率为5e-4，优化器采用Adam优化器，batch size＝8，最大迭代次数为500个epoch，100个epoch后逐渐衰减，训练模型直到收敛，损失函数函数由两部分构成，一部分为交叉熵损失函数：

一部分为Jaccard系数：

其中X,Y分别为网络输出与真标准掩膜，整体损失函数为二者加和。

6.根据权利要求1所述的一种基于深度学习的自动判读KI67病理切片的方法，其特征在于：第四步中，将训练好的模型预测测试集，输出各类别的热力图；

热力图为三维图像，其中前两个维度分别代表图像的高度和宽度，第三个维度为细胞类别，即每一个类别的细胞对应一张二维的热力图；

对模型预测输出结果进行处理，筛选全图中的所有细胞中心，对三维热力图的细胞类别维度求和，得到所有细胞的二维热力图，将此热力图做高斯平滑，消除模型预测出的孤立点，然后使用最大滤波器，查找平滑图中的局部最大值，并返回所有局部峰值坐标，此步骤为检出全图中模型预测出的所有细胞，局部峰值坐标对应预测细胞的中心；

随后，对细胞中心进行类别划分，获取局部峰值坐标所对应的三维热力图的热力值，热力图的第三个维度即二维热力图的层数对应细胞种类数，最高热力值所对应的细胞类别即为该坐标所属细胞类别。

7.根据权利要求1所述的一种基于深度学习的自动判读KI67病理切片的方法，其特征在于：第五步中，采用匈牙利算法对模型预测细胞与标注细胞进行匹配，保证每一个标注细胞匹配不多于一个预测细胞，每一个预测细胞匹配不多于一个标注细胞；匹配范围是以标注细胞中心点为圆心，16个像素为半径的圆形区域，超出此范围的不参与匹配；在此匹配过程中，只考虑细胞是否被有效检出，不将细胞类别作为匹配的标准；

采用标注和网络预测的KI67指数差值、MAE、RMSE作为评价指标；MAE和RMSE的计算公式如下：

其中pred代表模型预测，anno代表标注或真标注，m代表细胞数量。