[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

说明书

本发明公开了一种基于深度学习的自动判读KI67病理切片的方法。包括第一步，采集数据并标注；第二步，制作真标准；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；第五步，评估模型表现；第六步，解析模型输出，并将结果可视化。本发明的主要目的是将KI67切片镜下视野内所有细胞进行定位与种类判别，然后对阳性肿瘤细胞和阴性肿瘤细胞进行分别计数，最后算出KI67值，以此值作为KI67病理切片的判读标准。

技术领域

本发明涉及机器学习技术领域，具体为一种基于深度学习的自动判读KI67病理切片的方法。

背景技术

近年来，随着人工智能和机器视觉技术的发展，数字图像处理及人工智能辅助医生判读病理图像在临床中的应用越来越广泛。该方法采用深度学习模型，结合经验丰富医生的标注，就可以对病理数据做出高准确率的判读结果。KI67是病理科常见的免疫组化技术，一般用KI67指数作为衡量肿瘤恶性程度的评价指标，该指标在多种癌症中具有诊断以及预后价值。KI67指数可以通过分析KI67免疫组化病理图像获得。在临床中，医生通过移动显微镜视野，选择病理切片上阳性细胞较多的区域，计算不少于十个镜下视野中阳性肿瘤细胞占所有肿瘤细胞的比值，再将这些比值取平均作为判读病理图像的标准。然而对临床医生来说，对镜下视野内的肿瘤细胞进行计数是费时费力、十分枯燥的，且由于疲劳等缘故医生容易产生误判。

发明内容

本发明的目的在于提供一种基于深度学习的自动判读KI67病理切片的方法，将KI67切片镜下视野内所有细胞进行定位与种类判别，然后对阳性肿瘤细胞和阴性肿瘤细胞进行分别计数，最后算出KI67值，以此值作为KI67病理切片的判读标准。

为实现上述目的，本发明提供如下技术方案：一种基于深度学习的自动判读KI67病理切片的方法，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，并由专业病理科医生对数据进行标注；

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，采用匈牙利方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。

优选的，第一步中的标注方式为点标注。

优选的，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。

优选的，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。

优选的，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。

优选的，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；