[发明专利]一种基于深度学习的病理图片肝癌扩散检测方法及系统

说明书

本发明公开了一种基于深度学习的病理图片肝癌扩散检测方法及系统，属于病理诊断技术领域，该方法利用深度学习建立的检测模型实现肝癌扩散检测，包括以下步骤：将数字病理切片图像的血管进行标注；在标注区域的不同倍率下进行滑动切割，所述滑动切割用于将标注区域划分成若干个小区域；将不同倍率下的切割图像输入到由深度学习建立的检测模型中检测血管是否为肝癌扩散血管，所述检测模型通过对图像进行特征提取，检测出血管内是否包含癌细胞像素点；将检测的血管结果在原始数字病理切片图像上进行图像化展示。通过深度学习技术可以直接端到端检测出癌症扩散的血管区域，大大减轻了医生的工作量，并且提高了检测的准确度。

技术领域

本发明属于病理诊断技术领域，具体涉及一种基于深度学习的病理图片肝癌扩散检测方法及系统。

背景技术

数字病理全切片，是利用数字扫描仪对传统的病理切片进行扫描，采集的数字图像具备高分辨率，在通过计算机将碎片化的图像进行拼接，进行可视化，解决了传统玻璃切片易褪色、易丢失、易损坏、检索困难的问题。病理切片广泛应用于各类疾病的诊断，如乳腺癌，肝癌，胃癌等的诊断。

近年来随着人工智能和大数据等技术的快速发展，深度学习技术已经广泛应用于病理图像，现有的深度学习技术只能对于癌症区域进行检测，由于病理切片癌症区域与正常区域特征的不同还是很明显的，所以可以轻易检测，但是对于癌症在血管中的扩散变无法精确的确定区域，如果人工查看癌症是否扩散到血管中，增加了医生的工作量，也容易出现检测误差。

发明内容

本发明的目的在于提供一种基于深度学习的病理图片肝癌扩散检测方法投入使用，以解决上述背景技术中提出的问题。

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病理图片肝癌扩散检测方法，该方法利用深度学习建立的检测模型实现肝癌扩散检测，包括以下步骤：

将数字病理切片图像的血管进行标注；

在标注区域的不同倍率下进行滑动切割，所述滑动切割用于将标注区域划分成若干个小区域；

将不同倍率下的切割图像输入到由深度学习建立的检测模型中检测血管是否为肝癌扩散血管，所述检测模型通过对图像进行特征提取，检测出血管内是否包含癌细胞像素点；

将检测的血管结果在原始数字病理切片图像上进行图像化展示。

优选的，所述滑动切割的切割方法包括：

在最高倍率下统计血管标注区域的直径大小，以此为不同倍率下最终的图像切割大小；

沿着横向方向进行滑动切割，切割获得的图像是以标注区域直径大小相同的矩形图像，水平滑动的距离是标注区域直径大小的三分之一；

沿着纵向方向进行滑动切割，切割获得的图像是以标注区域直径大小相同的矩形图像，纵向滑动的距离是标注区域直径大小的三分之一。

优选的，所述深度学习建立检测模型的方法包括：

在不同图像细粒度上级联图像的特征；

将图像特征传递到预测层，首先进行下采样，模型的depth不断加深，weight和height不断缩小，然后进行上采样，并在上采样的过程中与下采样weight和height相同的时候进行级联，将低层的特征和高层的特征进行融合，提高模型的分类和位置准确度；

对图像进行预测，输出检测框的位置(Xleft，Ytop，Width，Height)和分类类别，即检测出血管的位置坐标，并判断其为正常血管还是带有肝癌扩散的血管区域。

优选的，所述模型的损失函数包括两个部分，检测框置信度，检测框的位置损失，以及分类损失，其中置信度为L_conf，代表检测框是否为血管的概率，计算公式为：