[发明专利]一种基于ConvNeXt的胃癌病理切片识别方法

说明书

本发明属于医疗图像处理技术领域，具体涉及一种基于ConvNeXt的胃癌病理切片识别方法，包括：网络搭建阶段、训练阶段和推理阶段。本发明可以有效交底胃癌病理切片的参数量，大大提升了推理速度，在辨识远距离特征的同时保留了局部的特征与平移不变性，并且还具有较高的鲁棒性和较低的复杂度，具有较好的市场应用前景。

技术领域

本发明属于医疗图像处理技术领域，具体涉及一种基于ConvNeXt的胃癌病理切片识别方法。

背景技术

胃癌，是起源于胃粘膜上皮的恶性肿瘤，发病有明显的地域性差别，好发年龄在50岁以上。近年来，由于饮食结构的改变、工作压力增大以及幽门螺杆菌的感染等原因，使得胃癌呈年轻化倾向。目前，我国胃癌的早期诊断率较低，现阶段可通过病理切片手段观察病理变化，便于做出病理诊断，为临床诊断和治疗提供帮助。现有技术中，胃癌病理切片预处理算法需要较多的胃癌病理切片参数，不利于提升推理诊断速度。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的是在于提供一种基于ConvNeXt的胃癌病理切片识别方法，以解决胃癌病理切片预处理算法需要较多的胃癌病理切片参数，不利于提升推理诊断速度的问题。

为了实现上述目的，本发明提供了如下技术方案：

一种基于ConvNeXt的胃癌病理切片识别方法，包括：网络搭建阶段、训练阶段和推理阶段；其中，

所述网络搭建阶段通过一个卷积核大小和步长均为4的2d卷积层与Layernorm层搭建ConvNeXt的Stem层；通过依次级联7×7的分组卷积和两个1×1的卷积搭建逆瓶颈层；在两个1×1卷积层之间添加GELU激活函数，在7×7卷积层与第一个1×1卷积层中间添加Layernorm归一化层；通过级联Layernorm和卷积核大小与步长均为2的卷积层搭建降采样层；依次堆叠Stem层，3个逆瓶颈层，降采样层，3个逆瓶颈层，降采样层，9个逆瓶颈层，降采样层，3个逆瓶颈层，降采样层，全连接层和输出层完成ConvNeXt的搭建；

所述训练阶段用ConvNeXt加载ImageNet的预训练权重；然后初始化Adam优化器，二值交叉熵损失函数，根据一定的批大小定义数据生成器，设计最大迭代次数；逐批次生成训练数据，将训练数据输入ConvNeXt，得到网络预测结果；基于二值交叉熵损失函数计算网络预测结果与真实标签的损失函数，基于反向传播算法修改神经网络权重；当网络迭代次数超过最大迭代次数时，停止训练，保存网络训练权重；

所述推理阶段用ConvNeXt加载训练阶段训练好的神经网络权重，冻结网络权重；将待预测的胃癌病理切片输入ConvNeXt，生成预测结果。

作为优选，所述训练阶段和所述推理阶段均是基于Openslide的胃癌病理切片预处理算法，使用Opensilde工具包读取胃癌病理切片，并对其做64倍的下采样将胃癌病理切片调整适宜的分辨率水平。

与现有技术相比，本发明具有如下有益效果：

(1)本发明的基于ConvNeXt的胃癌病理切片识别方法，基于Openslide的降采样方法，有效地降低了胃癌病理切片的参数量，大大提升了推理速度。

(2)本发明的基于ConvNeXt的胃癌病理切片识别方法，可以同时在表示远距离特征的同时，保留了局部的特征与平移不变性。

(3)本发明的基于ConvNeXt的胃癌病理切片识别方法，具有较高的鲁棒性和较低的复杂度。

附图说明

图1是本发明的算法示意图。

具体实施方式