基于深度学习的肠道病理切片图像识别分析系统及方法与流程

本发明属于医疗检测技术领域，具体涉及一种基于深度学习的肠道病理切片图像识别分析系统及方法。

背景技术：

病理医生主要任务是为临床医生提供明确的病理诊断，对确定患者疾病的性质有关键的作用。病理医生是“医生的医生”，临床医师主要根据病理医生的病理报告决定治疗原则、方案和估计预后、解释临床症状等，病理是临床诊断的“金标准”。但是中国目前病理医生缺口高达9万人，培养一名优秀的病理医生花费高，耗时长。通常情况下，工作10年以上的医生才可以独立发报告。此外，由于病理医生数量少，工作量极大，人工阅片很容易受到疲劳阅片的影响，产生误诊，影响患者的早期诊治与预后。

随着科技迅速发展，人工智能的浪潮滚滚而来。在人工智能的众多应用领域中，医疗行业备受关注，已然成为焦点。卷积神经网络技术的发展，已经使依靠深度学习来进行肠道病理切片图像的识别已经成为了一种可能。

技术实现要素：

为了解决上述技术问题，本发明利用深度学习技术，提供了一种基于深度学习的肠道病理切片图像识别分析系统及方法，辅助病理医生进行肠道病理图像的识别分析报告，提高疾病的检出率；在保证报告质量的同时，节约时间与人力，提高工作效率。

本发明的系统所采用的技术方案是：一种基于深度学习的肠道病理切片图像识别分析系统，其特征在于：包括客户端和服务端；

所述客户端，用于监听采集的肠道病理切片图像并传输给所述服务端，接收和显示所述服务端反馈的分析结果；

所述服务端，根据从客户端采集的肠道病理切片图像，即时判断肠道病理切片图像对应的病理结果，将分析结果反馈给客户端。

本发明的方法所采用的技术方案是：一种基于深度学习的肠道病理切片图像识别分析方法，其特征在于，包括以下步骤：

步骤1：客户端采集获取肠道病理切片图像，并上传至服务端；

步骤2：服务端接收肠道病理切片图像作为参数，调用卷积神经网络模型进行识别，识别该肠道病理切片图像中的部位特征并输出；

步骤3：客户端接收并显示分析结果。

本发明的有益效果为：本发明是基于医疗大数据和深度学习算法对肠道病理切片图像进行病理类型识别，并在客户端进行显示。与人工读片相比，具有准确率高、耗时短等优点，提高肠道疾病识别的效率，降低了漏诊率出现，为患者健康提供保障。同时，解决了我国病理医生缺口大的问题。此外该系统在基层医院的推广，有助于医疗资源的合理分配。

附图说明

图1为本发明实施例的系统结构框图；

图2为本发明实施例的方法流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明提供的一种基于深度学习的肠道病理切片图像识别分析系统，包括客户端和服务端；客户端，用于监听采集的肠道病理切片图像并传输给服务端，接收和显示服务端反馈的分析结果；服务端，根据从客户端采集的肠道病理切片图像，即时判断肠道病理切片图像对应的病理结果，将分析结果反馈给客户端。

本实施例的客户端均包括通信模块和报告输出模块；其中，通信模块用于发送请求到服务端，及从服务端获取分析结果，具体实现为http通信方式；报告输出模块用于将从服务端获取的分析结果，进行报告显示输出。

本实施例的服务端用于采用j2ee架构，根据从客户端采集的肠道病理切片图像，即时判断肠道病理切片图像存在的病变，将分析结果反馈给客户端。服务端包括样本数据库、卷积神经网络模型和web服务模块。

本实施例的样本数据库用于存储典型肠道病理切片图像的样本，包括正常肠道病理切片图片库和具有病变的肠道病理切片图片库；

本实施例的卷积神经网络模型包括根据正常肠道病理切片图片库、具有病变的肠道病理切片图片库和由高年资病理医生划分的“高分化、中分化、低分化、未分化、其他癌”五类肠癌训练集图片库训练好的两个模型，用于肠道病理切片图像病理类型的识别；正常肠道病理切片图片库、具有病变的肠道病理切片图片库使用一个模型训练，进行病变的识别；由高年资病理医生划分的“高分化、中分化、低分化、未分化、其他癌”五类肠癌训练集图片库使用另一个模型，将由上一个模型识别出的癌变图片输入此模型，进行癌症分化程度的识别；模型为resnet50，采用python语言开发，封装成restfulapi(rest风格的网络接口)后被其他模块调用。卷积神经网络模型的训练过程、卷积神经网络模型用于图像识别领域为常规技术手段，在此不再复述。

本实施例的web服务模块用于接收客户端的请求，将接收到的肠道病理切片图像作为参数调用卷积神经网络模型进行肠道病理切片图像识别的分析，得到分析结果反馈给客户端。客户端实时记录发现的肠道病理切片的病理类型，并进行显示。

请见图2，本发明提供的一种基于深度学习的肠道病理切片图像识别分析方法，包括以下步骤：

步骤1：客户端采集获取肠道病理切片图像，并上传至服务端；

步骤2：服务端接收肠道病理切片图像作为参数，调用卷积神经网络模型进行识别，识别该肠道病理切片图像中的部位特征并输出；

本实施例的部位特征包括：“正常肠粘膜”、“早癌”、“腺瘤”、“息肉”等病理类型分类；若识别结果为早癌，所述的部位特征还应包括“高分化、中分化、低分化、未分化、其他癌”。模型自动判断肠道病理切片的病理类型并记录。

本实施例中所提及的“正常肠粘膜、早癌、腺瘤、息肉”、“高分化、中分化、低分化、未分化、其他癌”并非对疾病的诊断，只是作为图片中的特征，可以理解为一个参数，而对它们的判断和识别是对图片的特征比对。

步骤3：客户端接收并显示分析结果。

本发明具有如下优点：解决肠道病理检查图像结果，对病理医生水平要求高，容易出现病灶漏诊的问题，通过卷积神经网络模型对于采集的肠道病理切片图像进行病理类型识别，为医师提供准确可靠的参考，提高病理报告的准确度和有效性，简单易用，具有显著的社会及经济价值。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

技术特征：

技术总结
本发明公开了一种基于深度学习的肠道病理切片图像识别分析系统及方法，系统包括客户端和服务端；客户端，用于监听采集的肠道病理切片图像并传输给服务端，接收和显示服务端反馈的分析结果；服务端，根据从客户端采集的肠道病理切片图像，即时判断肠道病理切片图像对应的病理结果，将分析结果反馈给客户端。本发明首先客户端采集获取肠道病理切片图像，并上传至服务端；然后服务端接收肠道病理切片图像作为参数，调用卷积神经网络模型进行识别，识别该肠道病理切片图像中的部位特征并输出；最后客户端接收并显示分析结果。本发明能为医师提供准确可靠的参考，提高病理报告的准确度和有效性，简单易用，具有显著的社会及经济价值。

技术研发人员：于红刚;吴练练;宫德馨
受保护的技术使用者：武汉大学人民医院（湖北省人民医院）
技术研发日：2018.07.16
技术公布日：2018.12.21