一种基于深度学习的数字病理图像智能分析方法与流程

本发明涉及病理图像智能分析技术领域，具体是一种基于深度学习的数字病理图像智能分析方法。

背景技术：

目前肿瘤病理诊断和后期统计分析是基于病理医生工作经验和知识积累完成分析,其评判结果容易受主观性影响，癌症的亚型分类较多，部分亚型之间也有类似的特征，而且大量病理数据人工分析不仅耗时，并且过度疲劳也很容易影响分析结论。根据国际上最新临床研究成果表明，人工对h&e肿瘤细胞核的统计分析很容易产生误差，细胞核百分比统计过错评估高达45％，而且分析结果因病理医生不同有很大的差异性，对于同一肿瘤，操作者间差异性10％-95％动态变化范围，很容易造成假阴性诊断结果。分析结果不准确将直接影响患者的治疗方案，这给患者带来极大生命危险。病理检查是目前临床癌症诊断的金标准。病理医生的癌症诊断主要依赖于通过显微镜捕获的组织样本图像的视觉检查。然而对于病理医生来说，需要结合自己长期积累的临床分析经验来判断例如鼻炎癌病理切片中是否有癌变，该方法不仅费时，而且对医生的专业知识要求极高。

近年来，随着人工智能技术的快速发展，计算机辅助诊断(computeraideddiagnosis，cad)在医学领域取得了很大成功。cad在病理图像的诊断中的主要方法包括传统的机器学习和近年较为流行的深度学习。传统的机器学习需要手动提取图像特征，然后通过分类器进行分类。该方法的分析效果主要依赖于前期手动特征提取的效果。相比于传统方法，深度学习无需手动特征提取，能够自动挖掘病理图像深层特征，直接进行端到端优化。虽然cad技术在病理图像领域已经取得了不少成功，然而，在实际算法的搭建中，仍然是以单一尺度的特征进行分析，而忽略了不同尺度的特征。

总之，目前病理图像分析存在的主要问题是：病理医生的诊断需要耗费较长的时间，而且对医生专业能力要求很高；传统的机器学习方法对病理图像进行分析，主要依赖于提取特征的效果，这对研究人员的专业知识要求较高。

现有虽然有些分析方法可以在一定程度上提高效率，但其分析结果存在较大，不能提高很好的判断。

技术实现要素：

本发明的目的在于提供一种基于深度学习的数字病理图像智能分析方法，以解决现有技术中的问题。

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数字病理图像智能分析方法，包括以下步骤：

s1：收集各个科室病理图像，并对图像进行分类处理；

s2：将图像扫描并上传到计算机，存储在病理图像的数据库，由相关科室的专家对病理图像种病变的区域进行标注并提取，从而获取病变图像的数据库；

s3：对数据库内的图像进行预处理，获得算法训练数据库；

s4：对算法训练数据库中的病理图像进行分析和学习，获得自动诊断模型和数字病理图像检索模型，从而形成智能分析系统；

s5：获取临床数字病理切片数据，对其进行图像扫描并上传到计算机；

s6：通过智能分析系统对临床的病理数据进行分析，并将结果传输给医生，辅助医生判断；

s7：医生可根据临床实际的结果，可修订算法训练数据库，并更新自动诊断模型和数字病理图像检索模型，从而形成实时智能分析系统。

优选的，所述步骤s1中对于图像的分类处理是按照科室的种类以及疾病的类别进行分类。

优选的，所述步骤s2中识别数字病理图像数据库中的数字病理图像数据，剔除无法进行辨别的数字病理图像数据，并对删除后剩余的数字病理图像数据合理统一处理。

优选的，所述对数字病理图像数据合理统一处理是将能够辨认的数据进行缩放、逐样本减均值和特征数据标准化处理。

优选的，所述统一处理后的数字病理图像数据通过数据增强算法进行处理，得到算法训练用数据集。

优选的，所述将算法训练用数据集中的数字病理图像和与数字病理图像对应的标注信息进行样本采集，将采集的样本按比例划分为训练集、验证集以及测试集三个训练用数据子集。

优选的，所述步骤s6中智能分析系统的是利用训练阶段生成的算法模型参数，算法模型可以直接处理同类型问题的全新的数据，并自动给出分析结果，即可以输入全新的癌症病理学图片，人工智能分析系统对诊断病理学图像进行诊断以及标记，并给出癌变组织区域的分割结果。

优选的，步骤s7中医生是根据临床中患者实际的病况与人工智能分析系统分析的结果相对比，如果出现较大偏差，则对算法训练数据库进行修订，从而得到新的自动诊断模型和数字病理图像检索模型，形成更加准确的智能分析系统。

与现有技术相比，本发明的有益效果是：

1、通过对算法训练数据库中的病理图像进行分析和学习，获得自动诊断模型和数字病理图像检索模型，从而形成智能分析系统；从而可对临床数字病理进行分析判断，提高分析效率；

2、医生可根据临床实际的结果，可修订算法训练数据库，并更新自动诊断模型和数字病理图像检索模型，从而形成实时智能分析系统；从而可获得准确的分析系统，从而减小结果的误差，提高分析的准确性。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明的结构示意图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

请参阅图1，本发明实施例中，一种基于深度学习的数字病理图像智能分析方法，包括以下步骤：

s1：收集各个科室病理图像，并对图像进行分类处理；

s2：将图像扫描并上传到计算机，存储在病理图像的数据库，由相关科室的专家对病理图像种病变的区域进行标注并提取，从而获取病变图像的数据库；

s3：对数据库内的图像进行预处理，获得算法训练数据库；

s4：对算法训练数据库中的病理图像进行分析和学习，获得自动诊断模型和数字病理图像检索模型，从而形成智能分析系统；

s5：获取临床数字病理切片数据，对其进行图像扫描并上传到计算机；

s6：通过智能分析系统对临床的病理数据进行分析，并将结果传输给医生，辅助医生判断；

s7：医生可根据临床实际的结果，可修订算法训练数据库，并更新自动诊断模型和数字病理图像检索模型，从而形成实时智能分析系统。

优选的，所述步骤s1中对于图像的分类处理是按照科室的种类以及疾病的类别进行分类。

优选的，所述步骤s2中识别数字病理图像数据库中的数字病理图像数据，剔除无法进行辨别的数字病理图像数据，并对删除后剩余的数字病理图像数据合理统一处理。

优选的，所述对数字病理图像数据合理统一处理是将能够辨认的数据进行缩放、逐样本减均值和特征数据标准化处理。

优选的，所述统一处理后的数字病理图像数据通过数据增强算法进行处理，得到算法训练用数据集。

优选的，所述将算法训练用数据集中的数字病理图像和与数字病理图像对应的标注信息进行样本采集，将采集的样本按比例划分为训练集、验证集以及测试集三个训练用数据子集。

优选的，所述步骤s6中智能分析系统的是利用训练阶段生成的算法模型参数，算法模型可以直接处理同类型问题的全新的数据，并自动给出分析结果，即可以输入全新的癌症病理学图片，人工智能分析系统对诊断病理学图像进行诊断以及标记，并给出癌变组织区域的分割结果。

优选的，步骤s7中医生是根据临床中患者实际的病况与人工智能分析系统分析的结果相对比，如果出现较大偏差，则对算法训练数据库进行修订，从而得到新的自动诊断模型和数字病理图像检索模型，形成更加准确的智能分析系统。

本发明的工作原理是：通过对算法训练数据库中的病理图像进行分析和学习，获得自动诊断模型和数字病理图像检索模型，从而形成智能分析系统；从而可对临床数字病理进行分析判断，提高分析效率；医生可根据临床实际的结果，可修订算法训练数据库，并更新自动诊断模型和数字病理图像检索模型，从而形成实时智能分析系统；从而可获得准确的分析系统，从而减小结果的误差，提高分析的准确性。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。