一种基于CE-Net算法的肠神经节细胞术前识别方法

一种基于ce-net算法的肠神经节细胞术前识别方法
技术领域
1.本发明涉及细胞识别的技术领域，尤其涉及一种基于ce-net算法的肠神经节细胞术前识别方法。


背景技术：

2.肠无神经节细胞症(aganglionosis)，顾名思义就是肠道缺乏神经节细胞，是一种先天性肠神经系统发育异常性疾病，发生率约1/2000-1/5000。由于肠道神经节细胞缺如，病变肠管处于痉挛状态，不能舒张，导致肠梗阻。由于肠神经系统在胚胎期是由头端向尾端发育，如果发育停止在消化道的某个部位，那该部位以远则肠道神经节细胞缺乏，因此肠无神经节细胞症的病变部位多位于消化道的远端特别是结肠中远端，这就导致该病的临床特点为排便困难，肠梗阻、腹胀、肠道感染等情况。肠无神经细胞症是一种病理异常导致的功能性疾病，基本病理变化包括：病变肠管粘膜下及肌间神经丛中的神经节细胞缺如；无神经节段的肠壁粘膜下层及肌间肥大胆碱能神经纤维增生，形成所谓“肥大神经丛(hypertrophic nerve trunk)”结构。手术切除病变肠管是临床治疗患儿的最主要方法。
3.肠无神经节细胞症需要手术治疗，这就要需要术前诊断要明确，保证不误诊、不手术错误。术前诊断的方法除了临床症状和体征外，主要包括钡剂灌肠造影和直肠活检，钡剂灌肠造影用于明确病变肠管的长度也就是疾病严重程度，因为肠无神经节细胞症是一种病理性疾病，术前病理诊断是金标准，可以是直肠粘膜活检或直肠(结肠)活检来确定是否粘膜下或肌间神经丛确定没有神经节细胞。由于术前病理活检取材往往较小，且大部分病例为经肛门的直肠黏膜吸引活检(包括黏膜下层也即包含粘膜下神经丛)，通过苏木精-伊红(hematoxylin-eosin staining,h&e)染色，评估神经节细胞和神经丛特征，这对病理医生的读片技术和经验要求较高。
4.肠无神经节细胞症病理诊断指南建议：当采用黏膜活检或全层活检时，建议至少使用免疫组织化学和ache酶组织化学中的一种作为辅助诊断手段。但鉴于目前小儿外科以及相关病理诊断的发展现状，石蜡切片结合h&e染色仍是病理医生主要依据的诊断方式，只要病理切片找到神经节细胞就可以排除肠无神经节细胞症，至少读片20张以上都未能发现神经节细胞，才可以诊断肠无神经节细胞症。这需要病理医师付出大量的工作时间、具备丰富的准确读片技术和捕捉信号能力。
5.利用人工智能快速识别肠道组织切片h&e染色图像中神经丛和神经节细胞，建立标准、稳定的肠无神经节细胞症诊断方法，可以降低对经验丰富病理医师的依赖，同时减轻病理医生工作负担，并可有助于推广到基层单位，实现不同等级医院之间病理诊断的同质化，提高整体的医疗质量。
6.近年来，在医学图像领域，基于u-net的深度学习方法不断被提出，但是u-net及其变体的一个常见问题在于连续的池化和跨度卷积降低了特征分辨率，导致部分空间信息的丢失。虽然这种不变性有利于分类或物体检测任务，但是它常常不利于需要详细空间信息的密集预测任务。从直观上讲，在中间层维持高分辨率的feature map可以提高分割精度。
然而，这样却增大了feature map的尺寸，这不利于加速网络训练和降低网络优化的难度。
7.基于u-net方法在医学图像领域存在的上述缺陷，需要在加速训练和保持高分辨率之间找到一个折中点。通常，u-net可以被看作编码器-解码器结构，编码器旨在逐步减少feature map的空间维度和捕获更多高级语义特征；解码器旨在恢复目标细节信息和空间维度。因此，在编码器中捕获更高级别的特征并在解码器中保留更多空间信息以提高图像分割的性能以应用于肠神经节细胞的识别，获得更高的识别效果是本专利欲解决的问题。


技术实现要素：

8.发明目的：为了克服现有技术中存在的不足，本发明提供一种基于ce-net算法的肠神经节细胞术前识别方法，该发明能够对肠神经节细胞进行精准、快速的识别，从而辅助病理医生进行术前诊断，提高识别的速度与精度，减轻病理医生的负担。
9.技术方案：为了实现上述发明目的，本发明提供了一种基于ce-net算法的肠神经节细胞术前识别方法，包括以下步骤：
10.s1，采集病理切片的图像数据，并通过预处理增加图像数据量，得到训练数据集；
11.s2，构建肠神经节细胞识别模型；
12.s3，结合训练数据集对肠神经节细胞识别模型进行训练；
13.s4，肠神经节细胞识别模型的推理端计算阈值；
14.s5，通过训练后的肠神经节细胞识别模型对待测图片进行肠神经节细胞的识别。
15.进一步的，在本发明中：所述s1还包括以下步骤：
16.s1-1，对图像数据进行数据增强；
17.s1-2，随机选择100张没有神经节细胞的图像，生成全黑的标签以扩充数据集和充分利用提供的图像；
18.s1-3，通过伪标签策略增加图像数量。
19.进一步的，在本发明中：所述数据增强包括：对图像采用resize策略，为提高模型的泛化能力，对图像进行亮度、对比度、饱和度的调节，以及色彩增强；
20.进一步的，在本发明中：所述肠神经节细胞识别模型基于u-net架构的ce-net网络进行构建并对其进行优化，ce-net网络作为肠神经节细胞识别模型的基础模型，包括特征编码模块、上下文提取模块和特征解码模块。
21.进一步的，在本发明中：所述优化还包括：对骨干网络进行优化，采用加深网络层和使用efficientnet作为模型中的编码器；镶嵌通道注意力机制senet和自注意力机制danet的模块到结构中；采用pspnet的特征金字塔池化。
22.进一步的，在本发明中：所述s3还包括以下步骤：
23.s3-1，采用adam优化器；
24.s3-2，自适应学习率调整策略，当满足三次epoch_loss大于best_loss时，将学习率除以2；
25.s3-3，设置损失函数，损失函数采用bceloss+diceloss+focalloss相结合的方式，其中，bceloss是二分类交叉熵损失函数，diceloss用于提高肠神经节细胞识别模型的dice分数，focalloss用于平衡正负样本。
26.进一步的，在本发明中：所述计算阈值还包括：通过随机采样训练集图片，计算最
佳阈值后取平均值作为阈值。
27.有益效果：本发明与现有技术相比，其有益效果是：基于ce-net算法构建用于肠道中神经节细胞的识别模型，能够实现对神经节细胞快速、准确的识别，减少人工识别的时间成本和错误率。
28.(1)本发明通过ce-net算法来获取更多高级信息并保留空间信息用于肠无神经节细胞症术前病理辅助诊断；该模型运算速度快，参数量少，使用的依赖少、容易部署；
29.(2)本文提出的网络结构在传统的encoder-decoder结构中间加入了context extractor(上下文提取器)，用来减少由于池化和卷积导致的信息损失；context extractor(上下文提取器)使用dac块(空洞卷积)和rmp块(残差多核池化)，将dac块(空洞卷积)和rmp块(残差多核池化)与编码器-解码器结构相结合，可以捕获更多的高级特征和保留更多的空间信息。使医学图像分割更精准；
30.(3)dacblock(dense atrous convolution)采用不同的rate空洞增加感受野，以及inception模块的卷积策略，而rmp(residual multi-kernel pooling)则通过扩大池化区域，然后上采样进行拼接来增加感受野和区域信息。具体来说，原始的u-net架构通过在编码过程中采用连续的3*3卷积和池化操作来捕获多尺度特征，而ce-net提出的dac模块可以通过注入具有多尺度空洞卷积的四个级联分支来捕获更广泛和更深的语义特征。在该模块中，使用快捷连接来防止梯度消失问题。此外，受空间金字塔池化的启发，ce-net还提出了残差多核池化(rmp)模块。这个rmp模块通过采用各种大小的池化操作进一步编码从dac中提取的目标的多尺度上下文特征，而没有额外的学习权重。综上所述，dac模块使用多尺度的空洞卷积来提取丰富的特征表达，然后rmp模块使用多尺度池化操作来进一步获取上下文信息。将dac模块和rmp模块与编码器-解码器结构相结合，上下文编码网络依赖于dac模块和rmp模块来捕获更多抽象特征和保留更多空间信息以提高医学图像处理的性能。
附图说明
31.图1为本发明所提出方法的整体流程示意图；
32.图2为肌间神经丛内正常神经节细胞示意图；
33.图3为粘膜下丛内正常神经节细胞示意图。
具体实施方式
34.下面结合附图对本发明的技术方案做进一步的详细说明：
35.本发明可以用许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。
36.如图1所示，本发明提出了一种基于ce-net算法的肠神经节细胞术前识别方法，该方法具体包括以下步骤，
37.s1，采集病理切片的图像数据，并通过预处理增加图像数据量，得到训练数据集；
38.对图像数据进行预处理还包括以下步骤：
39.s1-1，对图像数据进行数据增强；具体的，对于分析该病理切片下的分割不属于超精细分割，本实施例中对图片采用resize策略，为提高模型的泛化能力，数据增强还包括对
图像进行亮度、对比度、饱和度的调节，以及色彩增强；
40.s1-2，为了扩充数据集和充分利用提供的图片，随机选择100张没有神经节细胞的图片，生成全黑的标签以扩充数据集和充分利用提供的图片。
41.s1-3，通过伪标签策略增加图像数量；在有神经节细胞的图片上取神经节区域，嫁接到提供的无神经节细胞的图片上。
42.s2，构建肠神经节细胞识别模型；
43.具体的，本实施例中的肠神经节细胞识别模型基于u-net架构的ce-net网络进行构建，ce-net网络作为肠神经节细胞识别模型的基础架构，包括三个模块：特征编码模块、上下文提取模块和特征解码模块。
44.进一步的，本实施例采用的肠神经节细胞识别模型对ce-net网络的结构进行改进，改进包括以下方面：
45.对骨干网络进行优化，采用加深网络层和使用更加轻量高效的efficientnet作为模型中的编码器；
46.镶嵌通道注意力机制senet和自注意力机制danet的模块到结构中；
47.采用pspnet的特征金字塔池化。
48.s3，结合训练数据集对肠神经节细胞识别模型进行训练；
49.s3-1，采用adam优化器。
50.s3-2，自适应学习率调整策略，当满足三次epoch_loss大于best_loss时，将学习率除以2。
51.s3-3，设置损失函数，损失函数采用bceloss+diceloss+focalloss相结合的方式，其中，bceloss是二分类交叉熵损失函数，diceloss是为了提高模型dice分数，focalloss是为了平衡正负样本；
52.s4，肠神经节细胞识别模型的推理端计算分割阈值。
53.具体的，推理时需要一个阈值，通过该阈值来对结果进行像素的归类。即将这张图里每个像素都预测到一个概率，然后根据阈值将概率映射到0或者1。
54.本实施例通过随机采样30张训练集图像，计算最佳阈值然后取平均值作为本发明使用的分割阈值。为了利用病理图片的方向不固定性，测试时采用了翻转图片测试的策略。
55.其中，翻转图片进行测试是利用了病理图片具有的方向不固定性，测试模型对于方向翻转的鲁棒性。得到分割阈值后先利用原图片进行测试，再对图片翻转后进行测试。
56.阈值范围的最小值是0，最大值是1，一般情况下预测以0.5为阈值，本实施例中选取的分割阈值为0.4918。
57.s5，通过训练后的肠神经节细胞识别模型对待测图片进行肠神经节细胞的识别。
58.其中，待测图片为染色后的肠道病理切片图像。
59.应说明的是，以上所述实施例仅表达了本发明的部分实施方式，其描述并不能理解为对本发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干改进，这些均应落入本发明的保护范围。