基于语义分割网络的宫颈病理诊断装置的制作方法

本发明涉及智能识别病理诊断系统，更具体地说，本发明涉及基于语义分割网络的宫颈病理诊断装置。

背景技术：

1、目前，通常由专业医师标注数据从大规模的标注数据中提取出有用的医学特征，已标注的数据代表医生的诊断经验，特征提取过程学习医生的智能化水平尚待提高；计算机深度学习是近年来发展最快的人工智能技术之一，源于人工神经网络的研究，通过构建网络模型，然后利用大量的样本数据对模型进行训练学习，分层提取数据的所有特征，最后利用低层或高层特征形成更加抽象的表示属性类别，发现数据的分布式特征；子宫颈癌是严重威胁女性生命和健康的妇科恶性肿瘤之一，2018年全球宫颈癌新发病例约57万，死亡31万，中低收入国家占新发病例的85％，死亡病例的87％；我国2018年新发病例106,000例，发病率约为15.5/10万，是宫颈癌发病人数最多的国家；尽管随着宫颈液基细胞学检查及hpv检测技术的推广普及，筛查工作取得一定的成效，但发病形势依然严峻，面临诸多瓶颈问题，如人群筛查覆盖率低约20％，筛查技术质量不一，诊断人员水平参差不齐及阳性患者管理混乱等；2018年世界卫生组织发出2030年全球消除宫颈癌的呼吁，并且提出了2020-2030年期间宫颈癌防治阶段性目标简称90-70-90，即90％女孩在15岁之前全程接种hpv疫苗，70％女性在35-45岁期间有高质量的宫颈癌筛查技术，90％已罹患宫颈癌的女性得到有效的治疗，三者缺一不可；由此可见，宫颈癌筛查工作仍然有许多问题尚待解决；在临床诊断中，传统的宫颈组织学诊断是由病理医师在显微镜下根据自身经验进行诊断的，其完全依赖病理医师的个人经验，因为人工的效率往往十分有限，所以难免会出现因疲劳或诊断经验不足而导致的误诊与漏诊；除此之外，由于病理专家的培养周期漫长，直接导致了我国病理人才匮乏的这一现状，目前这种人力不足、水平参差不齐的现状等问题较难解决；因此，有必要提出基于语义分割网络的宫颈病理诊断装置，以至少部分地解决现有技术中存在的问题。

技术实现思路

1、在
技术实现要素：
部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明；本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。

2、为至少部分地解决上述问题，本发明提供了基于语义分割网络的宫颈病理诊断装置，包括：

3、宫颈病理标准数据库模块，建立数字化宫颈病变组织病理诊断标准数据库；创建病理细胞图像自动化标注工具；通过双立方插值图像上采样及多级专家系统图像审查，获取上采样审查数字化宫颈组织切片；

4、阶段训练大数据积累模块，根据上采样审查数字化宫颈组织切片，通过双单元卷积神经网络进行数据训练，将数据积累到设定大数据规模，获取宫颈组织切片规模化大数据；

5、自动学习神经网络搜索模块，根据宫颈组织切片规模化大数据，通过自动化机器学习，进行多类型神经网络搜索，自动构建具有预测准确率优势的神经网络结构，获取自构优势深度神经网络结构模型；

6、宫颈筛查标准自动诊断模块，根据自构优势深度神经网络结构模型，利用统计建模方法，建立宫颈病变组织切片筛查量化标准，对宫颈扫描数字切片中的可疑病变进行智能自动检测诊断。

7、优选的，所述宫颈病理标准数据库模块包括：

8、自动读取诊断标准数据子模块，使用自动切片读取库对宫颈扫描数字切片进行读取；根据读取的宫颈扫描数字切片数据，在patch分块的基础上构建基于patch图像块的病灶数据集，获取patch病灶数据集分布，建立数字化宫颈病变组织病理诊断标准数据库；

9、互验标注闭环模型创建子模块，将数据标注与模型更新形成数据模型互验闭环，持续循环迭代数据标注与模型训练过程，获取循环互验标注闭环模型；

10、病理图像自动标注子模块，根据循环互验标注闭环模型，通过病理细胞图像人工智能分析、诊断理论智能分析、技术平台经验智能分析，获取病理细胞图像自动化标注工具；进行双立方插值图像上采样及多级专家系统图像审查，获取上采样审查数字化宫颈组织切片。

11、优选的，所述阶段训练大数据积累模块包括：

12、双单元卷积神经网络子模块，以resnet和densenet为基本单元，创建动态卷积神经网络，获取双单元卷积神经网络；

13、大数据阶段训练节点子模块，根据上采样审查数字化宫颈组织切片，预估宫颈组织切片需求数据规模，设置宫颈组织切片大数据阶段训练节点；

14、宫颈组织大数据获取子模块，根据宫颈组织切片大数据阶段训练节点，通过双单元卷积神经网络进行第一阶段数据训练；当第一阶段数据训练达到宫颈组织切片大数据阶段训练节点，数据积累达到设定大数据规模，获取宫颈组织切片规模化大数据。

15、优选的，所述自动学习神经网络搜索模块包括：

16、神经网络搜索设置子模块，设置神经网络搜索方式；神经网络搜索方式；包括：强化学习神经网络搜索、遗传算法神经网络搜索、贝叶斯优化神经网络搜索、网路态射神经网络搜索；

17、网络搜索自动选择子模块，根据宫颈组织切片规模化大数据，通过自动化机器学习，自动选择神经网络搜索方式，进行多类型神经网络搜索，获取神经网络搜索方式选择结果；

18、网络结构自动构建子模块，根据神经网络搜索方式选择结果，进行神经网络结构预测准确率交叉对比，选出预测准确率最高的神经网络结构，自动构建深度神经网络结构模型，获取自构优势深度神经网络结构模型。

19、优选的，所述宫颈筛查标准自动诊断模块包括：

20、二阶训练分割分类子模块，根据自构优势深度神经网络结构模型，进行第二阶段数据训练，获取自构优势深度神经网络结构模型第二阶段数据训练节点；根据第二阶段数据训练节点，进行宫颈病变组织切片的病变细胞定位、病变细胞图像分割及病变细胞分类；

21、等级划分量化标准子模块，利用统计建模方法对病变细胞定位、病变细胞图像分割及病变细胞分类进行统计分析及规律判定，获得病变细胞量化指标及病变区域量化指标；根据病变细胞量化指标及病变区域量化指标，对病变细胞及病变区域进行等级划分，建立宫颈病变组织切片筛查量化标准；

22、云端共享智能检测诊断子模块，根据宫颈病变组织切片筛查量化标准，通过自构优势深度神经网络结构模型与机器视觉结合，标出宫颈组织切片中可疑病变的具体位置及其具体亚型，将装置数据与云端数据进行数据传输信息共享，实现对宫颈组织切片的智能自动检测诊断。

23、优选的，所述自动读取诊断标准数据子模块包括：

24、自动切片读取库单元，使用自动切片读取库对宫颈扫描数字切片进行读取；根据宫颈病变类型经验大数据，设定宫颈病变标注类型，宫颈病变标注类型包括：宫颈病变恶性肿瘤、宫颈低级别病变、宫颈正常鳞状上皮以及正常宫颈腺体；通过配合病理细胞图像自动化标注工具，增加制片扫描质量差标注类型以及非肿瘤标注类型；宫颈病变恶性肿瘤包括：宫颈鳞癌病变、宫颈原位腺癌病变及宫颈高级别病变；

25、宫颈恶性肿瘤判别单元，对宫颈病变恶性肿瘤进行细化分类，建立宫颈病理恶性肿瘤判别模型；宫颈病变恶性肿瘤包括：宫颈鳞癌病变、宫颈原位腺癌病变及宫颈高级别病变；

26、patch分块诊断标准单元，根据读取的宫颈扫描数字切片数据，在patch分块的基础上构建基于patch图像块的病灶数据集；在构建基于patch的病灶数据集的基础上，构建用于模型训练测试的模型训练patch病灶数据集及模型测试patch病灶数据集；获取patch病灶数据集分布，建立数字化宫颈病变组织病理诊断标准数据库。

27、优选的，所述病理图像自动标注子模块包括：

28、病理经验智能分析单元，根据循环互验标注闭环模型，进行病理细胞图像人工智能分析、诊断理论智能分析及技术平台经验智能分析；

29、模型交互框架集成单元，根据病理细胞图像人工智能分析、诊断理论智能分析及技术平台经验智能分析，集成宫颈组织病理诊断过程的动态模型、交互需求模型和图像界面框架，进行病理细胞图像自动化标注，获取病理细胞图像自动化标注工具；

30、自动标注采样审查单元，通过病理细胞图像自动化标注工具对数字化宫颈组织切片进行自动标注，获取自标注数字化宫颈组织切片；对已标注数字化宫颈组织切片进行双立方插值图像上采样及多级专家系统图像审查，获取上采样审查数字化宫颈组织切片。

31、优选的，所述网络结构自动构建子模块包括：

32、跳层融合同步学习单元，根据神经网络搜索方式选择结果，通过跳层融合，同步进行神经网络结构底层级特征学习、中层级特征学习和高层级特征学习；

33、神经网络拓朴对比选择单元，通过神经网络搜索在假设空间中快速搜索出对病理分析场景最优的神经网络拓朴结构，进行神经网络结构预测准确率交叉对比；通过神经网络结构预测准确率交叉对比及多类型深度学习网络在医学图像中结果对比分析，自动选择深度学习网络结构模型；自主选出预测准确率最高的神经网络结构；

34、流水线结构模型创建单元，以预测准确率最高的神经网络结构作为优势深度神经网络结构，自动构建深度神经网络结构模型，建立完整深度学习流水线，获取自构优势深度神经网络结构模型。

35、优选的，所述二阶训练分割分类子模块包括：

36、训练数据标注存储单元，根据自构优势深度神经网络结构模型，将宫颈组织切片规模化大数据中的训练数据与对应标注存入到数字化宫颈病变组织病理诊断标准数据库中；

37、二阶数据训练单元，从数字化宫颈病变组织病理诊断标准数据库中自动读取数据，输入自构优势深度神经网络结构模型，进行第二阶段数据训练；使用模型训练监控可视化工具对模型的训练情况进行实时监控，将模型训练参数进行快照定时保存；获取自构优势深度神经网络结构模型第二阶段数据训练节点；

38、病变定位分割分类单元，根据第二阶段数据训练节点，进行宫颈病变组织切片的病变细胞定位、病变细胞图像分割及病变细胞分类。

39、优选的，所述云端共享智能检测诊断子模块包括：

40、可疑病变识别标注单元，根据宫颈病变组织切片筛查量化标准，通过自构优势深度神经网络结构模型与机器视觉结合，识别标注宫颈组织切片中可疑病变的具体位置及其具体亚型，输出像素级宫颈恶性肿瘤预测概率，将装置数据与云端数据进行数据传输信息共享；

41、检测诊断热力图分析单元，分析检测诊断热力图；分析检测诊断热力图区域颜色，检测诊断热力图区域颜色越红，表示预测为恶性肿瘤概率越高；

42、模型诊断结果判定单元，判定模型检测诊断结果；判定模型预测肿瘤区域分布与真实肿瘤区域分布的肿瘤区域分布接近程度；当肿瘤区域分布接近程度达到预设肿瘤区域分布接近程度时，判定为模型检测诊断达标；实现对宫颈组织切片的智能自动检测诊断。

43、相比现有技术，本发明至少包括以下有益效果：

44、本发明提供了基于语义分割网络的宫颈病理诊断装置，利用宫颈病理标准数据库模块，建立数字化宫颈病变组织病理诊断标准数据库；创建病理细胞图像自动化标注工具；通过双立方插值图像上采样及多级专家系统图像审查，获取上采样审查数字化宫颈组织切片；阶段训练大数据积累模块，根据上采样审查数字化宫颈组织切片，通过双单元卷积神经网络进行数据训练，将数据积累到设定大数据规模，获取宫颈组织切片规模化大数据；自动学习神经网络搜索模块，根据宫颈组织切片规模化大数据，通过自动化机器学习，进行多类型神经网络搜索，自动构建具有预测准确率优势的神经网络结构，获取自构优势深度神经网络结构模型；宫颈筛查标准自动诊断模块，根据自构优势深度神经网络结构模型，利用统计建模方法，建立宫颈病变组织切片筛查量化标准，对宫颈扫描数字切片中的可疑病变进行智能自动检测诊断；可以建立面向大数据和深度学习的数字化宫颈病变组织病理诊断标准数据库，可以获得病变分类的宫颈组织病理诊断数据标准和规范；大幅提高了标注质量及标注效率；可快速配合高度自动化与多变的应用场景；对预测结果进行病理学分析模型预测与真实的肿瘤区域分布非常接近；获得更加准确的图像分割结果；实现高效准确的宫颈癌及癌前病变的自动智能化诊断。

45、本发明所述的基于语义分割网络的宫颈病理诊断装置，本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。