一种肺腺癌亚型的辅助鉴别系统及方法与流程

本发明涉及神经网络领域，尤其涉及一种肺腺癌亚型的辅助鉴别系统及方法。

背景技术：

肺癌是世界上最常见的恶性肿瘤之一。我国肺癌的发病率、死亡率均高居恶性肿瘤之首，严重威胁着国民的健康。肺腺癌是原发肺癌最常见的类型，大约占了肺癌的一半。因为肺腺癌的肿瘤异质性，想对其进行组织学分类仍然很困难。在这种情况下，世界卫生组织在2015年正式发表了肺癌组织学分类，变化最大的部分就是肺腺癌的组织学分类。根据新分类标准，原来单纯型bac被取代成为原位腺癌(ais)，以鳞屑样生长为主，浸润成分<5mm的微浸润腺癌(mia)取代了原来的bac伴局灶浸润，这两类患者的淋巴结转移发生率极低，如接受手术切除可获得接近100％的疾病特异性存活率，bac-ais被移出了恶性肿瘤行列和不典型腺瘤样增生(aah)一起列入了癌前病变。对浸润性腺癌提倡全面、详细的组织学诊断模式。不再笼统地归为混合亚型而是细分为鳞屑样、腺泡样、乳头状、微乳头状及实性生长方式为主的5种亚型。

肺腺癌病理新分类提出后，相继有研究证明肺腺癌患者的不同组织学亚型与淋巴结转移状况、无病生存期或总生存期密切相关。研究证实肺腺癌不同组织学亚型是独立于临床分期的预测指标，总生存期(os)、疾病特异性生存期(dss)和无疾病生存期(dfs)均存在显著差异，其中以微乳头或实性成分为主的肺腺癌患者预后最差；不同生长方式肺腺癌的生存期受辅助放化疗影响，尤其实性为主腺癌接受辅助放疗预后明显改善；不同生长方式腺癌与发生淋巴结转移的危险性也密切相关。肺腺癌国际多学科新分类为含有不同组织学特征的肺腺癌提供了统一的诊断学标准，进一步细化的分类更加突出主要类型对于肿瘤生物学行为、治疗和预后的影响。

常规的癌症诊断多是基于分析肿瘤或可疑肿瘤组织中的细胞和组织标本，通过组织染色，个体细胞或细胞群就可以鉴别出来。癌症类型的诊断常常依靠分析细胞的形态特征，比如，染色后细胞的形状，大小，性状的改变，分化的程度以及组织结构的不规则性。因此癌症病理诊断除了专业知识背景之外很大程度上取决于临床病理医师的主观判断，正确而可信度高的诊断需要丰富的临床经验。然而病理标本异质性高，细胞量巨大，癌前病变和非癌病变的区分，不同病理类型的鉴别即使对于临床经验丰富的专家也是一种挑战。除此之外，各机构之间标准目前依旧无法统一，病理行业人才的稀缺导致了日常工作量巨大，流水线的工作无法保证各病理学家之间的诊断一致性。为了提升临床对肺腺癌亚型的诊断一致性，减少可重复性高的工作对医师工作效率的影响，人工智能辅助诊断系统是迫切需要的。

随着基于全切片数字病理的肿瘤远程诊断的普及，肺腺癌发病率的逐年上升，手术标本的增加，数字病理切片的数量也在不断地增长，建立带有临床病理专家诊断标注的数字病理图像库也已经不是难事。从1943年warrenmcculloch和walterpitts提出人工神经元模型起，到1956年在达特茅斯大学开展的为期2个月的人工智能研究，人工智能正式成为一个独立的领域。在2016年3月进行的围棋人机大赛中，阿尔法狗(alphago)最终以4:1战胜了围棋名将李世石九段，使人工智能得到了广泛关注，而人工智能、机器学习等概念也在突然之间深入人心。目前，人工智能正渗透到我们生活的方方面面，同时也已经开始应用于医学图像处理，可直接提取图像深层特征信息，并自动学习训练模型，从识别肿瘤区域到提取隐藏的肿瘤特征应用都十分广泛，可用于构建数字病理学的决策工作流程，其中最具有代表性的是卷积神经网络模型(cnn)。训练后的cnn模型将摆脱专业因素的束缚，全面而准确的获取病理切片的特征，适用于大数据量的wsi图像分析，包括区分肿瘤组织病理学分型、淋巴结转移细胞检测、肿瘤患者预后预测等。但由于算法模型不同，经过学习和训练的程度也不一致，对未知数字病理图像的诊断能力仍有限，目前来说，现有的算法模型对诊断肺腺癌病理亚型的准确度并不高，因此我们需要开发一种准确度高且适用于临床日常工作中，减少可重复性工作对医生工作效率的影响的卷积神经网络模型。

技术实现要素：

本发明为了解决上述问题，现提出一种肺腺癌亚型的辅助鉴别系统，包括：

采集模块，用于将获取的切片进行扫描得到数字病理图像，并对所述数字病理图像的病变区进行标注，得到标注图像；

所述标注图像包括所述病变区以及表征所述病变区的肺腺癌亚型的真实病理图像特征；

处理模块，连接所述采集模块，用于将所述标注图像进行图像预处理获得处理图像，并将所述处理图像存入一数据库；

分类模块，连接所述处理模块，用于将所述数据库中的所述处理图像按比例分为训练集、验证集和测试集；

训练模块，连接所述分类模块，用于将所述训练集中的处理图像输入到预先设置的卷积神经网络模型中进行训练，获得所述肺腺癌亚型的辅助鉴别模型；

验证模块，连接所述训练模块，用于将所述验证集输入到所述辅助鉴别模型中进行参数优化调整，获得所述肺腺癌亚型的辅助鉴别优化模型；

测试模块，连接所述验证模块，用于将所述测试集输入到所述辅助鉴别优化模型获得所述肺腺癌亚型的辅助鉴别结果，并将所述辅助鉴别结果与对应的所述真实病理图像特征进行对比，得到所述辅助鉴别优化模型的测试准确率；

比较模块，连接所述测试模块，用于将所述测试准确率与预设的测试阈值进行比较，在所述测试准确率小于所述测试阈值时重新训练所述辅助鉴别优化模型；以及在所述测试准确率不小于所述测试阈值时，保存所述辅助鉴别优化模型，以辅助临床医师鉴别所述肺腺癌亚型。

优选的，所述采集模块包括：

扫描单元，用于将获取的切片进行扫描得到数字病理图像；

分割单元，连接所述扫描单元，用于对所述数字病理图像进行分割获得分割图像；

标注单元，连接所述分割单元，用于将所述分割图像中的病变区进行标注获得所述标注图像。

优选的，所述扫描单元为玻片扫描仪和/或病理组织扫描系统。

优选的，所述数字病理图像为全视野数字切片图像。

优选的，所述训练集、所述验证集和所述测试集中的所述处理图像的数量比例为7：2：1。

优选的，所述图像预处理包括对所述标注图像进行多角度旋转，所述多角度旋转包括对所述标注图像进行90度旋转，和/或180度旋转，和/或270度旋转，和/或360度旋转。

优选的，所述图像预处理包括对所述标注图像进行水平翻转，和/或图像增强，和/或图像锐化。

一种肺腺癌亚型的辅助鉴别方法，应用于一种肺腺癌亚型的辅助鉴别系统，包括以下步骤：

步骤s1，将获取的切片进行扫描得到数字病理图像，并对所述数字病理图像的病变区进行标注，得到标注图像；

所述标注图像包括所述病变区以及表征所述病变区的肺腺癌亚型的真实病理图像特征；

步骤s2，将所述标注图像进行图像预处理获得处理图像，并将所述处理图像存入一数据库；

步骤s3，将所述数据库中的所述处理图像按比例分为训练集、验证集和测试集；

步骤s4，将所述训练集中的处理图像输入到预先设置的卷积神经网络模型中进行训练，获得所述肺腺癌亚型的辅助鉴别模型；

步骤s5，将所述验证集输入到所述辅助鉴别模型中进行参数优化调整，获得所述肺腺癌亚型的辅助鉴别优化模型；

步骤s6，将所述测试集输入到所述辅助鉴别优化模型获得所述肺腺癌亚型的辅助鉴别结果，并将所述辅助鉴别结果与对应的所述真实病理图像特征进行对比，得到所述辅助鉴别优化模型的测试准确率；

步骤s7，将所述测试准确率与预设的测试阈值进行比较:

若所述测试准确率小于所述测试阈值，则重新训练所述辅助鉴别优化模型；

若所述测试准确率不小于所述测试阈值，则保存所述辅助鉴别优化模型，以辅助临床医师鉴别所述肺腺癌亚型。

优选的，所述步骤s1包括：

步骤s11，将获取的切片进行扫描得到数字病理图像；

步骤s12，对所述数字病理图像进行分割获得分割图像；

步骤s13，将所述分割图像中的病变区进行标注获得所述标注图像。

具有以下有益效果：

本发明通过对卷积神经网络模型进行训练获得辅助鉴别模型，辅助临床医师鉴别肺腺癌亚型，减轻了医生的压力并提高了对肺腺癌亚型的鉴别准确度。

附图说明

图1为本发明较佳的实施例中，一种肺腺癌亚型的辅助鉴别系统的结构示意图；

图2为本发明较佳的实施例中，一种肺腺癌亚型的辅助鉴别方法的流程示意图；

图3为本发明较佳的实施例中，标注图像的获取流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本发明为了解决上述问题，现提出一种肺腺癌亚型的辅助鉴别系统，如图1所示，包括：

采集模块1，用于将获取的切片进行扫描得到数字病理图像，并对数字病理图像的病变区进行标注，得到标注图像；

标注图像包括病变区以及表征病变区的肺腺癌亚型的真实病理图像特征；

处理模块2，连接采集模块1，用于将标注图像进行图像预处理获得处理图像，并将处理图像存入一数据库；

分类模块3，连接处理模块2，用于将数据库中的处理图像按比例分为训练集、验证集和测试集；

训练模块4，连接分类模块3，用于将训练集中的处理图像输入到预先设置的卷积神经网络模型中进行训练，获得肺腺癌亚型的辅助鉴别模型；

验证模块5，连接训练模块4，用于将验证集输入到辅助鉴别模型中进行参数优化调整，获得肺腺癌亚型的辅助鉴别优化模型；

测试模块6，连接验证模块5，用于将测试集输入到辅助鉴别优化模型获得肺腺癌亚型的辅助鉴别结果，并将辅助鉴别结果与对应的真实病理图像特征进行对比，得到辅助鉴别优化模型的测试准确率；

比较模块7，连接测试模块6，用于将测试准确率与预设的测试阈值进行比较，在测试准确率小于测试阈值时重新训练辅助鉴别优化模型；以及在测试准确率不小于测试阈值时，保存辅助鉴别优化模型，以辅助临床医师鉴别肺腺癌亚型。

具体地，本实施例中，采集模块1，用于将获取的切片进行扫描得到数字病理图像，并对数字病理图像的病变区进行标注，得到标注图像；标注图像包括病变区以及表征病变区的肺腺癌亚型的真实病理图像特征；卷积神经网络模型的性能主要依靠临床上收集而来的病例的标注，且为了训练出算法最好的性能，优选专业的病理医师去标注数字病理切片中的病变区域，以保障后期的学习准确率；处理模块2，用于将标注图像进行图像预处理获得处理图像，并将处理图像存入一数据库，通常数字病理切片提供的图像分辨率高达百万像素，大数据对应的大文件，对计算机的特征提取和计算都有很高的要求，虽然这些问题都可以依靠计算机技术的进步而克服，我们采用将图像存入到数据库中，满足系统的运行；然后通过分类模块3将数据库中的处理图像按比例分为训练集、验证集和测试集；再通过训练模块4，将训练集中的处理图像输入到预先设置的卷积神经网络模型中进行训练，获得肺腺癌亚型的辅助鉴别模型；再通过验证模块5，将验证集输入到辅助鉴别模型中进行参数优化调整，获得肺腺癌亚型的辅助鉴别优化模型；测试模块6将测试集输入到辅助鉴别优化模型获得肺腺癌亚型的辅助鉴别结果，并将辅助鉴别结果与对应的真实病理图像特征进行对比，得到辅助鉴别优化模型的测试准确率；比较模块7用于检测该系统的一个准确性，将测试准确率与预设的测试阈值进行比较，在测试准确率小于测试阈值时，说明该系统还没达到一定的准确性，需要重新训练辅助鉴别优化模型；以及在测试准确率不小于测试阈值时，说明该系统具有了一定的准确性，可以应用到临床上，保存辅助鉴别优化模型，以辅助临床医师鉴别肺腺癌亚型。

本发明较佳的实施例中，采集模块1包括：

扫描单元11，用于将获取的切片进行扫描得到数字病理图像；

分割单元12，连接扫描单元11，用于对数字病理图像进行分割获得分割图像；

标注单元13，连接分割单元12，用于将分割图像中的病变区进行标注获得标注图像。

具体地，本实施例中，对病患的切片进行扫描得到数字病理图像；再对数字病理图像进行分割得到若干分割图像，方便对图像的标注和后期的输入学习，再通过经验丰富的医生对病变区标注得到学习的样本标准图像。

本发明较佳的实施例中，扫描单元11为玻片扫描仪和/或病理组织扫描系统。

本发明较佳的实施例中，数字病理图像为全视野数字切片图像。

本发明较佳的实施例中，训练集、验证集和测试集中的处理图像的数量比例为7：2：1。

本发明较佳的实施例中，图像预处理包括对标注图像进行多角度旋转，多角度旋转包括对标注图像进行90度旋转，和/或180度旋转，和/或270度旋转，和/或360度旋转。

本发明较佳的实施例中，图像预处理包括对标注图像进行水平翻转，和/或图像增强，和/或图像锐化。

具体地，对标注图像进行多种扩充处理，丰度数据库中的学习样本数量及增强后期系统的识别能力。

一种肺腺癌亚型的辅助鉴别方法，应用于一种肺腺癌亚型的辅助鉴别系统，如图2所示，包括以下步骤：

步骤s1，将获取的切片进行扫描得到数字病理图像，并对数字病理图像的病变区进行标注，得到标注图像；

标注图像包括病变区以及表征病变区的肺腺癌亚型的真实病理图像特征；

步骤s2，将标注图像进行图像预处理获得处理图像，并将处理图像存入一数据库；

步骤s3，将数据库中的处理图像按比例分为训练集、验证集和测试集；

步骤s4，将训练集中的处理图像输入到预先设置的卷积神经网络模型中进行训练，获得肺腺癌亚型的辅助鉴别模型；

步骤s5，将验证集输入到辅助鉴别模型中进行参数优化调整，获得肺腺癌亚型的辅助鉴别优化模型；

步骤s6，将测试集输入到辅助鉴别优化模型获得肺腺癌亚型的辅助鉴别结果，并将辅助鉴别结果与对应的真实病理图像特征进行对比，得到辅助鉴别优化模型的测试准确率；

步骤s7，将测试准确率与预设的测试阈值进行比较:

若测试准确率小于测试阈值，则重新训练辅助鉴别优化模型；

若测试准确率不小于测试阈值，则保存辅助鉴别优化模型，以辅助临床医师鉴别肺腺癌亚型。

本发明较佳的实施例中，如图3所示，步骤s1包括：

步骤s11，将获取的切片进行扫描得到数字病理图像；

步骤s12，对数字病理图像进行分割获得分割图像；

步骤s13，将分割图像中的病变区进行标注获得标注图像。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。