技術(shù)特征：

1.一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的食管鱗癌病理圖像的自動組織勾畫方法，其特征在于：包括如下步驟：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述針對待分類的圖像進(jìn)行數(shù)據(jù)采集和圖像標(biāo)注的具體方法為：從信息系統(tǒng)中篩選出病灶位置的病理切片，用掃描儀器實現(xiàn)對病理切片的數(shù)字化，并對病理圖像上的共7種不同組織類型進(jìn)行手工注釋以及圖像勾畫標(biāo)注，其中7種不同組織類型為：結(jié)締組織con、鱗狀上皮epi、腺體gla、淋巴細(xì)胞lym、平滑肌mus、癌癥相關(guān)的基質(zhì)str和腫瘤tum；

3.根據(jù)權(quán)利要求1所述的方法，其特征在于：對采集的病理圖像和標(biāo)注結(jié)果進(jìn)行預(yù)處理的方法為：使用openslide將隊列中的所有圖片在20倍的放大率下拼成不重疊的256×256像素（px）的圖像斑塊，然后進(jìn)行顏色標(biāo)準(zhǔn)化處理；剔除空白面比例>50%的斑塊；

4.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述通過預(yù)處理后的標(biāo)注結(jié)果獲取訓(xùn)練圖像集合和獨立的驗證圖像集合，所述訓(xùn)練集和測試集不同時包含來自同一患者的圖像塊；

5.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述將預(yù)處理后的待診斷病理圖像輸入到目標(biāo)深度學(xué)習(xí)模型中，獲得每塊切割區(qū)域的自動勾畫結(jié)果，具體包括：使用訓(xùn)練完成的病理圖像自動勾畫網(wǎng)絡(luò)模型對經(jīng)過預(yù)處理后病理圖像切割小塊的組織自動分類，多個病理圖像組織成批次進(jìn)行處理；目標(biāo)深度學(xué)習(xí)模型將輸出自動組織分類的結(jié)果；

6.利用權(quán)利要求1-5所述任意方法獲得的用于食管鱗癌病理圖像訓(xùn)練的圖像組織自動勾畫系統(tǒng)。

7.根據(jù)權(quán)利要求6所述的用于食管鱗癌病理圖像訓(xùn)練的圖像組織自動勾畫系統(tǒng)，其特征在于：該系統(tǒng)包括：

技術(shù)總結(jié)
本發(fā)明屬生物醫(yī)學(xué)信息技術(shù)、人工智能技術(shù)領(lǐng)域，提供一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的食管鱗癌病理圖像的自動組織勾畫系統(tǒng)及勾畫方法，獲取病理圖像，針對待分類的H&E圖像進(jìn)行數(shù)據(jù)采集和圖像標(biāo)注；對采集的病理圖像和標(biāo)注結(jié)果進(jìn)行預(yù)處理；獲取訓(xùn)練圖像集合和獨立的驗證圖像集合，用遷移學(xué)習(xí)和RESNET50構(gòu)建病理圖像的7種組織自動勾畫模型，對基于深度學(xué)習(xí)的病理圖像組織自動勾畫網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和驗證；預(yù)處理的待診斷病理圖像輸入到目標(biāo)深度學(xué)習(xí)模型中，得每塊切割區(qū)域的自動組織勾畫分類結(jié)果，對組織自動勾畫分類結(jié)果賦予不同顏色進(jìn)行空間重構(gòu)，得圖像的組織勾畫結(jié)果。提供了直觀的可視化結(jié)果，為后續(xù)的量化空間組織特征及臨床輔助決策提供基礎(chǔ)。

技術(shù)研發(fā)人員：王鑫,崔永萍,齊林,崔鶴洋,曹逸,成曉龍
受保護(hù)的技術(shù)使用者：山西醫(yī)科大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6