(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111631341.5 (22)申请日 2021.12.2 9 (65)同一申请的已公布的文献号 申请公布号 CN 113989800 A (43)申请公布日 2022.01.28 (73)专利权人 南京南数 数据运筹科学研究院有 限公司 地址 210000 江苏省南京市江宁区苏源大 道19号九龙湖国际企业总部园B1栋17 层(江宁开发区) 专利权人 南京南数 科技有限公司 　 南京市儿童医院 　南京大学 (72)发明人 曹祯庭　武海燕　吴婷　李梦婷　 钱新月　韩传富　沈纬　唐维兵　 周春雷　唐杰　(74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 代理人 徐激波 (51)Int.Cl. G06V 20/69(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) 审查员 朱雪梅 (54)发明名称 一种基于改进渐进式残差网络的肠神经丛 辅助识别方法 (57)摘要 本发明公开了一种基于改进渐进式残差网 络的肠神经丛辅助识别方法， 包括以下步骤： 步 骤1， 采集数据并进行预处理， 得到训练数据集； 步骤2， 基于改进的渐进式残差复原网络构建复 原模型， 并基于训练数据集和MSEloss对复原模 型进行训练； 步骤3， 将原始待测图像输入训练后 的复原模型， 得到复原结果； 步骤4， 将复原结果 与原始待测图像进行像素级差异比较， 得到肠神 经丛的位置； 步骤5， 采用分类模型， 对正常与非 正常的神经丛进行分类。 通过本发 明可以实现对 神经丛准确、 快速的识别， 先对正常与非正常的 神经丛进行分类， 实现对正常与非正常形态的神 经丛评估， 识别为正常的神经丛后再进行后续神 经节细胞的识别， 从而大大提高识别效率和准确 率。 权利要求书1页 说明书4页 附图4页 CN 113989800 B 2022.04.12 CN 113989800 B 1.一种基于改进渐进式残差网络的肠神经丛辅助识别方法， 其特征在于： 包括以下步 骤： 步骤1， 采集数据并进行 预处理， 得到训练数据集； 步骤2， 基于改进的渐进式残差复原网络构建复原模型， 并基于训练数据集和MSEloss 对复原模型进行训练； 步骤3， 将原 始待测图像输入训练后的复原模型， 得到复原结果； 所述复原模型的输入为合成的包含神经丛的图像， 每一层的输入是上一个层的输出结 果和原始输入进行通道连接， 级联特征的金字塔网络用于对高分辨率图像进行多尺度融 合， 经过输入卷积层的卷积升维， 进入特征提取器， 特征提取器提取特征图， 最后通过输出 卷积层进行 卷积降维处 理， 得到复原结果并输出； 步骤4， 将复原结果与原 始待测图像进行像素级差异比较， 得到肠神经丛的位置； 步骤5， 构建 分类模型对正常与非正常的神经丛进行分类。 2.如权利要求1所述的基于改进渐进式残差网络的肠神经丛辅助识别方法， 其特征在 于： 所述采集的数据为经 苏木精‑伊红染色的肠道组织切片图像数据。 3.如权利要求2所述的基于改进渐进式残差网络的肠神经丛辅助识别方法， 其特征在 于： 所述预处理包括： 对采集到的数据进 行数据增强得到更多的图像数据， 数据增强包括对 数据进行翻转、 拉伸、 色彩变换和 切割。 4.如权利要求1~3任一所述的基于改进渐进式残差网络的肠神经丛辅助识别方法， 其 特征在于： 复原模型基于改进的渐进式残差复原网络构建， 包括输入卷积层、 激活函数层、 特征提取器和输出 卷积层， 特 征提取器包括ResNet， 用于逐步挖掘深层语义纹 理信息。 5.如权利要求4所述的基于改进渐进式残差网络的肠神经丛辅助识别方法， 其特征在 于： 所述特 征提取器中包括5个ResNet。 6.如权利要求5所述的基于改进渐进式残差网络的肠神经丛辅助识别方法， 其特征在 于： 所述复原模型还包括LSTM层， 即在每个阶段数据进入特征提取器前需要先经过LSTM层 循环网络， 使得在去除神经丛的过程中， 每 个stage能获取到上个sta ge的状态。 7.如权利要求6所述的基于改进渐进式残差网络的肠神经丛辅助识别方法， 其特征在 于： 所述复原模 型中通过ResBlocks在网络输入时增加边缘信息的连接， 使 得网络对于边缘 的修复更为 准确。 8.如权利要求1所述的基于改进渐进式残差网络的肠神经丛辅助识别方法， 其特征在 于： 所述步骤4中， 像素级差异比较采用多信息综合判定， 神经丛的像素级差异判断采用像 素级融合的方式。 9.如权利要求1所述的基于改进渐进式残差网络的肠神经丛辅助识别方法， 其特征在 于： 所述分类模型基于 CNN卷积神经网络构建。权　利　要　求　书 1/1 页 2 CN 113989800 B 2一种基于改进渐进式残差网 络的肠神经丛辅助识别方 法 技术领域 [0001]本发明涉及图像识别的技术领域， 尤其涉及一种基于改进渐进式残差网络的肠神 经丛辅助识别方法。 背景技术 [0002]肠无神经节细胞症 （aganglionosis） 是常见 的小儿消 化道发育畸形之一。 肠无神 经节细胞症的判断金标准为病理检查。 其特征性的组织学病理改变是狭窄段 （病变段） 肠壁 内神经丛和神经节细胞缺如， 表现为肌间和粘膜下通常不能见到正常形态的肠神经丛和神 经节细胞。 反之， 外源性胆碱能神经纤维大量增生， 数量增多， 粗大， 紧密 交织成束， 呈波浪 状或旋涡状， 出现所谓的 “肥大神经丛 ”。 该疾病的常规诊断流程为： 肠道组织切片苏木精 ‑ 伊红 （H&E） 染色， 显微镜下评估 是否存在正常形态的肌间神经丛和粘膜下神经丛， 以及神经 丛内是否存在正常的神经节细胞。 因此， 从复杂的肠道组织层次中， 精准、 快速定位和识别 神经丛区域是识别该疾病的重要前提。 [0003]传统的神经丛识别主要依靠专业医生人工识别， 通过了解病变段神经丛、 神经节 细胞是否存在,实现肠无神经节细胞症的识别和判断。 但该方法操作繁杂， 对操作人员有较 高要求， 易受到医生个人经验及状态的影响。 针对病理图像， 传统的图像特征提取方法结合 传统机器学习分类方法对特征进行分类的模型效果往往不佳， 因此， 人们开展了越来越多 的尝试， 希望通过深度学习来实现某些医学辅助识别。 但目前应用于医疗图像识别的深度 学习方法存在的主要的问题是在某些特定的稀少疾病中， 难以获得大量数据。 由于医院和 患者的状况并不总 是适合于 收集数据， 并且具有相同疾病的患者数据也并非总是可用， 因 此在医学 领域经常出现需要收集平衡且足够的数据的难题。 [0004]从复杂的肠道组织层次中， 精准、 快速定位和识别神经丛区域是诊断该疾病的重 要前提。 病变肠管中会出现 “粗大神经丛 ”， 这些异常的神经丛内的无髓性的副交感神经纤 维无论在数量上还是粗细上， 都较正常为显著， 紧密交织成束， 代替了正常的神经丛。 然后 对识别出的神经丛进行正常与非正常的分类， 即可 快速筛出非正常神经丛。 [0005]由于医学领域的敏感性和特殊性， 医学数据的注释需要大量专家手动完成， 这需 要投入大量的人力物力， 然而即使在这种情况下， 由于病例的复杂性和图像本身模糊等原 因， 也不能保证标注的完全准确。 发明内容 [0006]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改进渐进式残 差网络的肠神经丛辅助识别方法， 该发明能够充分挖掘病理图片内在的信息， 并通过对数 据进行特殊的预处 理以解决数据量 不够的潜在问题。 [0007]技术方案： 为了实现上述发明目的， 本发明提供了一种基于改进渐进式残差网络 的肠神经丛辅助识别方法， 包括以下步骤： [0008]步骤1， 采集数据并进行 预处理， 得到训练数据集；说　明　书 1/4 页 3 CN 113989800 B 3