TCESA 1149-2021 人工智能芯片應(yīng)用 面向病理圖像分析輔助診斷系統(tǒng)的技術(shù)要求

ICS35.240CCSL70團(tuán) 體 標(biāo) 準(zhǔn)T/CESA1149—2021人工智能芯片應(yīng)用面向病理圖像分析輔助診斷系統(tǒng)的技術(shù)要求Applicationofartificialintelligencechip-Technicalrequirementstotheauxiliarydiagnosticsystemofpathologicalimageanalysis2021-04-26發(fā)布 2021-05-26實(shí)施中國電子工業(yè)標(biāo)準(zhǔn)化技術(shù)協(xié)會 發(fā)布T/CESA1149—2021T/CESA1149—2021II版權(quán)保護(hù)文件鏈鏈鏈鏈T/CESA1149—2021目??次前言 III范圍 1規(guī)范性引用文件 1術(shù)語和定義 1系統(tǒng)技術(shù)架構(gòu) 3功能要求 3推理測試指標(biāo) 4參考文獻(xiàn) 5IIT/CESA1149—2021T/CESA1149—2021鏈鏈鏈鏈前 言本文件按照GB/T1.1—20201草。請注意本文件的某些內(nèi)容可能涉及專利。本文件的發(fā)布機(jī)構(gòu)不承擔(dān)識別這些專利的責(zé)任。本文件由中國科學(xué)院計(jì)算技術(shù)研究所提出。本文件由中國電子工業(yè)標(biāo)準(zhǔn)化技術(shù)協(xié)會歸口。利。III人工智能芯片應(yīng)用面向病理圖像分析輔助診斷系統(tǒng)的技術(shù)要求范圍本文件規(guī)定了在智能芯片上進(jìn)行病理圖像分析輔助診斷的系統(tǒng)技術(shù)架構(gòu)、功能要求和測試方法等內(nèi)容。本文件適用于在智能芯片上進(jìn)行病理圖像分析輔助診斷系統(tǒng)的部署、檢驗(yàn)及應(yīng)用。規(guī)范性引用文件本文件沒有規(guī)范性引用文件。3術(shù)語和定義3術(shù)語和定義下列術(shù)語和定義適用于本文件。3.1機(jī)器學(xué)習(xí)machinelearning功能單元通過獲取新知識或技能，或通過整理已有的知識或技能來改進(jìn)其性能的過程。[來源：GB/T5271.31-2006,術(shù)語和定義31.01.02]3.2病理切片histopathologicalslide一種染色后的組織切片，由病理醫(yī)生在高倍顯微鏡下觀察病理切片進(jìn)行病理診斷。3.3病理全視野切片圖像histopathologicalWhole-SlideImages;WSI用切片掃描儀將病理切片掃描制作成全視野數(shù)字化切片。3.4多層金字塔結(jié)構(gòu)multi-layeredpyramidstructure591鏈鏈鏈鏈T/CESA1149—20213.5小圖片patch一種從病理圖像中切分出來的小圖片。注：用于解決病理切片圖像WSI尺寸過大無法直接進(jìn)行訓(xùn)練和測試的問題。3.6癌區(qū)域tumorregion指病理切片中包含惡性腫瘤細(xì)胞的局部區(qū)域。3.73.7病理分析結(jié)果的大圖拼接wholeslidesplicingbasedonpathologicalanalysisresult將小圖分析結(jié)果進(jìn)行拼接，得到全視野大圖上的病理分析結(jié)果的過程、注：用于結(jié)果的展示和后續(xù)判別分析。3.8病理圖像分析輔助診斷auxiliarydiagnosisofpathologicalimageanalysis利用圖像分析和機(jī)器學(xué)習(xí)技術(shù)對病理圖像進(jìn)行處理得到病理輔助診斷結(jié)果的過程。3.9病理切片圖像癌區(qū)域檢測 cancerregiondetectioninpathologicalimage在病理圖像上進(jìn)行癌區(qū)域位置檢測和定位的過程。3.10病理切片圖像癌區(qū)域分割cancerregionsegmentationinpathologicalimage在病理切片圖像上對癌區(qū)域進(jìn)行像素級分割的過程。3.11病理切片圖像癌變分類cancerclassificationofpathologicalimage2鏈鏈鏈鏈T/CESA1149—2021基于癌區(qū)域檢測和癌區(qū)域分割步驟，進(jìn)一步對病理切片圖像進(jìn)行癌變判別。系統(tǒng)技術(shù)架構(gòu)系統(tǒng)技術(shù)架構(gòu)智能芯片病理圖像分析輔助診斷系統(tǒng)技術(shù)架構(gòu)見圖1：病理圖像分析模塊病理圖像分析模塊病理圖像預(yù)處理模塊病理圖像癌變判別模塊病理圖像癌區(qū)域分割模塊智能芯片病理圖像分析系統(tǒng)包括但不限于以下模塊：病理圖像預(yù)處理模塊：對病理圖像進(jìn)行讀取，格式轉(zhuǎn)化，patch（小圖片）切分，顏色歸一化等處理。病理圖像癌區(qū)域檢測模塊：對病理圖像中出現(xiàn)的癌區(qū)域進(jìn)行位置檢測。病理圖像癌區(qū)域分割模塊：對病理圖像中出現(xiàn)的癌區(qū)域進(jìn)行像素級分類和癌區(qū)域分割。病理圖像癌變判別模塊：對病理圖像是否有癌變進(jìn)行判別。4.2硬件及模型要求圖1智能芯片病理圖像分析輔助診斷系統(tǒng)框架病理圖像癌區(qū)域檢測模塊智能芯片（卡）：GPU（GraphicsProcessingUnit）、FPGA（Field-ProgrammableGateArray）ASIC（ApplicationSpecificIntegratedCircuits）等人工智能芯片（卡），PCIE（PeripheralComponentInterfaceExpress）等接口與測試主機(jī)連接?？刂浦鳈C(jī)處理器架構(gòu)：X86架構(gòu)、ARM架構(gòu)、RICS架構(gòu)、MIPS等。支持主流的機(jī)器學(xué)習(xí)框架：TensorFlow、Caffe、Pytorch、Keras等。模型精度：FP32、FP16、INT8以及混合精度等。功能要求病理圖像預(yù)處理功能要求3鏈鏈鏈鏈T/CESA1149—2021病理圖像分析系統(tǒng)對病理圖像進(jìn)行預(yù)處理，以得到適合深度學(xué)習(xí)模型處理的數(shù)據(jù)，包括但不限于以下步驟：讀取輸入的病理圖像；tif格式；40X，20X，10X等；WSIpatchpatch在大圖上的位置信息；patch進(jìn)行顏色歸一化。智能芯片推理功能要求patchpatch進(jìn)行是否是patchpatch進(jìn)行是否是patchpatch包含癌區(qū)patch可能是良性組織或者背景區(qū)域。5.2.2病理圖像癌區(qū)域分割功能要求patchpatch中的每個像patch中的每個5.2.3病理圖像大圖拼接（適用時）patchpatch位置信息拼接成5.2.4病理圖像WSI癌變判別功能要求根據(jù)以上癌區(qū)域檢測或者癌區(qū)域分割結(jié)果，進(jìn)行整張病理切片WSI圖像是否有癌變的判別。推理測試指標(biāo)測試數(shù)據(jù)集可以選擇以下兩個公開數(shù)據(jù)集進(jìn)行測試：Camelyon16400WSIWSI都帶有癌區(qū)域的多邊形標(biāo)注信息?？梢詣澐殖霾煌牟±砬衅瑘D像子集用于模型的訓(xùn)練，驗(yàn)證和測試；DigestPath2019450例患者的4鏈鏈鏈鏈T/CESA1149—2021750張病理WSI圖像，每張圖像提供了癌區(qū)域的像素級標(biāo)注信息?？梢詣澐殖霾煌牟±砬衅瑘D像子集用于模型的訓(xùn)練，驗(yàn)證和測試。病理圖像癌區(qū)域檢測測試指標(biāo)任務(wù)為癌區(qū)域的檢測任務(wù)，為輸入的每個patch賦予是否是癌區(qū)域的概率值，可以選取模型：CNN，InceptionV3等。病理圖像中癌區(qū)域檢測的性能評估，可以采用FROC（FreeResponseOperatingCharacteristic）指標(biāo)，可以同時給出FROC曲線，其橫坐標(biāo)為平均每張切片假陽性樣本數(shù)，縱坐標(biāo)為真陽性率。示例：FROC61/4，1/2，1，2，48個假陽性樣本數(shù)。病理圖像癌區(qū)域分割測試指標(biāo)任務(wù)為逐像素的分類任務(wù)，即為輸入圖像中每一個像素賦予是否屬于癌區(qū)域的概率值，選取任務(wù)為逐像素的分類任務(wù)，即為輸入圖像中每一個像素賦予是否屬于癌區(qū)域的概率值，選取模型為Deeplabv3+，SegNet，U-Net和FCN等?？梢杂肈ice指標(biāo)來衡量像素級區(qū)域分割任務(wù)的性能，其定義如下：2ABAB……………….（1）式中：A為分割網(wǎng)絡(luò)輸出的分割結(jié)果，B為專家標(biāo)注的分割結(jié)果。具體實(shí)現(xiàn)時，Dice值可以用下式計(jì)算：22……………（2）式中：TP（TruePositive）為識別正確的像素?cái)?shù)量，F(xiàn)N（FalseNegative）為錯誤拒絕的像素Positive）Dice0~11表示該模型的癌區(qū)域分割效果越好，越接近專家標(biāo)注的結(jié)果。病理圖像癌變判別測試指標(biāo)OperatingCharacteristic）曲線下的面積UndertheROC作為評價指標(biāo)，其中ROC曲線的橫坐標(biāo)做假陽性率，縱坐標(biāo)為真陽性率。AUC的值在0~1之間，越接近1表示該模型的病理切片癌變判別效果越好。推理測試指標(biāo)性能