TCESA 1149-2021 人工智能芯片应用 面向病理图像分析辅助诊断系统的技术要求

ICS35.240CCSL70团体标准人工智能芯片应用面向病理图像分析辅助诊断系统的技术要求Applicationofartificialintelligencechip-Technicalrequirementstotheauxiliarydiagnosticsystemofpathologicalimageanalysis2021-04-26发布2021-05-26实施中国电子工业标准化技术协会发布T/CESA1149—2021T/CESA1149—2021I版权保护文件版权所有归属于该标准的发布机构，除非有其他规定，否则未经许可，此发行物及其章节不得以其他形式或任何手段进行复制、再版或使用，包括电子版，影印件，或发布在互联网及内部网络等。使用许可可于发布机构获取。T/CESA1149—2021II目  次前言...................................................................................................................................................................III1范围...................................................................................................................................................................12规范性引用文件...............................................................................................................................................13术语和定义.......................................................................................................................................................14系统技术架构...................................................................................................................................................35功能要求...........................................................................................................................................................36推理测试指标...................................................................................................................................................4参考文献...............................................................................................................................................................5T/CESA1149—2021III前言本文件按照GB/T1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定起草。请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别这些专利的责任。本文件由中国科学院计算技术研究所提出。本文件由中国电子工业标准化技术协会归口。本文件起草单位：中国科学院计算技术研究所、中南大学湘雅医院、中科寒武纪科技股份有限公司。本文件主要起草人：刘宏、王向东、王宽松、李威、钱跃良、胡晨希、恽超、刘俊英、刘瑞洁、商利。T/CESA1149—20211人工智能芯片应用面向病理图像分析辅助诊断系统的技术要求1范围本文件规定了在智能芯片上进行病理图像分析辅助诊断的系统技术架构、功能要求和测试方法等内容。本文件适用于在智能芯片上进行病理图像分析辅助诊断系统的部署、检验及应用。2规范性引用文件本文件没有规范性引用文件。3术语和定义下列术语和定义适用于本文件。3.1机器学习machinelearning功能单元通过获取新知识或技能，或通过整理已有的知识或技能来改进其性能的过程。[来源：GB/T5271.31-2006,术语和定义31.01.02]3.2病理切片histopathologicalslide一种染色后的组织切片，由病理医生在高倍显微镜下观察病理切片进行病理诊断。3.3病理全视野切片图像histopathologicalWhole-SlideImages;WSI用切片扫描仪将病理切片扫描制作成全视野数字化切片。3.4多层金字塔结构multi-layeredpyramidstructure一种常用的数字化病理切片存储结构，一般采用多层金字塔结构存储不同分辨率下的病理图像，具有5至9层不等。T/CESA1149—202123.5小图片patch一种从病理图像中切分出来的小图片。注：用于解决病理切片图像WSI尺寸过大无法直接进行训练和测试的问题。3.6癌区域tumorregion指病理切片中包含恶性肿瘤细胞的局部区域。3.7病理分析结果的大图拼接wholeslidesplicingbasedonpathologicalanalysisresult将小图分析结果进行拼接，得到全视野大图上的病理分析结果的过程、注：用于结果的展示和后续判别分析。3.8病理图像分析辅助诊断auxiliarydiagnosisofpathologicalimageanalysis利用图像分析和机器学习技术对病理图像进行处理得到病理辅助诊断结果的过程。3.9病理切片图像癌区域检测cancerregiondetectioninpathologicalimage在病理图像上进行癌区域位置检测和定位的过程。3.10病理切片图像癌区域分割cancerregionsegmentationinpathologicalimage在病理切片图像上对癌区域进行像素级分割的过程。3.11病理切片图像癌变分类cancerclassificationofpathologicalimageT/CESA1149—20213基于癌区域检测和癌区域分割步骤，进一步对病理切片图像进行癌变判别。4系统技术架构4.1系统技术架构智能芯片病理图像分析辅助诊断系统技术架构见图1：病理图像分析模块病理图像预处理模块病理图像癌区域检测模块病理图像癌区域分割模块病理图像癌变判别模块图1智能芯片病理图像分析辅助诊断系统框架智能芯片病理图像分析系统包括但不限于以下模块：1）病理图像预处理模块：对病理图像进行读取，格式转化，patch（小图片）切分，颜色归一化等处理。2）病理图像癌区域检测模块：对病理图像中出现的癌区域进行位置检测。3）病理图像癌区域分割模块：对病理图像中出现的癌区域进行像素级分类和癌区域分割。4）病理图像癌变判别模块：对病理图像是否有癌变进行判别。4.2硬件及模型要求智能芯片（卡）：指以芯片卡形态进行使用的人工智能芯片，如GPU（GraphicsProcessingUnit）、FPGA（Field-ProgrammableGateArray）以及ASIC（ApplicationSpecificIntegratedCircuits）等人工智能芯片（卡），可通过PCIE（PeripheralComponentInterfaceExpress）等接口与测试主机连接。控制主机处理器架构：X86架构、ARM架构、RICS架构、MIPS等。支持主流的机器学习框架：TensorFlow、Caffe、Pytorch、Keras等。模型精度：FP32、FP16、INT8以及混合精度等。5功能要求5.1病理图像预处理功能要求T/CESA1149—20214病理图像分析系统对病理图像进行预处理，以得到适合深度学习模型处理的数据，包括但不限于以下步骤：1）读取输入的病理图像；2）根据需要，可以转化成国际上通用的多层金字塔结构图像tif格式；3）根据深度网络推理模型的要求，提取其中某一层分辨率的病理图像，比如40X，20X，10X等；4）根据模型需要，可对病理图像WSI进行patch的切分和提取，并记录patch在大图上的位置信息；5）根据模型需要，可对patch进行颜色归一化。5.2智能芯片推理功能要求5.2.1病理图像癌区域检测功能要求将切分得到的patch小图输入训练好的基于深度学习的癌区域分类模型，对patch进行是否是癌区域的分类判别，即每个patch得到模型输出的一个分类概率，概率值大表示该patch包含癌区域的概率大，概率值小表示该patch可能是良性组织或者背景区域。5.2.2病理图像癌区域分割功能要求将切分得到的patch小图输入训练好的基于深度学习的癌区域分割模型，对patch中的每个像素进行是否是癌像素的分类判别，每个patch得到一个精细化的像素级分类结果，patch中的每个像素对应一个概率，该概率值大表示对应的像素可能来自癌区域，概率值小表示该像素可能来自良性组织或者背景区域。5.2.3病理图像大图拼接（适用时）根据模型要求，将以上得到的每个patch的分类或者分割结果，根据patch位置信息拼接成病理大图，从而得到整个病理切片图像上癌区域检测结果，或者癌区域分割结果。为了方便分析检测和分割结果，可以以热图形式可视化显示。5.2.4病理图像WSI癌变判别功能要求根据以上癌区域检测或者癌区域分割结果，进行整张病理切片WSI图像是否有癌变的判别。6推理测试指标6.1测试数据集可以选择以下两个公开数据集进行测试：1）乳腺癌病理图像数据集Camelyon16，共400张WSI病理切片图像，每张WSI都带有癌区域的多边形标注信息。可以划分出不同的病理切片图像子集用于模型的训练，验证和测试；2）肠镜病理切片分割竞赛DigestPath2019数据集，包含来自不同医学中心，共450例患者的T/CESA1149—20215750张病理WSI图像，每张图像提供了癌区域的像素级标注信息。可以划分出不同的病理切片图像子集用于模型的训练，验证和测试。6.2病理图像癌区域检测测试指标任务为癌区域的检测任务，为输入的每个patch赋予是否是癌区域的概率值，可以选取模型：CNN，InceptionV3等。病理图像中癌区域检测的性能评估，可以采用FROC（FreeResponseOperatingCharacteristic）指标，可以同时给出FROC曲线，其横坐标为平均每张切片假阳性样本数，纵坐标为真阳性率。示例：最终FROC的值可以为6个预定义好的假阳性样本数上的灵敏度平均，分别为1/4，1/2，1，2，4和8个假阳性样本数。6.3病理图像癌区域分割测试指标任务为逐像素的分类任务，即为输入图像中每一个像素赋予是否属于癌区域的概率值，选取模型为Deeplabv3+，SegNet，U-Net和FCN等。可以用Dice指标来衡量像素级区域分割任务的性能，其定义如下：2(,)ABDiceABAB……………………………….（1）式中：A为分割网络输出的分割结果，B为专家标注的分割结果。具体实现时，Dice值可以用下式计算：22TPDiceFPT