ICS35.240CCSL70團 體 標 準T/CESA1149—2021人工智能芯片應用面向病理圖像分析輔助診斷系統的技術要求Applicationofartificialintelligencechip-Technicalrequirementstotheauxiliarydiagnosticsystemofpathologicalimageanalysis2021-04-26發布 2021-05-26實施中國電子工業標準化技術協會 發布T/CESA1149—2021T/CESA1149—2021II版權保護文件鏈鏈鏈鏈T/CESA1149—2021目??次前言 III范圍 1規范性引用文件 1術語和定義 1系統技術架構 3功能要求 3推理測試指標 4參考文獻 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容可能涉及專利。本文件的發布機構不承擔識別這些專利的責任。本文件由中國科學院計算技術研究所提出。本文件由中國電子工業標準化技術協會歸口。利。III人工智能芯片應用面向病理圖像分析輔助診斷系統的技術要求范圍本文件規定了在智能芯片上進行病理圖像分析輔助診斷的系統技術架構、功能要求和測試方法等內容。本文件適用于在智能芯片上進行病理圖像分析輔助診斷系統的部署、檢驗及應用。規范性引用文件本文件沒有規范性引用文件。3術語和定義3術語和定義下列術語和定義適用于本文件。3.1機器學習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其性能的過程。[來源：GB/T5271.31-2006,術語和定義31.01.02]3.2病理切片histopathologicalslide一種染色后的組織切片，由病理醫生在高倍顯微鏡下觀察病理切片進行病理診斷。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字化切片。3.4多層金字塔結構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行訓練和測試的問題。3.6癌區域tumorregion指病理切片中包含惡性腫瘤細胞的局部區域。3.73.7病理分析結果的大圖拼接wholeslidesplicingbasedonpathologicalanalysisresult將小圖分析結果進行拼接，得到全視野大圖上的病理分析結果的過程、注：用于結果的展示和后續判別分析。3.8病理圖像分析輔助診斷auxiliarydiagnosisofpathologicalimageanalysis利用圖像分析和機器學習技術對病理圖像進行處理得到病理輔助診斷結果的過程。3.9病理切片圖像癌區域檢測 cancerregiondetectioninpathologicalimage在病理圖像上進行癌區域位置檢測和定位的過程。3.10病理切片圖像癌區域分割cancerregionsegmentationinpathologicalimage在病理切片圖像上對癌區域進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基于癌區域檢測和癌區域分割步驟，進一步對病理切片圖像進行癌變判別。系統技術架構系統技術架構智能芯片病理圖像分析輔助診斷系統技術架構見圖1：病理圖像分析模塊病理圖像分析模塊病理圖像預處理模塊病理圖像癌變判別模塊病理圖像癌區域分割模塊智能芯片病理圖像分析系統包括但不限于以下模塊：病理圖像預處理模塊：對病理圖像進行讀取，格式轉化，patch（小圖片）切分，顏色歸一化等處理。病理圖像癌區域檢測模塊：對病理圖像中出現的癌區域進行位置檢測。病理圖像癌區域分割模塊：對病理圖像中出現的癌區域進行像素級分類和癌區域分割。病理圖像癌變判別模塊：對病理圖像是否有癌變進行判別。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框架病理圖像癌區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）等接口與測試主機連接。控制主機處理器架構：X86架構、ARM架構、RICS架構、MIPS等。支持主流的機器學習框架：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處理功能要求3鏈鏈鏈鏈T/CESA1149—2021病理圖像分析系統對病理圖像進行預處理，以得到適合深度學習模型處理的數據，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進行顏色歸一化。智能芯片推理功能要求patchpatch進行是否是patchpatch進行是否是patchpatch包含癌區patch可能是良性組織或者背景區域。5.2.2病理圖像癌區域分割功能要求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以上癌區域檢測或者癌區域分割結果，進行整張病理切片WSI圖像是否有癌變的判別。推理測試指標測試數據集可以選擇以下兩個公開數據集進行測試：Camelyon16400WSIWSI都帶有癌區域的多邊形標注信息。可以劃分出不同的病理切片圖像子集用于模型的訓練，驗證和測試；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域的像素級標注信息。可以劃分出不同的病理切片圖像子集用于模型的訓練，驗證和測試。病理圖像癌區域檢測測試指標任務為癌區域的檢測任務，為輸入的每個patch賦予是否是癌區域的概率值，可以選取模型：CNN，InceptionV3等。病理圖像中癌區域檢測的性能評估，可以采用FROC（FreeResponseOperatingCharacteristic）指標，可以同時給出FROC曲線，其橫坐標為平均每張切片假陽性樣本數，縱坐標為真陽性率。示例：FROC61/4，1/2，1，2，48個假陽性樣本數。病理圖像癌區域分割測試指標任務為逐像素的分類任務，即為輸入圖像中每一個像素賦予是否屬于癌區域的概率值，選取任務為逐像素的分類任務，即為輸入圖像中每一個像素賦予是否屬于癌區域的概率值，選取模型為Deeplabv3+，SegNet，U-Net和FCN等。可以用Dice指標來衡量像素級區域分割任務的性能，其定義如下：2ABAB……………….（1）式中：A為分割網絡輸出的分割結果，B為專家標注的分割結果。具體實現時，Dice值可以用下式計算：22……………（2）式中：TP（TruePositive）為識別正確的像素數量，FN（FalseNegative）為錯誤拒絕的像素Positive）Dice0~11表示該模型的癌區域分割效果越好，越接近專家標注的結果。病理圖像癌變判別測試指標OperatingCharacteristic）曲線下的面積UndertheROC作為評價指標，其中ROC曲線的橫坐標做假陽性率，縱坐標為真陽性率。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。推理測試指標性能