T-CESA 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準(zhǔn)Applicationofartificialintelligencechip-Technicalrequirementstotheauxiliarydiagnosticsystemofpathologicalimageanalysis中國電子工業(yè)標(biāo)準(zhǔn)化技術(shù)協(xié)會發(fā)布IT/CESA1149—2021版權(quán)保護文件版權(quán)所有歸屬于該標(biāo)準(zhǔn)的發(fā)布機構(gòu)，除非有其他規(guī)定，否則未經(jīng)許可，此發(fā)行物及其章節(jié)不得以其他形式或任何手段進行復(fù)制、再版或使用，包括電子版，影印件，或發(fā)布在互聯(lián)網(wǎng)及內(nèi)部網(wǎng)絡(luò)等。使用許可可于發(fā)布機構(gòu)獲取。T/CESA1149—2021前言 2規(guī)范性引用文件 3術(shù)語和定義 4系統(tǒng)技術(shù)架構(gòu) 5功能要求 6推理測試指標(biāo) 參考文獻(xiàn) T/CESA1149—2021本文件按照GB/T1.1—2020《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)化文件的結(jié)構(gòu)和起草規(guī)則》的規(guī)定起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。本文件起草單位：中國科學(xué)院計算技術(shù)研究所、中南大學(xué)湘雅醫(yī)院、中科寒武紀(jì)科技股份有限公司。本文件主要起草人：劉宏、王向東、王寬松、李威、錢躍良、胡晨希、惲超、劉俊英、劉瑞潔、商利。1T/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)要求本文件規(guī)定了在智能芯片上進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)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(tǒng)的部署、檢驗及應(yīng)用。2規(guī)范性引用文件本文件沒有規(guī)范性引用文件。3術(shù)語和定義下列術(shù)語和定義適用于本文件。3.1機器學(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-layeredpyramidstructure一種常用的數(shù)字化病理切片存儲結(jié)構(gòu)，一般采用多層金字塔結(jié)構(gòu)存儲不同分辨率下的病理圖像，具有5至9層不等。2T/CESA1149—20213.5小圖片patch一種從病理圖像中切分出來的小圖片。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。3.7病理分析結(jié)果的大圖拼接wholeslidesplicingbasedonpathologicalanalysisresult將小圖分析結(jié)果進行拼接，得到全視野大圖上的病理分析結(jié)果的過程、3.8病理圖像分析輔助診斷auxiliarydiagnosisofpathologicalimageanalysis利用圖像分析和機器學(xué)習(xí)技術(shù)對病理圖像進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)域進行像素級分割的過程。3.11病理切片圖像癌變分類cancerclassificationofpathologicalimage3T/CESA1149—2021基于癌區(qū)域檢測和癌區(qū)域分割步驟，進一步對病理切片圖像進行癌變判別。4系統(tǒng)技術(shù)架構(gòu)4.1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：病理圖像癌區(qū)域檢測模塊病理圖像預(yù)處理模塊病理圖像癌區(qū)域分割模塊病理圖像分析模塊病理圖像癌區(qū)域檢測模塊病理圖像預(yù)處理模塊病理圖像癌區(qū)域分割模塊病理圖像癌變判別模塊圖圖1智能芯片病理圖像分析輔助診斷系統(tǒng)框架智能芯片病理圖像分析系統(tǒng)包括但不限于以下模塊：1）病理圖像預(yù)處理模塊：對病理圖像進行讀取，格式轉(zhuǎn)化，patch（小圖片）切分，顏色歸一化等處理。2）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)域進行位置檢測。3）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)域進行像素級分類和癌區(qū)域分割。4）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硬件及模型要求智能芯片（卡）：指以芯片卡形態(tài)進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），可通過PCIE（PeripheralComponentInterfaceExpress）等接口與測試主機連接?？刂浦鳈C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。5功能要求5.1病理圖像預(yù)處理功能要求4T/CESA1149—2021病理圖像分析系統(tǒng)對病理圖像進行預(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：1）讀取輸入的病理圖像；2）根據(jù)需要，可以轉(zhuǎn)化成國際上通用的多層金字塔結(jié)構(gòu)圖像tif格式；3）根據(jù)深度網(wǎng)絡(luò)推理模型的要求，提取其中某一層分辨率的病理圖像，比如40X，20X，10X4）根據(jù)模型需要，可對病理圖像WSI進行patch的切分和提取，并記錄patch在大圖上的位置信息；5）根據(jù)模型需要，可對patch進行顏色歸一化。5.2智能芯片推理功能要求5.2.1病理圖像癌區(qū)域檢測功能要求將切分得到的patch小圖輸入訓(xùn)練好的基于深度學(xué)習(xí)的癌區(qū)域分類模型，對patch進行是否是癌區(qū)域的分類判別，即每個patch得到模型輸出的一個分類概率，概率值大表示該patch包含癌區(qū)域的概率大，概率值小表示該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)域分割功能要求將切分得到的patch小圖輸入訓(xùn)練好的基于深度學(xué)習(xí)的癌區(qū)域分割模型，對patch中的每個像素進行是否是癌像素的分類判別，每個patch得到一個精細(xì)化的像素級分類結(jié)果，patch中的每個像素對應(yīng)一個概率，該概率值大表示對應(yīng)的像素可能來自癌區(qū)域，概率值小表示該像素可能來自良性組織或者背景區(qū)域。5.2.3病理圖像大圖拼接（適用時）根據(jù)模型要求，將以上得到的每個patch的分類或者分割結(jié)果，根據(jù)patch位置信息拼接成病理大圖，從而得到整個病理切片圖像上癌區(qū)域檢測結(jié)果，或者癌區(qū)域分割結(jié)果。為了方便分析檢測和分割結(jié)果，可以以熱圖形式可視化顯示。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，進行整張病理切片WSI圖像是否有癌變的判別。6推理測試指標(biāo)6.1測試數(shù)據(jù)集可以選擇以下兩個公開數(shù)據(jù)集進行測試：1）乳腺癌病理圖像數(shù)據(jù)集Camelyon16，共400張WSI病理切片圖像，每張WSI都帶有癌區(qū)域的多邊形標(biāo)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(xùn)練，驗證和測試；2）腸鏡病理切片分割競賽DigestPath2019數(shù)據(jù)集，包含來自不同醫(yī)學(xué)中心，共450例患者的5T/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，驗證和測試。6.2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。6.3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：式中：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。具體實現(xiàn)時，Dice值可以用下式計算：式中：TP（TruePositive）為識別正確的像素數(shù)量，F(xiàn)N（FalseNegative）為錯誤拒絕的像素數(shù)量，F(xiàn)P（FalsePositive）為識別錯誤的像素數(shù)量。Dice值在0~1之間，越接近1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。6.4病理圖像癌變判別測試指標(biāo)對整個病理切片進行癌變評估，將切片分類為包含癌區(qū)域的切片或不包含癌區(qū)域的切片，采用ROC（ReceiverOperatingCharacteristic）曲線下的面積AUC（AreaUndertheROCCurve）作為評價指標(biāo)，其中ROC曲線