The invention discloses a method for pixel depth of epithelial and stromal tissue convolutional network based on automatic segmentation, which comprises the following steps: pathological image preprocessing; construct the training set and the test set; construct a convolutional neural network model (DCNN); to predict the image pixels in the test set, classification results. And pseudo color according to the classification results; the invention to image pixels as the research object, and the traditional block of epithelial and stromal based on automatic segmentation algorithm were compared under the same experimental conditions, the present method is more accurate, the effect is better; and the method of the invention in the segmentation results to display in the image. We make the following direct viewing of clinicians, and on the basis of diagnosis.
【技术实现步骤摘要】
基于逐像素点深度卷积网络上皮和基质组织自动分割方法
本专利技术涉及病理图像信息处理
,特别是基于逐像素点深度卷积网络上皮和基质组织自动分割方法。
技术介绍
上皮组织和基质是乳房组织中的两类基本组织。80%的乳腺肿瘤起源于乳腺中的上皮组织,所以现在有一些学者致力于将计算机辅助诊断系统应用于对病理图像中的上皮和基质组织的异质性分析。自动的鉴别上皮和基质组织是量化这种异质性的前提,这样才使得对上皮细胞核进行单独分析成为可能。然而,由于病理组织图像所具有的复杂性,成功的将两类组织分离是一个具有挑战性的课题。1)名副其实的大数据:对于一张完整的病理组织全扫描切片,其尺寸约为100000×700000个像素点,存储在计算机上需要占用1.43个G的硬盘空间,这种高分辨率、大尺度图像对计算机硬件和图像分析算法都是非常具有挑战性的。2)病理组织结构类型复杂,而且形态差异很大一张病理切片具有众多的病理结构类型,形态各异。即便是相同的组织,其结构、形态也会千奇百怪。因此难以用一个固定的模型来描述,又大大的提高了对模型鲁棒性的要求。3)不同病理等级其组织异质性高随着癌症等级的提高,正常组织的边界不断被癌细胞腐蚀,上皮和基质组织之间的边界信息越来越模糊。而模糊的边界又提高了分割模型的准确性要求。4)其他挑战组织图像的背景复杂、噪声大,存在染色不均匀性和成像质量的问题。由于H&E染色(苏木精-伊红染色)的病理图像能体现病理组织复杂的形态特征,从而在临床中被广泛使用。但是在H&E图像中,不仅背景复杂、图像噪声大,还存在由于切片染色制作过程中产生的染色不均匀,不正确 ...
【技术保护点】
一种基于逐像素点深度卷积网络上皮和基质组织自动分割的方法,其特征在于,包括以下步骤:步骤1、对所有病理图像进行预处理操作,去除掉病理图像与病理图像之间的颜色亮度差异;步骤2、随机选取预处理后的部分病理图像作为训练样本,其余作为测试样本;步骤3、根据人工标注的组织区域图,从训练样本中的上皮和基质组织内部选取块;步骤4、根据人工标注的组织区域图,从训练样本中的上皮和基质组织边缘选取块;步骤5、将步骤3与步骤4得到的块进行整合并随机分为训练集与测试集;步骤6、构建一个深度卷积神经网络模型DCNN,该模型包含了卷积层、池化层、线性纠正函数激活函数、局部响应归一化层以及分类器;采用步骤5中的训练集和测试集训练该深度卷积神经网络模型;步骤7、取出步骤2的测试样本中的一张病理图像,以病理图像中每个点为中心,构造一个Q×Q的块;其中,Q为深度卷积神经网络输入尺寸的大小;步骤8、将步骤7中构造的块输入到步骤6训练好的深度卷积神经网络模型中,得到分类结果。
【技术特征摘要】
1.一种基于逐像素点深度卷积网络上皮和基质组织自动分割的方法,其特征在于,包括以下步骤:步骤1、对所有病理图像进行预处理操作,去除掉病理图像与病理图像之间的颜色亮度差异;步骤2、随机选取预处理后的部分病理图像作为训练样本,其余作为测试样本;步骤3、根据人工标注的组织区域图,从训练样本中的上皮和基质组织内部选取块;步骤4、根据人工标注的组织区域图,从训练样本中的上皮和基质组织边缘选取块;步骤5、将步骤3与步骤4得到的块进行整合并随机分为训练集与测试集;步骤6、构建一个深度卷积神经网络模型DCNN,该模型包含了卷积层、池化层、线性纠正函数激活函数、局部响应归一化层以及分类器;采用步骤5中的训练集和测试集训练该深度卷积神经网络模型;步骤7、取出步骤2的测试样本中的一张病理图像,以病理图像中每个点为中心,构造一个Q×Q的块;其中,Q为深度卷积神经网络输入尺寸的大小;步骤8、将步骤7中构造的块输入到步骤6训练好的深度卷积神经网络模型中,得到分类结果。2.根据权利要求1所述的一种基于逐像素点深度卷积网络上皮和基质组织自动分割的方法,其特征在于,根据步骤8得到的分类结果进行伪彩色。3.根据权利要求1所述的一种基于逐像素点深度卷积网络上皮和基质组织自动分割的方法,其特征在于,Q为32。4.根据权利要求3所述的一种基于逐像素点深度卷积网络上皮和基质组织自动分割的方法,其特征在于,所述步骤4具体如下:根据人工标注的组织区域图,找到训练样本中的上皮和基质组织的边界线,对边界线进行膨胀操作得到边界线附近的点的坐标,以这些点为中心构建32×32的块,若中心点落在上皮组织中,则将该块认为是上皮组织小块,反之则是基质组织小块。5.根据权利要求4所述的一种基于逐像素点深度卷积网络上皮和基质组织自动分割的方法,其特征在于,所述步骤6中构建一个深度卷积神经网络模型DCNN,具体如下:采用Alex成功区分CIFAR-10数据时所使用的模型中的权重矩阵来初始化深度卷积神经网络;深度卷积神经网络的具体结构:1)卷积层假设滤波器组为每个输入大小为wl-1×wl-1的块通过ml×ml的滤波器滑过整张图像的局部感受域,并与每个局部感受域进行卷积操作,并输出结果;个滤波器一共生成个特征映射图,且每个映射图的大小为(wl-1-ml+1)×(wl-1-ml+1),这个线性滤波表示为其中,是一个l层的一个ml×ml的滤波器,ml代...
【专利技术属性】
技术研发人员:徐军,骆小飞,周超,刘利卉,郎彬,季卫萍,
申请(专利权)人:南京信息工程大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。