切片图像处理方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种切片图像处理方法、装置、计算机设备和存储介质。方法包括：根据获取的图像分割参数将切片图像分割为多个细胞图像，并将细胞图像输入训练好的卷积神经网络模型，得到分类概率数据，根据分类概率数据，确定细胞图像对应的分类类别，然后统计切片图像中异常类别的细胞图像数量，并计算统计的细胞图像数量占总细胞图像数量的比例数据，当比例数据大于预设比例阈值时，将切片图像标记为异常切片图像。一方面，通过分割切片图像进行细化分析，利于提高切片图像的整体分析准确性，另一方面，通过采用的人工智能的卷积神经网络，提高了单个细胞图像的分类准确率，进而提高了对切片图像的分析准确性。

Slice image processing methods, devices, computer equipment and storage media

【技术实现步骤摘要】
切片图像处理方法、装置、计算机设备和存储介质
本申请涉及图像处理
，特别是涉及一种切片图像处理方法、装置、计算机设备和存储介质。
技术介绍
随着医疗技术的发展，对于病理切片图像中各类细胞的识别在医疗方面起着重要的作用，近些年，国内外许多医学研究团队开始致力于研究腹腔积液中的各类细胞识别，通过对病理切片图像中的各类细胞进行甄别，能够及时发现病变细胞，从而为病理切片分级提供辅助支持。传统的病理切片分级方式采用的是人工分级的方式，由病理医生通过对病理切片进行移动，进而通过肉眼扫描整个病理切片，对病理切片中的各个细胞的类别进行识别，进而根据识别结果对病理切片图像进行分类。然而，由于每一张病理切片图像都存在大量的病变细胞，各种细胞类型繁多、细胞结构复杂、细胞形态多样，异常细胞的识别与分类依赖于医生的专业技能，医生的主观判断性强，容易出现误判，进而导致分析切片图像是否为异常切片图像的过程中存在准确率低的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高切片图像分析准确性的切片图像处理方法、装置、计算机设备和存储介质。一种切片图像处理方法，所述方法包括：获取切片图像与图像分割参数，根据所述图像分割参数将所述切片图像分割为多个细胞图像；将所述细胞图像输入预先训练的卷积神经网络模型进行分类分析，得到所述细胞图像中目标细胞的分类概率数据，所述卷积神经网络模型通过标注有分类类别的样本细胞图像训练得到，所述分类类别包括正常类别和多个异常类别；根据所述细胞图像中目标细胞的分类概率数据，确定所述细胞图像对应的分类类别；统计所述切片图像中异常类别的细胞图像数量，并计算异常类别的所述细胞图像数量占分割得到的总细胞图像数量的比例数据；当所述比例数据大于预设比例阈值时，将所述切片图像标记为异常切片图像。在其中一个实施例中，所述根据所述细胞图像中目标细胞的分类概率数据，确定所述细胞图像对应的分类类别包括：对所述目标细胞的分类概率数据进行排序，并筛选数据值最大的分类概率数据；当所述数据值最大的分类概率数据对应的分类类别为正常类别时，确定所述细胞图像对应的分类类别为正常类别；当所述数据值最大的分类概率数据对应的分类类别为异常类别时，确定所述细胞图像对应的分类类别为异常类别。在其中一个实施例中，所述当所述比例数据大于预设比例阈值时，将所述切片图像标记为异常切片图像包括：当所述比例数据大于预设比例阈值时，分别统计携带有相同分类标记的细胞图像数量；根据携带有相同分类标记的细胞图像数量的统计结果，得到携带有分类统计数据的切片图像，并将所述携带有分类统计数据的切片图像标记为异常切片图像。在其中一个实施例中，所述卷积神经网络模型中包括依次连接的输入层、卷积层、全连接层和输出层，其中，所述卷积层包括旁路连接层级和深度可分离卷积层级；所述旁路连接层级将上一层级的输出数据与当前层级的输出数据同时输入下一层级，通过卷积处理得到所述细胞图像对应的M个特征图，并将所述特征图输入至所述深度可分离卷积层级；所述深度可分离卷积层级通过M个3*3卷积核一对一卷积所述M个特征图，生成M个初始卷积结果，并用N个1*1的卷积核卷积所述M个初始卷积结果，生成N个二次卷积结果，并将所述N个二次卷积结果输入与所述深度可分离卷积层级连接的下一层级。在其中一个实施例中，所述获取切片图像与图像分割参数，根据所述图像分割将所述切片图像分割为多个细胞图像包括：获取切片图像，根据预设的数据标准，分别对所述切片图像携带的图像通道数据、像素数据以及图像层级数据进行数据标准化处理，得到标准化切片图像；对所述标准化切片图像进行图像去噪和图像增强处理，得到所述优化切片图像；获取图像分割参数，根据所述图像分割参数将所述优化切片图像分割为多个细胞图像。在其中一个实施例中，所述获取切片图像，根据预设的数据标准，分别对所述切片图像携带的图像通道数据、像素数据以及图像层级数据进行数据标准化处理，得到标准化切片图像包括：获取切片图像并提取所述切片图像的图像通道数据、像素数据以及图像层级数据；将图像通道数据转换为通道形式以RGB排列的目标图像通道数据；将所述像素数据转换为预设数据类型的目标像素数据；将所述图像层级数据转换为相邻层级倍率转换为相同倍数的目标图像层级数据；根据所述目标图像通道数据、所述目标像素数据以及所述目标图像层级数据，对所述切片图像进行数据更新，得到标准化切片图像。在其中一个实施例中，所述对所述标准化切片图像进行图像去噪和图像增强处理，得到所述优化切片图像包括：基于高斯低通滤波器，对所述标准化切片图像进行二维低通高斯去噪处理，得到去噪图像；基于对数Log变换，对所述去噪图像进行的图像增强处理，得到所述优化切片图像。一种切片图像处理装置，所述装置包括：图像分割模块，用于获取切片图像与图像分割参数，根据所述图像分割参数将所述切片图像分割为多个细胞图像；分类处理模块，用于将所述细胞图像输入预先训练的卷积神经网络模型进行分类分析，得到所述细胞图像中目标细胞的分类概率数据，所述卷积神经网络模型通过标注有分类类别的样本细胞图像训练得到，所述分类类别包括正常类别和多个异常类别；分类类别确定模块，用于根据所述细胞图像中目标细胞的分类概率数据，确定所述细胞图像对应的分类类别；数量统计与计算模块，用于统计所述切片图像中异常类别的细胞图像数量，并计算异常类别的所述细胞图像数量占分割得到的总细胞图像数量的比例数据；图像标记模块，用于当所述比例数据大于预设比例阈值时，将所述切片图像标记为异常切片图像。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：获取切片图像与图像分割参数，根据所述图像分割参数将所述切片图像分割为多个细胞图像；将所述细胞图像输入预先训练的卷积神经网络模型进行分类分析，得到所述细胞图像中目标细胞的分类概率数据，所述卷积神经网络模型通过标注有分类类别的样本细胞图像训练得到，所述分类类别包括正常类别和多个异常类别；根据所述细胞图像中目标细胞的分类概率数据，确定所述细胞图像对应的分类类别；统计所述切片图像中异常类别的细胞图像数量，并计算异常类别的所述细胞图像数量占分割得到的总细胞图像数量的比例数据；当所述比例数据大于预设比例阈值时，将所述切片图像标记为异常切片图像。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取切片图像与图像分割参数，根据所述图像分割参数将所述切片图像分割为多个细胞图像；将所述细胞图像输入预先训练的卷积神经网络模型进行分类分析，得到所述细胞图像中目标细胞的分类概率数据，所述卷积神经网络模型通过标注有分类类别的样本细胞图像训练得到，所述分类类别包括正常类别和多个异常类别；根据所述细胞图像中目标细胞的分类概率数据，确定所述细胞图像对应的分类类别；统计所述切片图像中异常类别的细胞图像数量，并计算异常类别的所述细胞图像数量占分割得到的总细胞图像数量的比例数据；当所述比例数据大于预设比例阈值时，将所述切片图像标记为异常切片图像。上述切片图像处理方法、装置、计算机设备和存储介质，通过将切片图像分割为多个细胞图像，采用预先训练好的卷积神经网络模型对细胞图像中的目标细胞本文档来自技高网...

【技术保护点】
1.一种切片图像处理方法，所述方法包括：获取切片图像与图像分割参数，根据所述图像分割参数将所述切片图像分割为多个细胞图像；将所述细胞图像输入预先训练的卷积神经网络模型进行分类分析，得到所述细胞图像中目标细胞的分类概率数据，所述卷积神经网络模型通过标注有分类类别的样本细胞图像训练得到，所述分类类别包括正常类别和多个异常类别；根据所述细胞图像中目标细胞的分类概率数据，确定所述细胞图像对应的分类类别；统计所述切片图像中异常类别的细胞图像数量，并计算异常类别的所述细胞图像数量占分割得到的总细胞图像数量的比例数据；当所述比例数据大于预设比例阈值时，将所述切片图像标记为异常切片图像。

【技术特征摘要】
1.一种切片图像处理方法，所述方法包括：获取切片图像与图像分割参数，根据所述图像分割参数将所述切片图像分割为多个细胞图像；将所述细胞图像输入预先训练的卷积神经网络模型进行分类分析，得到所述细胞图像中目标细胞的分类概率数据，所述卷积神经网络模型通过标注有分类类别的样本细胞图像训练得到，所述分类类别包括正常类别和多个异常类别；根据所述细胞图像中目标细胞的分类概率数据，确定所述细胞图像对应的分类类别；统计所述切片图像中异常类别的细胞图像数量，并计算异常类别的所述细胞图像数量占分割得到的总细胞图像数量的比例数据；当所述比例数据大于预设比例阈值时，将所述切片图像标记为异常切片图像。2.根据权利要求1所述的方法，其特征在于，所述根据所述细胞图像中目标细胞的分类概率数据，确定所述细胞图像对应的分类类别包括：对所述目标细胞的分类概率数据进行排序，并筛选数据值最大的分类概率数据；当所述数据值最大的分类概率数据对应的分类类别为正常类别时，确定所述细胞图像对应的分类类别为正常类别；当所述数据值最大的分类概率数据对应的分类类别为异常类别时，确定所述细胞图像对应的分类类别为异常类别。3.根据权利要求1所述的方法，其特征在于，所述当所述比例数据大于预设比例阈值时，将所述切片图像标记为异常切片图像包括：当所述比例数据大于预设比例阈值时，分别统计携带有相同分类标记的细胞图像数量；根据携带有相同分类标记的细胞图像数量的统计结果，得到携带有分类统计数据的切片图像，并将所述携带有分类统计数据的切片图像标记为异常切片图像。4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型中包括依次连接的输入层、卷积层、全连接层和输出层，其中，所述卷积层包括旁路连接层级和深度可分离卷积层级；所述旁路连接层级将上一层级的输出数据与当前层级的输出数据同时输入下一层级，通过卷积处理得到所述细胞图像对应的M个特征图，并将所述特征图输入至所述深度可分离卷积层级；所述深度可分离卷积层级通过M个3*3卷积核一对一卷积所述M个特征图，生成M个初始卷积结果，并用N个1*1的卷积核卷积所述M个初始卷积结果，生成N个二次卷积结果，并将所述N个二次卷积结果输入与所述深度可分离卷积层级连接的下一层级。5.根据权利要求1所述的方法，其特征在于，所述获取切片图像与图像分割参数，根据所述图像分割将所述切片图像分割为多个细胞图像包括：获取切片图像，根据预设的数据标准，分别对所述切...

【专利技术属性】
技术研发人员：尚滨，彭铃淦，朱孝辉，
申请(专利权)人：广州锟元方青医疗科技有限公司，
类型：发明
国别省市：广东,44