显微图像质量分析方法、训练方法、系统、设备及介质技术方案

本发明专利技术提供一种显微图像质量分析方法、训练方法、系统、设备及介质，所述显微图像质量分析方法包括：根据拍摄方向依次拍摄病理显微图像中各区域的局部图像；采用预先训练得到的一个或多个图像质量分析模型对每次输入的至少一个所述局部图像进行质量分析；在满足预设质量异常输出条件时，输出显示异常质量分析结果，并控制停止拍摄病理显微图像中的局部图像。本发明专利技术使用卷积神经网络对病理显微图像(全视野数字切片)中存在的各种质量问题进行迭代训练，得到可以识别病理显微图像各种质量问题的图像质量分析模型，通过图像质量分析模型对病理显微图像进行质量识别，有效提高诊断所使用的病理显微图像的质量，提高诊断智能化和精确度。

Quality analysis method, training method, system, equipment and medium of micrograph

【技术实现步骤摘要】
显微图像质量分析方法、训练方法、系统、设备及介质
本专利技术属于图像处理
，特别是涉及医学病理图像处理
，具体为一种显微图像质量分析方法、训练方法、系统、设备及介质。
技术介绍
图像质量评估(ImageQualityAssessment，IQA)，IQA从方法上可分为主观评估和客观评估。主观评估就是从人的主观感知来评价图像的质量，首先给出原始参考图像和失真图像，让标注者给失真图像评分，一般采用平均主观得分(MeanOpinionScore，MOS)或平均主观得分差异(DifferentialMeanOpinionScore，DMOS)表示。客观评估使用数学模型给出量化值，可以使用图像处理技术生成一批失真图像，操作简单，已经成为IQA研究的重点。图像质量评估算法的目标是自动评估与人的主观质量判断相一致的客观图像质量。然而，主观评估费时费力，在实际应用中不可行，并且主观实验受观看距离、显示设备、照明条件、观测者的视觉能力、情绪等诸多因素影响。因此，有必要设计出能够自动精确的预测主观质量的数学模型。IQA按照原始参考图像提供信息的多少一般分成3类：全参考(FullReference-IQA，FR-IQA)、半参考(ReducedReference-IQA，RR-IQA)和无参考(NoReference-IQA，NR-IQA)，无参考也叫盲参考(BlindIQA，BIQA)。FR-IQA同时有原始(无失真、参考)图像和失真图像,难度较低，核心是对比两幅图像的信息量或特征相似度，是研究比较成熟的方向。NR-IQA只有失真图像，难度较高，是近些年的研究热点，也是IQA中最有挑战的问题。RR-IQA只有原始图像的部分信息或从参考图像中提取的部分特征，此类方法介于FR-IQA和NR-IQA之间，且任何FR-IQA和NR-IQA方法经过适当加工都可以转换成RR-IQA方法。进一步，NR-IQA类算法还可以细分成两类，一类研究特定类型的图像质量，比如估计模糊、块效应、噪声的严重程度，另一类估计非特定类型的图像质量，也就是一个通用的失真评估。一般在实际应用中无法提供参考图像，所以NR-IQA最有实用价值，也有着广泛的应用，使用起来也非常方便，同时，由于图像内容的千变万化并且无参考，也使得NR-IQA成为较难的研究对象。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种显微图像质量分析方法、训练方法、系统、设备及介质，用于解决现有技术中难以对显微图像质量进行有效分析判断的问题。为实现上述目的及其他相关目的，本专利技术的实施例提供一种显微图像质量分析方法，所述显微图像质量分析方法包括：根据拍摄方向依次拍摄病理显微图像中各区域的局部图像；采用预先训练得到的一个或多个图像质量分析模型对每次输入的至少一个所述局部图像进行质量分析；在满足预设质量异常输出条件时，输出显示异常质量分析结果，并控制停止拍摄病理显微图像中的局部图像。于本申请的一实施例中，预先训练得到所述图像质量分析模型的一种实现方式包括：获取具有分类标签的图像分类训练集；其中，所述图像分类训练集包括无质量异常的若干局部图像、具有第一类异常质量标签的若干局部图像、第二类异常质量标签的若干局部图像……第N类异常质量标签的若干局部图像；将所述图像分类训练集训练输入到卷积神经网络模型中进行迭代训练，得到可对输入的所述局部图像进行分类，并输出分类结果为无质量异常、第一类质量异常、第二类质量异常……第N类质量异常中的一种的图像质量分析模型；其中，N为正整数，且N≥2。于本申请的一实施例中，预先训练得到所述图像质量分析模型的一种实现方式包括：获取具有分类标签的图像分类训练集；其中，所述图像分类训练集包括无目标类型异常质量的若干局部图像、具有目标类型异常质量标签的若干局部图像；将所述图像分类训练集训练输入到卷积神经网络模型中进行迭代训练，得到可对输入的所述局部图像进行分类得到分类结果为是否具有目标类型异常质量图像质量分析模型；所述目标类型异常质量为失焦、细胞堆叠、染色过浅、染色过深、气泡、灰尘、树胶、反射光斑、镜头脏污中的任一种。于本申请的一实施例中，在将获取的所述图像分类训练集输入到卷积神经网络模型中进行迭代训练时，所述卷积神经网络模型根据损失函数计算得到的损失值下降并收敛时，形成的模型即为所述图像质量分析模型；所述损失函数的一种表达形式如下：或者所述损失函数的一种表达形式如下：其中：loss(x,class)表示损失函数，weight表示权重，x表示预测概率，class表示对应的标签类别，j表示所有局部图像的序号。本专利技术的实施例还提供一种用于显微图像质量分析的图像质量分析模型训练生成方法，所述图像质量分析模型训练生成方法包括：获取具有分类标签的图像分类训练集；其中，所述图像分类训练集包括无质量异常的若干局部图像、具有第一类异常质量标签的若干局部图像、第二类异常质量标签的若干局部图像……第N类异常质量标签的若干局部图像；将所述图像分类训练集训练输入到卷积神经网络模型中进行迭代训练，得到可对输入的所述局部图像进行分类，并输出分类结果为无质量异常、第一类质量异常、第二类质量异常……第N类质量异常中的一种的图像质量分析模型；其中，N为正整数，且N≥2。本专利技术的实施例还提供一种用于显微图像质量分析的图像质量分析模型训练生成方法，所述图像质量分析模型训练生成方法包括：获取具有分类标签的图像分类训练集；其中，所述图像分类训练集包括无目标类型异常质量的若干局部图像、具有目标类型异常质量标签的若干局部图像；将所述图像分类训练集训练输入到卷积神经网络模型中进行迭代训练，得到可对输入的所述局部图像进行分类得到分类结果为是否具有目标类型异常质量图像质量分析模型；所述目标类型异常质量为失焦、细胞堆叠、染色过浅、染色过深、气泡、灰尘、树胶、反射光斑、镜头脏污中的任一种。本专利技术的实施例还提供一种显微图像质量分析系统，所述显微图像质量分析系统包括：模型训练模块、图像放大模块、显微图像拍摄模块、图像质量分析模块以及输出模块；所述模型训练模块用于训练生成可对图像进行质量分析的图像质量分析模型；所述图像放大模块对病理图像进行放大形成病理显微图像；所述显微图像拍摄模块根据拍摄方向依次拍摄病理显微图像中各区域的局部图像，并在每次拍摄完所述局部图像后将所述局部图像发送至所述图像质量分析模块；所述图像质量分析模块采用预先训练得到的一个或多个图像质量分析模型对每次输入的至少一个所述局部图像进行质量分析；所述输出控制模块在满足预设质量异常输出条件时，输出显示异常质量分析结果，并控制停止拍摄病理显微图像中的局部图像。于本申请的一实施例中，所述显微图像拍摄模块包括：图像放置台，用于放置所述病理显微图像；图像拍摄设备，用于拍摄所述图像放置台上的病理显微图像；控制设备，控制所述图像拍摄设备拍摄所述局部图像，并控制所述图像放置台或所述图像拍摄设备移动，以使所述显微图像拍摄模块依次拍摄病理显微图像中各区域的局部图像。于本申请的一实施例中，所述本文档来自技高网...

【技术保护点】
1.一种显微图像质量分析方法，其特征在于：所述显微图像质量分析方法包括：/n根据拍摄方向依次拍摄病理显微图像中各区域的局部图像；/n采用预先训练得到的一个或多个图像质量分析模型对每次输入的至少一个所述局部图像进行质量分析；/n在满足预设质量异常输出条件时，输出显示异常质量分析结果，并控制停止拍摄病理显微图像中的局部图像。/n

【技术特征摘要】
1.一种显微图像质量分析方法，其特征在于：所述显微图像质量分析方法包括：
根据拍摄方向依次拍摄病理显微图像中各区域的局部图像；
采用预先训练得到的一个或多个图像质量分析模型对每次输入的至少一个所述局部图像进行质量分析；
在满足预设质量异常输出条件时，输出显示异常质量分析结果，并控制停止拍摄病理显微图像中的局部图像。


2.根据权利要求1所述的显微图像质量分析方法，其特征在于：预先训练得到所述图像质量分析模型的一种实现方式包括：
获取具有分类标签的图像分类训练集；其中，所述图像分类训练集包括无质量异常的若干局部图像、具有第一类异常质量标签的若干局部图像、第二类异常质量标签的若干局部图像……第N类异常质量标签的若干局部图像；
将所述图像分类训练集训练输入到卷积神经网络模型中进行迭代训练，得到可对输入的所述局部图像进行分类，并输出分类结果为无质量异常、第一类质量异常、第二类质量异常……第N类质量异常中的一种的图像质量分析模型；
其中，N为正整数，且N≥2。


3.根据权利要求1所述的显微图像质量分析方法，其特征在于：预先训练得到所述图像质量分析模型的一种实现方式包括：
获取具有分类标签的图像分类训练集；其中，所述图像分类训练集包括无目标类型异常质量的若干局部图像、具有目标类型异常质量标签的若干局部图像；
将所述图像分类训练集训练输入到卷积神经网络模型中进行迭代训练，得到可对输入的所述局部图像进行分类得到分类结果为是否具有目标类型异常质量图像质量分析模型；
所述目标类型异常质量为失焦、细胞堆叠、染色过浅、染色过深、气泡、灰尘、树胶、反射光斑、镜头脏污中的任一种。


4.根据权利要求2或3所述的显微图像质量分析方法，其特征在于：在将获取的所述图像分类训练集输入到卷积神经网络模型中进行迭代训练时，所述卷积神经网络模型根据损失函数计算得到的损失值下降并收敛时，形成的模型即为所述图像质量分析模型；
所述损失函数的一种表达形式如下：



或者所述损失函数的一种表达形式如下：



其中：loss(x,class)表示损失函数，weight表示权重，x表示预测概率，class表示对应的标签类别，j表示所有局部图像的序号。


5.一种用于显微图像质量分析的图像质量分析模型训练生成方法，其特征在于：所述图像质量分析模型训练生成方法包括：
获取具有分类标签的图像分类训练集；其中，所述图像分类训练集包括无质量异常的若干局部图像、具有第一类异常质量标签的若干局部图像、第二类异常质量标签的若干局部图像……第N类异常质量标签的若干局部图像；
将所述图像分类训练集训练输入到卷积神经网络模型中进行迭代训练，得到可对输入的所述局部图像进行分类，并输出分类结果为无质量异常、第一类质量异常、第二类质量异常……第N类质量异常中的一种的图像质量分析模型；
其中，N为正整数，且N≥2。


6.一种用于显微图像质量分析的图像质量...

【专利技术属性】
技术研发人员：叶德贤，房劬，姜辰希，
申请(专利权)人：上海杏脉信息科技有限公司，
类型：发明
国别省市：上海;31