一种基于深度学习和特征增强的非线性光学图像识别方法技术

本发明专利技术公开一种基于深度学习和特征增强的非线性光学图像识别方法，获取基于双光子激光荧光和二次谐波产生的非线性光学图像样本集；发展双通道自适应阈值补集分割算法对前列腺癌组织图像中的腺腔结构进行分割；改进图像分类网络模型（AlexNet），并将分割出来的腺腔结构图像作为新增的信号通道进行特征增强学习，实现对前列腺癌组织无标记切片更高准确率和特异性的智能化Gleason分级。

A nonlinear optical image recognition method based on deep learning and feature enhancement

【技术实现步骤摘要】
一种基于深度学习和特征增强的非线性光学图像识别方法
本专利技术涉及生物医学光学成像和图像处理领域，尤其涉及一种基于深度学习和特征增强的非线性光学图像识别方法。
技术介绍
目前，Gleason分级体系仍然是前列腺癌治疗方案选择和预后判断的最有力工具之一。Gleason分级主要是基于前列腺组织病理图中腺腔的结构特征进行分级的。然而，传统的组织病理学诊断通常需要复杂的组织固定和染色等流程，需要耗费不少时间而可能延误最佳治疗时机。基于组织自身成分的双光子激光荧光和二次谐波产生的非线性光学显微成像技术能够无标记高分辨地呈现Gleason分级所依赖的腺腔结构，与传统H&E染色图可媲美。同时，号称“第三只眼”的人工智能开启快速精准诊断新时代。由于腺腔形态特征是格林森分级的关键，研究人员不断探索有效的腺腔分割算法来强化特征部位，然后再建立神经网络模型进行训练学习，以提高Gleason分级的准确率和特异性，从而打造更客观准确的病理智能诊断平台。
技术实现思路
本专利技术的目的在于提供一种基于深度学习和特征增强的非线性光学图像识别方法。本文档来自技高网...

【技术保护点】
1.一种基于深度学习和特征增强的非线性光学图像识别方法，其特征在于：其包括以下步骤：/n步骤S1，获取基于双光子激光荧光和二次谐波产生的多通道非线性光学图像；/n步骤S2，利用其对应的传统H&E染色图像或免疫组化图像进行配准标记以及图像处理和数据增强预处理，构建满足独立同分布的训练数据集和测试数据集；/n步骤S3，采用双通道自适应阈值补集分割算法对前列腺癌组织非线性光学成像图中的腺腔结构进行分割；/n步骤S4，改进图像分类网络模型并将分割出来的腺腔结构图像作为新增的信号通道进行特征增强学习，获得高准确率和特异性的智能化Gleason分级。/n

【技术特征摘要】
1.一种基于深度学习和特征增强的非线性光学图像识别方法，其特征在于：其包括以下步骤：
步骤S1，获取基于双光子激光荧光和二次谐波产生的多通道非线性光学图像；
步骤S2，利用其对应的传统H&E染色图像或免疫组化图像进行配准标记以及图像处理和数据增强预处理，构建满足独立同分布的训练数据集和测试数据集；
步骤S3，采用双通道自适应阈值补集分割算法对前列腺癌组织非线性光学成像图中的腺腔结构进行分割；
步骤S4，改进图像分类网络模型并将分割出来的腺腔结构图像作为新增的信号通道进行特征增强学习，获得高准确率和特异性的智能化Gleason分级。


2.根据权利要求1所述的一种基于深度学习和特征增强的非线性光学图像识别方法，其特征在于：步骤S2具体步骤如下：
步骤S2-1，筛选采集到的非线性光学成像图，剔除存在对焦错误、过度曝光或无信号背景区域的图像；
步骤S2-2，利用其对应的传统H&E染色图像或免疫组化图像，采取手工或自动化的方式得到需要分割部位的二值化掩模的标签数据形成端到端的配对数据；
步骤S2-3，对所有用于神经网络模型训练的图像样本进行样本均衡、归一化预处理以满足模型训练的要求。


3.根据权利要求2所述的基于深度学习和特征增强的非线性光学图像识别方法，其特征在于：步骤S2-3中对图像样本进行图像数据增强操作，图像增强操作包括图像重叠滑窗切割采样、图像随机旋转和翻转。


4.根据权利要求1所述的基于深度学习和特征增强的非线性光学图像识别方法，其特征在于：步骤S3具体步骤如下：
步骤S3-1，将原始SHG图像转换为灰度图像，并使用直方图均衡进行预处理；
步骤S3-2，使用由Otsu算法获得的阈值对灰度图像进行二值化，然后将二值图像求反表示为Igi；
步骤S3-3，通过腐蚀处理二值图...

【专利技术属性】
技术研发人员：朱小钦，杨亲亲，徐哲鑫，蔡坚勇，
申请(专利权)人：福建师范大学，
类型：发明
国别省市：福建;35