【技术实现步骤摘要】
一种基于深度学习的葡萄胎切片图像处理方法及装置
本专利技术属于医学影像
，涉及一种葡萄胎的医学影像检测，尤其涉及一种用深度学习的方法对葡萄胎切片图像处理的方法。
技术介绍
葡萄胎(HM)是指妊娠后胎盘形成的形如葡萄串的水泡状胎块。而葡萄胎婴儿多死亡或形成畸胎，极少有足月婴诞生。在一般情况下，有10％到20％的葡萄胎会发展演变成恶性的葡萄胎以及绒毛膜癌，这类癌症会通过血型团泊进行转移，如果治疗不及时就会给患者带来生命威胁。因此，葡萄胎的早期病理诊断对每位患病孕妇都有重要意义。现有技术中，对葡萄胎的检测、筛查主要有两种方式，第一种是通过显微镜人工观察切片，第二种是通过检测与葡萄胎相关的基因。第一种方式中，一般病理医师使用5*10倍与10*10倍的显微镜对病人多个切片进行观察，然后根据经验和切片组织细胞的形态进行综合诊断。葡萄胎诊断主要通过观察切片中的绒毛特征进行诊断，切片病理特征主要为绒毛滋养细胞增生和绒毛内部间质水肿。妇科医院的病理科医生每天需要花费大量的时间去诊断类似葡萄胎这类相较于肿瘤...
【技术保护点】
1.一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，步骤如下：/nS1，将葡萄胎切片图像切块，得到切块一，将切块一输入图像分割网络1，得到葡萄胎切片的切块绒毛标签图，将所有切块绒毛标签图融合得到切片绒毛标签图；/nS2，将葡萄胎切片图像切块，得到切块二，将切块二输入图像分割网络2，得到葡萄胎切片的切块增生标签图，将所有切块增生标签图融合得到切片增生标签图；/nS3，根据切片绒毛标签图得到绒毛区域，将切片增生标签图中绒毛区域之外的增生区域剔除，最终得到切片增生分布图。/n
【技术特征摘要】
1.一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，步骤如下：
S1，将葡萄胎切片图像切块，得到切块一，将切块一输入图像分割网络1，得到葡萄胎切片的切块绒毛标签图，将所有切块绒毛标签图融合得到切片绒毛标签图；
S2，将葡萄胎切片图像切块，得到切块二，将切块二输入图像分割网络2，得到葡萄胎切片的切块增生标签图，将所有切块增生标签图融合得到切片增生标签图；
S3，根据切片绒毛标签图得到绒毛区域，将切片增生标签图中绒毛区域之外的增生区域剔除，最终得到切片增生分布图。
2.如权利要求1所述的一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，所述葡萄胎切片图像通过扫描仪扫描获得。
3.如权利要求1所述的一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，图像分割网络1是经过人工标注的葡萄胎绒毛切块标签图像的数据集训练得到的用于绒毛区域分割的网络，图像分割网络2是经过人工标注的葡萄胎增生切块标签图像的数据集训练得到的用于增生区域分割的网络。
4.如权利要求1所述的一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，包括：
步骤S1中，葡萄胎切片图像切块是将切片以间隔s1切成若干尺寸为size1的切块，上下左右相邻的两个切块有sizel×(sizel-s1)的面积重合，size1为3000×3000～18000×18000的像素尺寸。
步骤S2中，葡萄胎切片图像切块是将切片以间隔s2切成若干尺寸为size2的切块，上下左右相邻的两个切块有size2×(size2-s2)的面积重合，size2为1500×1500～9000×9000的像素尺寸。
5.如权利要求1所述的一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，步骤S1、S2中，图像分割网络1、图像分割网络2均为基于卷积网络的图像分割网络。
6.如权利要求1所述的一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，包括：
步骤S1中，切块绒毛标签图融合得到切片绒毛标签图是将所有切块绒毛标签图按原先切块在切片中对应位置进行拼接，上下左右相邻切块的重合部分按多个切块图像的重合部分像素均值拟合。
步骤S2中，切块增生标签图融合得到切片增生标签图是将所有切块增生标签图按原先切块在切片中对应位置进行拼接，上下左右相邻切块的重合部分按多个切块图像的重合部分像素均值拟合。
7.如权利要求1所述的一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，步骤S3中，绒毛区域和非绒毛区域分别为切片绒毛标签图中像素值为0和255的区域，增生区域和非增生区域分别为切片增生标签图中像素值为0和255的区域，将切片增生标签图中对应的绒毛区域之外的增生区域像素值变为255，得到切片增生分布图。
8.一种基于深度学习的葡萄胎切片图像处理装置，...
【专利技术属性】
技术研发人员：师丽，朱承泽，王松伟，王治忠，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11
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。