一种基于深度学习的葡萄胎切片图像处理方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的葡萄胎切片图像处理方法及装置，属于医学影像技术领域中葡萄胎的医学影像检测，用于解决现有技术中葡萄胎临床诊断检测的效率低的问题。本发明专利技术通过采集显微镜下的葡萄胎切片扫描图，并将葡萄胎切片扫描图输入水肿网络b‑net、增生网络c‑net，得到葡萄胎切片扫描图的切片水肿分布图、切片增生分布图。本发明专利技术通过增生网络、水肿网络可对增生、水肿两种不同的葡萄胎病理特征进行图像处理，分布图将可视化地显示给临床医生，以直观获得切片水肿、增生区域分布情况。

【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，尤其涉及一种采用卷积网络进行预测的葡萄胎医学影像检测。
技术介绍
葡萄胎(HM)是指妊娠后胎盘绒毛间质水肿、滋养细胞增生而形成的形如葡萄串的水泡状胎块。葡萄胎有一定几率会发展演变成恶性癌症，不及时治疗会带来严重的生命威胁。而绒毛间质水肿、滋养细胞增生作为葡萄胎的两种病灶，对于临床病理科医师诊断葡萄胎有重要意义。葡萄胎临床诊断依据较多，临床诊断时对绝经时长、妊娠史等都会考虑，但决定性的诊断依据主要来源于切片组织的绒毛间质水肿、绒毛边缘滋养细胞弥漫性增生这两种病灶特征。绒毛间质水肿(以下简称水肿)作为葡萄胎诊断的一种病灶特征，主要组织形态为绒毛间质中有水池状、海岸线状形态，形成中间间质细胞稀疏，四周较稠密的形态。绒毛边缘滋养细胞弥漫性增生(以下简称增生)作为诊断葡萄胎的另一种病灶特征，增生主要组织特征为绒毛四周滋养细胞多灶性、非极性增生，滋养细胞呈现花环状、锯齿状的形态特征。现有技术中，对葡萄胎的检测、筛查主要有两种方式，一本文档来自技高网...

【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，获取葡萄胎切片扫描图像；/nS2，将葡萄胎切片扫描图像切为尺寸为size1和size2的切块；/nS3，将size1切块输入深度卷积网络1，得到size1切块水肿标签，根据切块标签得到切片图片的水肿分布热度图；/nS4，将size2切块输入深度卷积网络2，得到size2切块增生标签，根据切块标签得到切片图片的增生分布热度图。/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，获取葡萄胎切片扫描图像；
S2，将葡萄胎切片扫描图像切为尺寸为size1和size2的切块；
S3，将size1切块输入深度卷积网络1，得到size1切块水肿标签，根据切块标签得到切片图片的水肿分布热度图；
S4，将size2切块输入深度卷积网络2，得到size2切块增生标签，根据切块标签得到切片图片的增生分布热度图。


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，步骤S1中，所述葡萄胎切片扫描图像由显微镜拍摄的所有图片拼接得到。


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，步骤S3、S4中，深度卷积网络1是经过人工标注的葡萄胎水肿切块图像数据集训练得到的用于水肿切块分类的网络，深度卷积网络2是经过人工标注的葡萄胎增生切块图像数据集训练得到的用于增生切块分类的网络。


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，步骤S3、S4中，分布热度图的生成步骤为：
S3-1，以记录为水肿或增生标签的每张切块的中心点作为散点，在整张切片图片中形成离散的散点数据图；
步骤一，将训练图片以尺寸size切成若干训练图片切块。尺寸size的计算公式(4)为：



其中，si为每个水肿或增生连通域的最小外接矩阵较长边的长度，M为水肿或增生连通域的个数，D为小于1的可调参数；
步骤二，计算训练图片切块中水肿或增生区域面积占训练图片切块总面积的比值，若比值超过特定阈值threshold，则该训练图片切块标签为水肿或增生切块，否则该训练图片切块标签为非水肿或增生切块；
阈值threshold采用公式(5)进行计算：



其中，P为训练图片切块中水肿或增生区域面积占训练图片切块总面积的比值，N为训练图片切块的张数，pi为第i张训练图片切块中水肿或增生区域面积占训练图片切块总面积的比值；
步骤三，将标签为水肿和非水肿切块或增生和非增生切块作为深度卷积网络的训练数据集，最终训练得到深度卷积网络1和深度卷积网络2。


5.一种基于深度学习的葡萄胎切片图像处理装置，其特征在于，包括：
显微镜，用于放大葡萄胎切片的微小结构；
切片扫描模块，用于获取葡萄胎切片在显微镜下的葡萄胎切...

【专利技术属性】
技术研发人员：师丽，朱承泽，王松伟，张小安，曾宪旭，王治忠，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11