一种肺部数字病理图像自动定量分析方法及系统技术方案

本发明专利技术提出一种肺部数字病理图像自动定量分析方法及系统，包括将肺部数字病理图像输入基础特征提取网络，生成基础特征图，该基础特征图经过多尺度膨胀卷积网络处理，得到第一融合特征；将该第一融合特征输入至边缘信息增强网络，得到边缘增强特征图，并将该边缘增强特征图分别与多张基础特征提取网络生成该基础特征图过程中的中间特征相融合，得到多张第二融合特征；根据该第二融合特征的语义信息，得到该肺部数字病理图像中每一像素对应的类别。本发明专利技术通过引入多尺度网络结构将不同尺度的特征图融合在一起，以及引入边缘信息增强网络结构与不同尺度特征图进行像素融合，使得特征信息更加丰富，提升了分割精度。

【技术实现步骤摘要】
一种肺部数字病理图像自动定量分析方法及系统
本专利技术涉及图像处理
，特别涉及多尺度边缘信息增强方法、基于卷积神经网络的语义分割方法以及两种方法的结合。
技术介绍
目前，国内外诸多著名学者都致力于肺部数字病理图像自动定量分析方法的研究，其中图像分割算法是其中的核心算法，分割效果的好坏直接影响到病理图像定量分析的精度。目前图像分割算法主要有以下两种：基于传统机器学习的分割算法和基于深度学习的分割算法。基于传统机器学习的分割算法主要有基于阈值、基于边缘检测、基于区域和基于能量的分割。该类方法直观简单，不需要大量的训练数据。但是由于图像的复杂性，基于传统机器学习的分割算法很难适应不同类型的图片，分割效果较差。随着深度学习的发展，在分割任务中出现了很多优秀的网络结构。根据分割任务的不同可以将分割分为三个研究方向：语义分割，实例分割和全景分割。这三种方法之间相互关联，相辅相成。语义分割是像素级别的分割，对图像中的每个像素都划分出对应的类别，即实现像素级别的分类。类的具体对象，即为实例，实例分割不但要进行像素级别的分类，还需在具体的类本文档来自技高网...

【技术保护点】
1.一种肺部数字病理图像自动定量分析方法，其特征在于，包括：/n步骤1、将肺部数字病理图像输入基础特征提取网络，生成基础特征图，该基础特征图经过多尺度膨胀卷积网络处理，得到第一融合特征；/n步骤2、将该第一融合特征输入至边缘信息增强网络，得到边缘增强特征图，并将该边缘增强特征图分别与多张基础特征提取网络生成该基础特征图过程中的中间特征相融合，得到多张第二融合特征；/n步骤3、根据该第二融合特征的语义信息，得到该肺部数字病理图像中每一像素对应的类别。/n

【技术特征摘要】
1.一种肺部数字病理图像自动定量分析方法，其特征在于，包括：
步骤1、将肺部数字病理图像输入基础特征提取网络，生成基础特征图，该基础特征图经过多尺度膨胀卷积网络处理，得到第一融合特征；
步骤2、将该第一融合特征输入至边缘信息增强网络，得到边缘增强特征图，并将该边缘增强特征图分别与多张基础特征提取网络生成该基础特征图过程中的中间特征相融合，得到多张第二融合特征；
步骤3、根据该第二融合特征的语义信息，得到该肺部数字病理图像中每一像素对应的类别。


2.如权利要求1所述的肺部数字病理图像自动定量分析方法，其特征在于
该步骤1包括：对肺部数字病理图片进行裁剪并下采样后输入该基础特征提取网络；
该步骤3包括：对该第二融合特征进行上采样，得到和该肺部数字病理图像尺寸相同的语义特征图，将该语义特征图中每一像素具有的类别作为该肺部数字病理图像中对应像素的类别。


3.如权利要求1所述的肺部数字病理图像自动定量分析方法，其特征在于，基础特征提取网络的结构采用ResNet-101。


4.如权利要求1所述的肺部数字病理图像自动定量分析方法，其特征在于，步骤1包括：将基础特征图分别输入到1×1的卷积层，三种不同膨胀系数的3×3的卷积层和池化层中来提取对应的特征图，最后通过融合层将这五种不同尺度的特征图融合在一起，得到该第一融合特征。


5.如权利要求2所述的肺部数字病理图像自动定量分析方法，其特征在于，裁减的尺寸为1024×1024，下采样的尺寸为512×512；基础特征提取网络的结构采用深度为101层，宽度为2048个通道的ResNet-101网络结构；从基础特征提取网络的卷积层输出选取32×32×512和64×64×256这两个尺度的特征图作为该中间特征。

<...

【专利技术属性】
技术研发人员：詹紫微，张雪媛，
申请(专利权)人：北京知见生命科技有限公司，重庆知见生命科技有限公司，
类型：发明
国别省市：北京;11