【技术实现步骤摘要】
基于深度学习的病理切片分析方法、电子设备及可读存储介质
[0001]本专利技术属于计算机视觉
,涉及一种基于深度学习的病理切片分析方法、电子设备及可读存储介质。
技术介绍
[0002]近年来随着扫描技术的高速发展,尤其是全视野数字切片的出现,极大地促进了组织病理学图像自动分析在计算机领域的发展,目前,以深度学习为代表的人工智能技术成为最热门的研究领域之一,将其与组织病理学图像分析相结合吸引了无数科研人员的目光。
[0003]对细胞核信息进行包括分割、分类等的自动化分析,对病理切片的自动化诊断有着重要意义,其中,细胞核分割任务在整个组织病理学图像自动化分析中占据重要位置,同时细胞核分割也是一个难点,受限于病理切片的制作工艺,细胞核重叠、接触现象无法避免,且细胞核周围的杂质、细胞质区域等都会对细胞核分割造成影响,如果能够在此基础上,将细胞核准确分割开来,并获得其轮廓信息,将能够有效地帮助病理医生提取细胞核信息,并进行有效诊断;细胞核的分类和分割都只是在病理切片上对细胞核信息进行提取,如果能够利用这些信息作进一步分析,得到了整个病理切片的分类信息,极大地减轻病理医生的诊断压力。
技术实现思路
[0004]为了达到上述目的,本专利技术实施例提供一种基于深度学习的病理切片分析方法,能够对病理切片中的细胞核进行准确分割,并结合像素点分类结果和细胞核聚集区域特征实现病理切片的准确分类。
[0005]本专利技术实施例还提供一种电子设备及可读存储介质。
[0006]本专利技术所采用的技术方 ...
【技术保护点】
【技术特征摘要】
1.基于深度学习的病理切片分析方法,其特征在于,具体包括以下步骤:S1,使用比尔
‑
朗伯转换法和稀疏矩阵分解法对RGB格式的病理切片进行颜色归一化处理;S2,使用DPU
‑
Net网络的编码器提取颜色归一化处理后切片中的特征图像,并基于特征图像对病理切片进行细胞核分割和细胞核分类,将病理切片初步分为正常切片和疑似非正常切片;S3,对疑似非正常切片进行细胞核聚集区域划分,提取细胞核聚集区域的特征;S4,以细胞核聚集区域特征为输入,使用宽度学习模型对疑似非正常切片进行最终分类。2.根据权利要求1所述的基于深度学习的病理切片分析方法,其特征在于,所述DPU
‑
Net网络包括编码器和解码器;所述编码器包括依次连接的特征提取层和四个双流连接模块,所述特征提取层包括依次连接的卷积层、归一化层和激活层,所述双流连接模块包括依次连接的三组归一化层、激活层和卷积层,双流连接模块的处理过程如下:y=PC([x[bw:],F(x)[bw:],x[:bw]+F(x)[:bw]])其中PC(
·
)表示均值池化操作及卷积操作,y表示输出结果,x表示输入特征,F(x)表示中间变量,+表示残差学习中的叠加操作,[
·
]表示密集连接;解码器包括与双流连接模块对应的四个UP Block模块和Softmax层,所述UP Block模块包括依次连接的上采样层和两组卷积层、归一化层和激活层。3.根据权利要求1所述的基于深度学习的病理切片分析方法,其特征在于,所述S2中病理切片初步分类过程如下:S2
‑
1,对特征图像进行细胞核分割,将其初步划分为细胞核内部区域、细胞核外部区域和细胞核边界区域;S2
‑
2,计算细胞核内部区域各像素点到细胞核外部区域的距离值,距离值为1表示该像素点为细胞核中心区域,距离值为0表示像素点为细胞核边界区域,距离值为(0,1)表示像素点为细胞核内部区域,将距离值为0的像素点作为分割线确定重叠细胞核的边界区域,完成细胞核分割;S2
‑
3,对特征图像中的各像素点进行分类,将其分为细胞核外部像素点、正常像素点和非正常像素点;S2
‑
4,统计细胞核分割结果中各细胞核边界区域内的正常像素点数量和非正常像素点数量,若正常像素点数量大于非正常像素点数量,则认为该细胞核为正常细胞核,否则认为是非正常细胞核;S2
‑
5,统计病理切片中非正常细胞核的数量,若非正常细胞核的数量小于细胞核总数...
【专利技术属性】
技术研发人员:张亮,陆肖元,朱光明,鲁国擎,王拓,冯明涛,沈沛意,宋娟,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
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。