基于深度学习的病理切片图像质量评级方法及系统技术方案

本发明专利技术提供了一种基于深度学习的病理切片图像质量评级方法及系统，获取待评价的病理切片图像；将获取到的病理切片图像切分为多张子图像；根据切分后的子图像和预设检测模型，得到病理切片图的气泡检测结果；根据切分后的子图像和预设分割模型，得到刀痕、裂隙和褶皱区域的分割结果；将多张子图像上的气泡检测结果和刀痕、裂隙、褶皱区域分割结果，按照原始的切片图像进行拼接，得到完整病理切片图像的结果；根据完整病理切片图像的结果，得到病理切片图像的质量级别；本发明专利技术能够实时监控病理切片图像的质量以及定位问题所在的区域，提供了评价切片质量的依据，从而保障了病理诊断的准确性。确性。确性。

【技术实现步骤摘要】
基于深度学习的病理切片图像质量评级方法及系统


[0001]本专利技术涉及医学图像处理
，特别涉及一种基于深度学习的病理切片图像质量评级方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]病理切片制片过程中包含脱水、浸蜡、切片染色等过程，在生成切片中难免会存在气泡、褶皱、刀痕等问题，这些问题会影响诊断医师的阅片效果，从而对诊断结果造成一定影响，因此对于病理切片质量的把控是十分重要的。
[0004]专利技术人发现，现有的病理切片图像的质量评级一般是将图像输入到深度学习网络中进行特征提取，然后根据提取的特征进行评价，单一评价模型往往无法实现图像输入特征的完整提取，同时由于完整的病理切片图像像素基本在亿级，一般的方法采用下采样缩小图像尺寸，因此丢失了大量关键信息，从而使得最终的评级结果准确性较低。

技术实现思路

[0005]为了解决现有技术的不足，本专利技术提供了一种基于深度学习的病理切片图像质量评级方法及系统，能够实时监控病理切片图像的质量以及定位问题所在的区域，提供了评价切片质量的依据，从而保障了病理诊断的准确性。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]本专利技术第一方面提供了一种基于深度学习的病理切片图像质量评级方法。
[0008]一种基于深度学习的病理切片图像质量评级方法，包括以下过程：
[0009]获取待评价的病理切片图像；
[0010]将获取到的病理切片图像切分为多张尺寸更小的子图像；
[0011]具体的，将完整病理切片图像按照预设的长宽进行裁切，保留相邻子图像间一定的重叠部分，以免漏检部分问题区域；
[0012]根据切分后的子图像和预设检测模型，得到病理切片图的气泡检测结果；
[0013]根据切分后的子图像和预设分割模型，得到刀痕、裂隙和褶皱区域的分割结果；
[0014]将多张子图像上的气泡检测结果和刀痕、裂隙、褶皱区域分割结果，按照原始的切片图像进行拼接，得到完整病理切片图像的结果；
[0015]具体的，对于子图像重叠部分的检测框，保留面积较大的检测框，对于重叠部分的分割掩码，保留其并集；
[0016]根据完整病理切片图像的结果，得到病理切片图像的质量级别。
[0017]本专利技术第二方面提供了一种基于深度学习的病理切片图像质量评级系统。
[0018]一种基于深度学习的病理切片图像质量评级系统，包括：
[0019]数据获取模块，被配置为：获取待评价的病理切片图像；
[0020]图像切分模块，被配置为：将获取到的病理切片图像切分为多张尺寸更小的子图
像；
[0021]具体的，将完整病理切片图像按照预设的长宽进行裁切，保留相邻子图像间一定的重叠部分，以免漏检部分问题区域；
[0022]气泡检测模块，被配置为：根据切分后的子图像和预设检测模型，得到病理切片图的气泡检测结果；
[0023]图像分割模块，被配置为：根据切分后的子图像和预设分割模型，得到刀痕、裂隙和褶皱区域的分割结果；
[0024]结果拼接模块，被配置为：将多张子图像上的气泡检测结果和刀痕、裂隙、褶皱区域分割结果，按照原始的切片图像进行拼接，得到完整病理切片图像的结果；
[0025]具体的，对于子图像重叠部分的检测框，保留面积较大的检测框，对于重叠部分的分割掩码，保留其并集；
[0026]质量评级模块，被配置为：根据完整病理切片图像的结果，得到病理切片图像的质量级别。
[0027]本专利技术第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的基于深度学习的病理切片图像质量评级方法中的步骤。
[0028]本专利技术第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的基于深度学习的病理切片图像质量评级方法中的步骤。
[0029]与现有技术相比，本专利技术的有益效果是：
[0030]1、本专利技术所述的方法、系统、介质或电子设备，能够节省大量的人力，实时监控病理切片图像的质量，同时能够定位问题所在的区域，提供评价切片质量的依据，从而保障病理诊断的准确性。
[0031]2、本专利技术所述的方法、系统、介质或电子设备，为U
‑
Net++模型的每个语义尺度定义一种混合分割损失，混合分割损失包括像素级交叉熵损失和Dice系数损失，极大的提高了图像分割的准确性。
[0032]3、本专利技术所述的方法、系统、介质或电子设备，RetinaNet检测模型由残差网络(ResNet)、特征金字塔网络(FPN)以及两个全卷积(FCN)子网络组成，ResNet负责对图像进行特征提取，FPN利用ResNet提取的特征构建多尺度特征，两个FCN分别负责分类和检测框回归，提高了图像检测的准确性。
附图说明
[0033]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0034]图1为本专利技术实施例1提供的基于深度学习的病理切片图像质量评级方法的流程示意图。
[0035]图2为本专利技术实施例1提供的气泡框选示意图。
[0036]图3为本专利技术实施例1提供的图像分割示意图。
[0037]图4为本专利技术实施例1提供的RetinaNet检测模型示意图。
[0038]图5为本专利技术实施例1提供的U
‑
Net++模型示意图。
具体实施方式
[0039]下面结合附图与实施例对本专利技术作进一步说明。
[0040]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0041]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0042]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0043]实施例1：
[0044]如图1所示，本专利技术实施例1提供了一种基于深度学习的病理切片图像质量评级方法，包括以下过程：
[0045]获取待评价的病理切片图像；
[0046]将获取到的病理切片图像切分为多张子图像；
[0047]根据切分后的子图像和预设检测模型，得到病理切片图的气泡检测结果；
[0048]根据切分后的子图像和预设分割模型，得到刀痕、裂隙和褶皱区域的分割结果；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的病理切片图像质量评级方法，其特征在于：包括以下过程：获取待评价的病理切片图像；将获取到的病理切片图像切分为多张子图像；根据切分后的子图像和预设检测模型，得到病理切片图的气泡检测结果；根据切分后的子图像和预设分割模型，得到刀痕、裂隙和褶皱区域的分割结果；将多张子图像上的气泡检测结果和刀痕、裂隙、褶皱区域分割结果，按照原始的切片图像进行拼接，得到完整病理切片图像的结果；根据完整病理切片图像的结果，得到病理切片图像的质量级别。2.如权利要求1所述的基于深度学习的病理切片图像质量评级方法，其特征在于：预设检测模型为RetinaNet检测模型。3.如权利要求2所述的基于深度学习的病理切片图像质量评级方法，其特征在于：RetinaNet检测模型包括：残差网络、特征金字塔网络以及两个全卷积子网络，残差网络用于对图像进行特征提取，特征金字塔网络利用残差网络提取的特征构建多尺度特征，两个全卷积子网络分别负责分类和检测框回归。4.如权利要求1所述的基于深度学习的病理切片图像质量评级方法，其特征在于：预设分割模型为U
‑
Net++分割模型。5.如权利要求4所述的基于深度学习的病理切片图像质量评级方法，其特征在于：U
‑
Net++分割模型的连通域公式为：其中，为卷积，为下采样，为上采样，x
i，j
表示节点X
i，j
的输出，i沿编码器索引下采样层，j沿跳接索引密集块的卷积层。6.如权利要求4所述的基于深度学习的病理切片图像质量评级方法，其特征在于：U
‑
Net++分割模型的训练采用深度监督，在节点X
i，j
，X
i，j...

【专利技术属性】
技术研发人员：陈辰，蔡东兴，张欣欣，
申请(专利权)人：济南超级计算技术研究院，
类型：发明
国别省市：