消化系统病理图像识别方法、系统及计算机存储介质技术方案

技术编号:32248460 阅读:24 留言:0更新日期:2022-02-09 17:52
本发明专利技术揭示了一种消化系统病理图像识别方法、系统及计算机存储介质,所述方法包括:获取待测图像数据;构建卷积神经网络形成并加载第一学习模型,以第一模型参数组对待测图像数据执行分区域遍历预测,得到多个子区域图像数据对应的多个预测概率值;筛选预测概率值符合预设评估条件的子区域图像数据,形成中间特征序列;构建循环神经网络形成并加载第二学习模型,以第二模型参数组对中间特征序列执行遍历预测,根据最终概率值符合预设输出条件的子区域图像数据,生成并输出预测子区域图像数据及预测子区域图像数据的最终概率值。本发明专利技术提供的消化系统病理图像识别方法,能够实现减少输入数据量、利用序列连贯性进行核查,提高分类准确度的效果。准确度的效果。准确度的效果。

【技术实现步骤摘要】
消化系统病理图像识别方法、系统及计算机存储介质


[0001]本专利技术涉及图像处理
,尤其涉及一种消化系统病理图像识别方法、系统及计算机存储介质。

技术介绍

[0002]如何能高效准确分析病理影像数据,特别是消化道恶性肿瘤的病理图像数据,一直是医学领域备受关注的课题。当前针对病理影像的人工智能应用大致可以分为定性诊断和病变识别两个大方向。由于计算负载能力限制,建模思路通常配置为基于卷积神经网络(CNN,Convolutional Neural Network),特别是加载有监督学习(Supervised Learning)模型或弱监督学习(Weakly Supervised Learning)模型,通过医学专业人员向模型中输入病理诊断数据进行学习训练后,应用于新输入病理图像的识别判断。
[0003]但基于卷积神经网络固有的缺陷,其输出结果严重依赖于输入数据,模型参数调整需要依赖大量样本训练,充分训练对处理器性能的要求高,训练不充分的情况下会导致输出判断结果误差大。即使在其后方叠加融合模型,其判断结果仍然是取决于卷积神经网络的输出,本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种消化系统病理图像识别方法,其特征在于,包括:获取待测图像数据;构建卷积神经网络形成并加载第一学习模型,以第一模型参数组对所述待测图像数据执行分区域遍历预测,得到多个子区域图像数据对应的多个预测概率值;筛选所述预测概率值符合预设评估条件的子区域图像数据,构成中间图像数据集合,并根据所述第一模型参数组提取所述中间图像数据集合的特征向量,形成中间特征序列;构建循环神经网络形成并加载第二学习模型,以第二模型参数组对所述中间特征序列执行遍历预测,根据最终概率值符合预设输出条件的子区域图像数据,生成并输出预测子区域图像数据及所述预测子区域图像数据的所述最终概率值。2.根据权利要求1所述的消化系统病理图像识别方法,其特征在于,所述第一学习模型为弱监督学习模型,所述第二学习模型为长短期记忆学习模型;所述方法还包括:去除所述第一学习模型的全连接层形成特征提取模型,并根据第一模型参数组提取所述中间图像数据集合的特征向量,形成中间特征序列。3.根据权利要求1所述的消化系统病理图像识别方法,其特征在于,所述方法还包括:获取原始图像数据,计算所述原始图像数据的染色向量矩阵和染色密度矩阵,得到原始向量矩阵和原始密度矩阵,并计算所述原始密度矩阵的最高分位值作为最高原始密度数据;根据最高基准密度数据和所述最高原始密度数据计算迁移系数,并利用所述迁移系数更新所述原始密度矩阵,得到更新密度矩阵;根据基准向量矩阵和更新密度矩阵,计算得到待测图像矩阵;其中,所述基准向量矩阵为至少一组高染色质量图像数据的染色向量矩阵,所述最高基准密度数据为所述高染色质量图像数据的染色密度矩阵的最高分位值。4.根据权利要求3所述的消化系统病理图像识别方法,其特征在于,所述方法具体包括:获取原始图像数据,对所述原始图像数据执行色彩空间转换,并删除转换后原始图像数据中小于预设原始阈值的元素,形成原始光密度矩阵;对所述原始光密度矩阵逐行独立计算协方差,形成原始协方差矩阵,根据所述原始协方差矩阵计算特征向量,并进行元素筛选,得到原始特征矩阵;根据所述原始特征矩阵对所述原始光密度矩阵执行投影,计算投影后的原始光密度矩阵的反正切值,得到原始反正切矩阵,并提取所述原始反正切矩阵中的最高分位反正切值和最低分位反正切值;计算所述最高分位反正切值和所述最低分位反正切值分别对应的最高参数向量和最低参数向量,并根据所述原始特征矩阵,分别计算对应的第一染色向量和第二染色向量;根据所述第一染色向量和所述第二染色向量的元素值情况,对所述第一染色向量和所述第二染色向量进行排列,生成所述原始图像数据的染色向量矩阵,得到所述原始向量矩阵。5.根据权利要求4所述的消化系统病理图像识别方法,其特征在于,所述第一染色向量为所述原始特征矩阵与所述最低参数向量的点积,所述第二染色向量为所述原始特征矩阵与所述最高参数向量的点积;所述方法具体包括:
判断所述第一染色向量的首元素数值是否大于所述第二染色向量的首元素数值;若大于,则将所述第一染色向量排列于所述第二染色向量的左侧,生成所述原始图像数据的染色向量矩阵,得到所述原始向量矩阵;若小于等于,则将所述第二染色向量排列于所述第一染色向量的左侧,生成所述原始图像数据的染色向量矩阵,得到所述原始向量矩阵;所述方法还包括:以所述原始向量矩阵为标准,对所述原始光密度矩阵执行套索回归,生成所述染色密度矩阵,得到所述原始密度矩阵。6.根据权利要求3所述的消化系统病理图像识别方法,其特征在于,所述方法还包括:遍历所述待测图像矩阵,按照预设尺寸的滑动窗口对所述待测图像矩阵执行分割,得到所述待测图像矩阵的至少两组子区域图像数据,以及所述子区域图像数据在所述待测图像矩阵中的相对位置数据;遍历所述子区域图像数据的所有像素的灰度数据,计算所述灰度数据中数值小于预设灰度阈值的像素数量与像素总数量的比值,得到所述子区域图像数据的组织区域占比值;根据符合预设处理条件的子区域图像数据形成所述待测图像数据,其中,所述预设处理条件为:所述子区域图像数据的组织区域占比值大于预设占比阈值。7.根据权利要求1所述的消化系统病理图像识别方法,其特征在于,所述方法具体包括:获取原始图像数据,构建与所述原始图像数据具有相同尺寸的表层图像模板;根据所述最终概率值和RGB映射曲线,映射得到所述最终概率值对应的伪彩数据,并按照所述预测子区域图像数据的相对位置数据,分别将对应的伪彩数据映射至所述表层图像模板中,生成预测概率分布图像;设定所述预测概率分布图像具有第一权重,设定所述原始图像数据具有第二权重,将所述预测概率分布图像和所述原始图像数据进行加权混合,生成并输出病理分析图像;其中,所述相对位置数据记载所述预测子区域图像数据在所述原始图像数据中的相对位置,所述第一权重和所述第二权重的取值范围为0至1,且所述第一权重和所述第二权重之和等于1。8.根据权...

【专利技术属性】
技术研发人员:张楚康张皓黄志威明繁华
申请(专利权)人:安翰科技武汉股份有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1