一种基于目标检测的病理切片的质量控制方法及系统技术方案

本发明专利技术提出一种基于目标检测的病理切片的质量控制方法和系统。本发明专利技术使用的是基于关键点的目标检测算法，就不需要设置候选框，直接输出目标检测框的位置。同时本发明专利技术还加入了检测框旋转网络，可以更好地拟合刀痕或者空洞等的位置，从而准确得到空洞，刀痕等类别在切片上的大小，从而对切片进行精确评分质控。从而对切片进行精确评分质控。从而对切片进行精确评分质控。

【技术实现步骤摘要】
一种基于目标检测的病理切片的质量控制方法及系统


[0001]本专利技术涉及人工智能中图像分类
，并特别涉及一种基于目标检测的病理切片的质量控制方法及系统。

技术介绍

[0002]病理切片是取一定大小的病变组织，用病理组织学方法制成的切片。病理切片质量对病理诊断起着重要的作用，因此努力提升病理切片的质量，尤为重要。但当前病理切片质量控制仍旧停留于由医生对切片进行抽查、评分找出切片问题所在的阶段，这样会占用医生大量的时间进行重复性的工作。
[0003]随着卷积神经网络在目标检测领域的迅猛发展，目标检测算法的精度和速度都得到了质的提升。当前基于深度学习的目标检测算法主要分为两类：基于候选框和基于关键点的目标检测算法。基于候选框的算法中比较经典的算法有R
‑
CNN、SSD等。R
‑
CNN算法最早将卷积神经网络应用到目标检测中，通过对大量候选区域进行筛选得到最终目标位置。SSD目标检测算法引入多尺度特征图，并在每张特征图上选取不同数量的候选框区域，最后通过网络回归算法输出检测结果。基于关键点的目标检测算法主要有FCOS，CornerNet等算法。FCOS通过预测目标区域的中心点和目标检测框上、下、左、右四个方向的长度来得到目标位置区域。CornerNet则是通过预测目标区域左上角和右上角的坐标位置来得到目标的坐标位置。
[0004]虽然基于卷积神经网络的目标检测算法众多，但难以将目标检测算法应用到病理切片质控领域，主要原因包括有问题的病理切片难收集。当前病理切片的主要存在问题有：刀痕，空洞，褶皱，污染和组织微钙化等问题。通过目标检测算法检测到这些问题切片的准确位置，通过检测框的大小来判断切片的质量。比如检测到刀痕，根据检测框的长和宽来判断刀痕的严重程度(刀痕太长和太宽都会影响到切片质量)。检测到空洞，通过检测框来判断空洞的大小，从而对病理切片进行质控评分。

技术实现思路

[0005]基于以上问题，本专利技术提出了一种基于目标检测的病理切片的质量控制方法，包括：
[0006]步骤1、构建包括卷积神经网络、特征金字塔网络、多尺度感受野网络和四个分支网络的质量控制模型，获取多个已标注目标类别、目标中心点坐标、目标长宽和目标旋转角度的原始病理切片图像；
[0007]步骤2、通过该卷积神经网络提取该原始病理切片图像的基础特征图，将该基础特征图输入至该特征金字塔网络，得到多种不同尺度的金字塔特征图，并将该金字塔特征图输入至该多尺度感受野网络中，得到多尺度感受野特征图；
[0008]步骤3、将该多感受野特征图输入到四个分支网络，分别输出该原始病理切片图像检测的目标类别、目标中心点坐标、目标长宽和目标旋转角度；
[0009]步骤4、基于该原始病理切片图像标注的目标类别、目标中心点坐标、目标长宽和目标旋转角度，以及该原始病理切片图像检测的目标类别、目标中心点坐标、目标长宽和目标旋转角度，构建损失函数，以迭代训练该质量控制模型，直到损失函数收敛或达到预设迭代次数，保存当前质量控制模型作为最终识别模型；
[0010]步骤5、通过该最终识别模型提取待质量控制病理切片图像的目标类别、目标中心点坐标、目标长宽和目标旋转角度。
[0011]所述的基于目标检测的病理切片的质量控制方法，其中包括：
[0012]步骤6、根据该待质量控制病理切片图像的目标长宽、目标中心点坐标和目标旋转角度，得到该待质量控制病理切片图像所属的各目标类别对应的目标面积，以对该待质量控制病理切片图像进行评分，若评分低于阈值，则判定该待质量控制病理切片未合格。
[0013]所述的基于目标检测的病理切片的质量控制方法，其中该目标类别包括：刀痕和/或空洞和/或褶皱和/或污染和/或组织微钙化。
[0014]所述的基于目标检测的病理切片的质量控制方法，其中该卷积神经网络采用ResNet
‑
50网络结构；该特征金字塔网络采用多尺度长链接特征金字塔网络结构；该四个分支网络分别为类别分支、目标中心点分支、目标长宽分支和目标旋转角度分支网络。
[0015]本专利技术还提出了一种基于目标检测的病理切片的质量控制系统，其中包括：
[0016]模型构建模块，用于构建包括卷积神经网络、特征金字塔网络、多尺度感受野网络和四个分支网络的质量控制模型，获取多个已标注目标类别、目标中心点坐标、目标长宽和目标旋转角度的原始病理切片图像；
[0017]特征提取模块，用于使该卷积神经网络提取该原始病理切片图像的基础特征图，将该基础特征图输入至该特征金字塔网络，得到多种不同尺度的金字塔特征图，并将该金字塔特征图输入至该多尺度感受野网络中，得到多尺度感受野特征图；
[0018]检测模块，用于将该多感受野特征图输入到四个分支网络，分别输出该原始病理切片图像检测的目标类别、目标中心点坐标、目标长宽和目标旋转角度；
[0019]训练模块，用于基于该原始病理切片图像标注的目标类别、目标中心点坐标、目标长宽和目标旋转角度，以及该原始病理切片图像检测的目标类别、目标中心点坐标、目标长宽和目标旋转角度，构建损失函数，以迭代训练该质量控制模型，直到损失函数收敛或达到预设迭代次数，保存当前质量控制模型作为最终识别模型；
[0020]识别模块，用于通过该最终识别模型提取待质量控制病理切片图像的目标类别、目标中心点坐标、目标长宽和目标旋转角度。
[0021]所述的基于目标检测的病理切片的质量控制系统，其中包括：
[0022]质量评价模块，用于根据该待质量控制病理切片图像的目标长宽、目标中心点坐标和目标旋转角度，得到该待质量控制病理切片图像所属的各目标类别对应的目标面积，以对该待质量控制病理切片图像进行评分，若评分低于阈值，则判定该待质量控制病理切片未合格。
[0023]所述的基于目标检测的病理切片的质量控制系统，其中该目标类别包括：刀痕和/或空洞和/或褶皱和/或污染和/或组织微钙化。
[0024]所述的基于目标检测的病理切片的质量控制系统，其中该卷积神经网络采用ResNet
‑
50网络结构；该特征金字塔网络采用多尺度长链接特征金字塔网络结构；该四个分
支网络分别为类别分支、目标中心点分支、目标长宽分支和目标旋转角度分支网络。
[0025]本专利技术还提出了一种存储介质，用于存储执行所述任意一种基于目标检测的病理切片的质量控制方法的程序。
[0026]本专利技术还提出了一种客户端，用于所述任意一种基于目标检测的病理切片的质量控制系统。
[0027]由以上方案可知，本专利技术的优点在于：
[0028]本专利技术提出一种基于多尺度，多感受野的目标检测算法对病理切片进行质控评分。通过构建的目标检测网络输出目标的自适应旋转检测框的位置。因此将目标检测和病理切片质控结合起来，在病理切片质控领域具有广泛的应用前景。
附图说明
[0029]图1为本专利技术的方法流程图；
[0030]图2为本专利技术的网络结构图。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于目标检测的病理切片的质量控制方法，其特征在于，包括：步骤1、构建包括卷积神经网络、特征金字塔网络、多尺度感受野网络和四个分支网络的质量控制模型，获取多个已标注目标类别、目标中心点坐标、目标长宽和目标旋转角度的原始病理切片图像；步骤2、通过该卷积神经网络提取该原始病理切片图像的基础特征图，将该基础特征图输入至该特征金字塔网络，得到多种不同尺度的金字塔特征图，并将该金字塔特征图输入至该多尺度感受野网络中，得到多尺度感受野特征图；步骤3、将该多感受野特征图输入到四个分支网络，分别输出该原始病理切片图像检测的目标类别、目标中心点坐标、目标长宽和目标旋转角度；步骤4、基于该原始病理切片图像标注的目标类别、目标中心点坐标、目标长宽和目标旋转角度，以及该原始病理切片图像检测的目标类别、目标中心点坐标、目标长宽和目标旋转角度，构建损失函数，以迭代训练该质量控制模型，直到损失函数收敛或达到预设迭代次数，保存当前质量控制模型作为最终识别模型；步骤5、通过该最终识别模型提取待质量控制病理切片图像的目标类别、目标中心点坐标、目标长宽和目标旋转角度。2.如权利要求1所述的基于目标检测的病理切片的质量控制方法，其特征在于，包括：步骤6、根据该待质量控制病理切片图像的目标长宽、目标中心点坐标和目标旋转角度，得到该待质量控制病理切片图像所属的各目标类别对应的目标面积，以对该待质量控制病理切片图像进行评分，若评分低于阈值，则判定该待质量控制病理切片未合格。3.如权利要求1或2所述的基于目标检测的病理切片的质量控制方法，其特征在于，该目标类别包括：刀痕和/或空洞和/或褶皱和/或污染和/或组织微钙化。4.如权利要求1所述的基于目标检测的病理切片的质量控制方法，其特征在于，该卷积神经网络采用ResNet
‑
50网络结构；该特征金字塔网络采用多尺度长链接特征金字塔网络结构；该四个分支网络分别为类别分支、目标中心点分支、目标长宽分支和目标旋转角度分支网络。5.一种基于目标检测的病理切片的质量控制系统，其特征在于，包括：模型构建模块，用于构建包括卷积神经网络、特征金字塔网络、多尺度感受...

【专利技术属性】
技术研发人员：詹紫微，何志承，王晓雯，龚家利，杜保林，李娜，
申请(专利权)人：重庆知见生命科技有限公司中国人民解放军陆军军医大学第一附属医院，
类型：发明
国别省市：