本申请公开了一种病理指标确定方法、装置、设备及存储介质，该方法包括：获取包括标注区域的待处理病理图像；对标注区域的待处理病理图像进行预处理，得到第一区域的掩膜和第二区域的掩膜，并行地将待处理病理图像输入至预先训练好的深度学习分割模型中，得到第一区域的分割结果；将第一区域的掩膜、第二区域的掩膜和第一区域的分割结果进行融合处理，确定目标区域；对目标区域的像素饱和度进行统计分析，确定病理指标。该方案能够提取到病理图像的布局细节，从而准确地获取到目标区域，进而精准地对目标区域的像素饱和度统计分析，从而确定出病理指标，减少了由于人工主观因素导致的病理指标不稳定的情况发生，提高了病理诊断的效率。的效率。的效率。
【技术实现步骤摘要】
病理指标确定方法、装置、设备及存储介质
[0001]本专利技术一般涉及图像处理
，具体涉及一种病理指标确定方法、装置、设备及存储介质。
技术介绍
[0002]在医疗技术的不断发展过程中，基于病理图像进行分析和筛查是现代医学中进行疾病诊疗的重要手段，诸如对动物眼球组织区域进行分析，一般针对其血管的分布/形态方面进行特定分析，其通过对病变组织进行观察，以得到一些病理指标，从而进行药物试验、术后分析、为其指定医疗计划、评估治疗效果等等阶段提供了辅助手段。
[0003]目前，相关技术中一种方式是采用人工基于病理图像确定病理指标，但是该方式仅仅依靠人工经验，缺乏客观性，导致病理指标确定准确度较低；另一种方式是采用VGGNet，ResNet，Inception和DenseNet等传统的深度学习基础网络结构，经过一系列的下采样提取到原始图像的全局语义信息，然而该方案对于局部的细节以及全局对比信息的关注度不够，并且使用上述这些基础网络结构需要采用ImageNet上的预训练模型，如果需要预测的目标数据的分布与ImageNet的数据集分布差距较大的情况下，导致网络结构的预测准确度较差。
技术实现思路
[0004]鉴于现有技术中的上述缺陷或不足，期望提供一种病理指标确定方法、装置、设备及存储介质。
[0005]第一方面，本专利技术提供了一种病理指标确定方法，该方法包括：
[0006]获取包括标注区域的待处理病理图像；
[0007]对所述标注区域的待处理病理图像进行预处理，得到第一区域的掩膜和第二区域的掩膜，并行地将所述待处理病理图像输入至预先训练好的深度学习分割模型中，得到第一区域的分割结果，所述深度学习分割模型具有特征提取和图像分割能力；
[0008]将所述第一区域的掩膜、所述第二区域的掩膜和所述第一区域的分割结果进行融合处理，确定目标区域；
[0009]对所述目标区域的像素饱和度进行统计分析，确定病理指标。
[0010]在其中一个实施例中，对所述标注区域的待处理病理图像进行预处理，得到第一区域的掩膜和第二区域的掩膜，包括：
[0011]采用形态滤波器所述待处理病理图像进行滤波处理，得到滤波后的病理图像；
[0012]通过局部自适应阈值法将所述滤波后的病理图像进行二值化处理，确定第一区域的二值图像；
[0013]基于所述第一区域的二值图像进行轮廓筛选处理，确定第一区域的掩膜；
[0014]将所述待处理病理图像通过RGB通道转换为Lab色域图像；
[0015]将所述Lab色域图像中的a通道进行阈值化处理，得到第二区域的二值图像；
[0016]基于所述第二区域的二值图像进行轮廓筛选处理，确定第二区域的掩膜。
[0017]在其中一个实施例中，所述形态滤波器包括Sato滤波器、高斯滤波器和中值滤波器，采用形态滤波器所述待处理病理图像进行滤波处理，得到滤波后的病理图像，包括：
[0018]将所述待处理病理图像通过所述Sato滤波器进行处理，滤除图像干扰信息，得到第一处理图像；
[0019]将所述第一处理图像通过所述高斯滤波器进行线性平滑滤波处理，得到第二处理图像；
[0020]将所述第二处理图像通过所述中值滤波器进行噪声信息消除处理，得到滤波后的病理图像。
[0021]在其中一个实施例中，将所述Lab色域图像中的a通道进行阈值化处理，得到第二区域的二值图像，包括：
[0022]获取所述Lab色域图像中所述待处理病理图像在a通道的像素值；
[0023]将所述a通道的像素值与预设像素阈值进行比对；
[0024]将所述a通道的像素值小于所述预设像素阈值对应的区域进行二值化处理，生成所述第二区域的二值图像。
[0025]在其中一个实施例中，所述深度学习分割模型包括U2Net网络模型，将所述待处理病理图像输入至预先训练好的U2Net网络模型中，得到第一区域的分割结果，包括：
[0026]将所述待处理病理图像通过所述U2Net网络模型中的编码器和解码器进行处理，得到显著概率图；
[0027]通过所述U2Net网络模型中的显著图融合模型，将所述显著概率图进行上采样处理至与所述待处理病理图像大小相同，确定上采样结果；
[0028]对所述上采样结果通过级联操作进行融合处理，得到融合结果；
[0029]将所述融合结果通过卷积操作和激活函数处理，得到第一区域的分割结果。
[0030]在其中一个实施例中，所述U2Net网络模型通过如下步骤构建：
[0031]获取历史病理图像；
[0032]将所述历史病理图像进行预处理，得到第一区域的历史轮廓图像；
[0033]基于所述历史病理图像和所述第一区域的历史轮廓图像，构建数据集，并将所述数据集分为训练集和验证集；
[0034]利用所述训练集对待构建的U2Net网络模型进行训练，得到待验证的U2Net网络模型；
[0035]利用所述验证集中对所述待验证的U2Net网络模型，按照损失函数最小化对所述待验证的U2Net网络模型进行优化处理，得到U2Net网络模型。
[0036]在其中一个实施例中，将所述第一区域的掩膜、所述第二区域的掩膜和所述第一区域的分割结果进行融合处理，确定目标区域，包括：
[0037]将所述第一区域的掩膜和第一区域的分割结果，按照预设的融合规则进行融合处理，得到第一区域的总图像；
[0038]基于所述第一区域的的总图像和所述第二区域的掩膜，确定目标区域。
[0039]在其中一个实施例中，对所述目标区域的像素饱和度进行统计分析，确定病理指标，包括：
[0040]将所述待处理病理图像转换为hsv色域图像；
[0041]获取所述hsv色域图像中目标区域在s通道的像素值；
[0042]对所述目标区域的像素饱和度和所述s通道的像素值进行统计分析，得到病理指标。
[0043]第二方面，本申请实施例提供了病理指标确定装置，该装置包括：
[0044]获取模块，用于获取包括标注区域的待处理病理图像；
[0045]处理模块，用于对所述标注区域的待处理病理图像进行预处理，得到第一区域的掩膜和第二区域的掩膜，并行地将所述待处理病理图像输入至预先训练好的深度学习分割模型中，得到第一区域的分割结果，所述深度学习分割模型具有图像分割能力；
[0046]融合模块，用于将所述第一区域的掩膜、所述第二区域的掩膜和所述第一区域的分割结果进行融合处理，确定目标区域；
[0047]分析模块，用于对所述目标区域的像素饱和度进行统计分析，确定病理指标。
[0048]第三方面，本申请实施例提供一种设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如上述第一方面的病理指标确定方法。
[0049]第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种病理指标确定方法，其特征在于，该方法包括：获取包括标注区域的待处理病理图像；对所述标注区域的待处理病理图像进行预处理，得到第一区域的掩膜和第二区域的掩膜，并行地将所述待处理病理图像输入至预先训练好的深度学习分割模型中，得到第一区域的分割结果，所述深度学习分割模型具有特征提取和图像分割能力；将所述第一区域的掩膜、所述第二区域的掩膜和所述第一区域的分割结果进行融合处理，确定目标区域；对所述目标区域的像素饱和度进行统计分析，确定病理指标。2.根据权利要求1所述的方法，其特征在于，对所述标注区域的待处理病理图像进行预处理，得到第一区域的掩膜和第二区域的掩膜，包括：采用形态滤波器所述待处理病理图像进行滤波处理，得到滤波后的病理图像；通过局部自适应阈值法将所述滤波后的病理图像进行二值化处理，确定第一区域的二值图像；基于所述第一区域的二值图像进行轮廓筛选处理，确定第一区域的掩膜；将所述待处理病理图像通过RGB通道转换为Lab色域图像；将所述Lab色域图像中的a通道进行阈值化处理，得到第二区域的二值图像；基于所述第二区域的二值图像进行轮廓筛选处理，确定第二区域的掩膜。3.根据权利要求2所述的方法，其特征在于，所述形态滤波器包括Sato滤波器、高斯滤波器和中值滤波器，采用形态滤波器所述待处理病理图像进行滤波处理，得到滤波后的病理图像，包括：将所述待处理病理图像通过所述Sato滤波器进行处理，滤除图像干扰信息，得到第一处理图像；将所述第一处理图像通过所述高斯滤波器进行线性平滑滤波处理，得到第二处理图像；将所述第二处理图像通过所述中值滤波器进行噪声信息消除处理，得到滤波后的病理图像。4.根据权利要求2所述的方法，其特征在于，将所述Lab色域图像中的a通道进行阈值化处理，得到第二区域的二值图像，包括：获取所述Lab色域图像中所述待处理病理图像在a通道的像素值；将所述a通道的像素值与预设像素阈值进行比对；将所述a通道的像素值小于所述预设像素阈值对应的区域进行二值化处理，生成所述第二区域的二值图像。5.根据权利要求1所述的方法，其特征在于，所述深度学习分割模型包括U2Net网络模型，将所述待处理病理图像输入至预先训练好的U2Net网络模型中，得到第一区域的分割结果，包括：将所述待处理病理图像通过所述U2Net网络模型中的编码器和解码器进行处理，得到显著概率图；通过所述U2Net网络模型中的显著图融合模型，将所述显著概率图进行上采样处理至与所述待处...
【专利技术属性】
技术研发人员：周冯源，
申请(专利权)人：生仝智能科技北京有限公司，
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。