基于区域和距离度量的病理图像分割处理方法及装置制造方法及图纸

本发明专利技术公开了一种基于区域和距离度量的病理图像分割处理方法及装置，其中该方法包括：获取待分割的病理三维图像；将待分割的病理三维图像输入预先训练生成V

Pathological image segmentation processing method and device based on region and distance measurement

【技术实现步骤摘要】
基于区域和距离度量的病理图像分割处理方法及装置


[0001]本专利技术涉及图像处理
，尤其涉及基于区域和距离度量的病理图像分割处理方法及装置。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]科学界非常重视使用深度CNN(卷积神经网络)来解决计算机视觉中的任务，包括识别，分类和目标分割等等。类似的，研究者们已经提出了基于深度学习的新型分割方法来分析医学图像。与最先进的传统方法相比，这些方法已经取得了十分具有竞争力的成绩。现有的基于深度学习的肝脏和肿瘤分割方法大致分为两类：(1)2D FCN(二维全卷积网络)，例如U
‑
Net，多通道FCN等；(2)3D FCN(三维全卷积网络)，例如V
‑
Net等。
[0004]基于2D FCN的方法将3D体积数据中的2D切片应用于分割任务。具体来说，将基于体积图像裁剪的单个或三邻切片合并到2D FCN中，然后将2D分割图堆叠起来，以生成体积分割结果。但是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区域和距离度量的病理图像分割处理方法，其特征在于，包括：获取待分割的病理三维图像；将待分割的病理三维图像输入预先训练生成V
‑
net模型，得到分割处理结果；所述V
‑
net模型根据可变权重值的区域损失函数和基于距离的损失函数的组合损失函数预先训练生成。2.如权利要求1所述的基于区域和距离度量的病理图像分割处理方法，其特征在于，所述组合损失函数包括：Loss
BD
＝αLoss
Reg
+(1
‑
α)Loss
Boundary
；Loss
HD
＝αLoss
Reg
+(1
‑
α)Loss
Hausdorff
；Loss
SDM
＝αLoss
Reg
+(1
‑
α)Loss
Signed Distance Map
；其中，Loss
BD
为组合边界损失函数，Loss
HD
为组合霍斯多夫损失函数，Loss
SDM
为组合符号距离图损失函数，Loss
Reg
为区域损失函数，α为权重，Loss
Boundary
为单独的边界损失函数，Loss
Hausdorff
为单独的霍斯多夫损失函数，Loss
Signed Distance Map
为单独的符号距离图损失函数；所述基于区域和距离度量的病理图像分割处理方法还包括：按照如下方法预先训练生成V
‑
net模型：在训练开始时将α设置为1，这表示仅使用区域损失函数训练V
‑
net模型，而且损失函数的计算中不涉及基于距离的损失函数；当训练到达平稳状态后，逐渐减小α的值直到0.01，得到预先训练生成的所述V
‑
net模型。3.如权利要求2所述的基于区域和距离度量的病理图像分割处理方法，其特征在于，当训练到达平稳状态后，逐渐减小α的值直到0.01，得到预先训练生成的所述V
‑
net模型，包括：参数α在400个时期之前均设置为1，之后，每过10个时期参数α的值减小0.01，直到减为0.01，得到预先训练生成的所述V
‑
net模型。4.如权利要求1所述的基于区域和距离度量的病理图像分割处理方法，其特征在于，所述基于距离的损失函数包括如下边界BD损失函数：Dist(p,g)＝∫
G
||p
i
‑
g
i
||2dg；此处，真实边界G上的边界点g
i
根据位于预测边界P上的对应边界点p
i
对齐。5.如权利要求1所述的基于区域和距离度量的病理图像分割处理方法，其特征在于，所述基于距离的损失函数包括如下霍斯多夫HD损失函数：其中，霍斯多夫HD损失函数中第二项是D...

【专利技术属性】
技术研发人员：巫彤宁，张义，夏栋，
申请(专利权)人：中国信息通信研究院，
类型：发明
国别省市：