【技术实现步骤摘要】
一种基于深度强化学习的组织病理图像分割方法
[0001]本专利技术属于图像处理
，具体涉及一种组织病理图像分割方法。
技术介绍
[0002]组织病理图像分割是癌症等疾病自动化诊断、治疗和预后的重要步骤之一。通过分割从组织病理图像中提取疾病特征，能够辅助病理医生判断样本中是否存在疾病、疾病的种类和严重程度。目前，组织病理图像的分割仍存在以下挑战：(1)数据量少，专家手工标注的病理图像稀缺；(2)组织病理图像尺寸大，分辨率高，对模型的处理速度有一定的要求；(3)组织病理图像边界模糊、梯度复杂，对算法的分割准确度要求高。
[0003]文献“申请公开号是CN101042771A中国专利技术专利”公开了一种基于强化学习的医学图像分割方法。该方法使用Q
‑
learning算法对细胞核图像进行分割，将图像中目标区域和手工标注中对应区域的边缘比与面积比共同作为状态，通过不断调整阈值来学习图像的特征，只需使用少量训练数据且无需与用户交互，取得了较好的效果。但该方法针对于目标物体的灰度图使用传统算法进行分割，具有
【技术保护点】
【技术特征摘要】
1.一种基于深度强化学习的组织病理图像分割方法，其特征在于，包括如下步骤：步骤1：对已标注的组织病理图像进行预处理，针对同一数据集中的组织病理图像使用统一的均值和标准差进行颜色标准化，使数据集中所有图像转化为相同的RGB颜色空间分布；步骤2：使用基于全卷积神经网络FCN的分割算法对组织病理图像进行训练，然后使用训练好的全卷积神经网络FCN获取组织病理图像的神经网络粗分割结果概率图；步骤3：设置初始分割阈值为128，作为深度强化学习DQN算法的初始动作；设置阈值动作集合A，根据ε
‑
greedy策略选取相应的动作，对组织病理图像神经网络粗分割结果概率图进行迭代优化：在动作集合A中选取一个整数，作为分割阈值的改变量，分割阈值改变后的结果必须在0至255范围内；使用分割结果图像与手工标注图像的交并比IoU表示回报，计算下一状态分割阈值的分割结果图像和当前状态分割阈值的分割结果图像的回报差，回报差值大于0表示分割精度提高；步骤4：计算组织病理图像神经网络粗分割结果特征图在当前阈值下分割结果的边缘与Sobel算子边缘检测提取边缘的交并比IoU和当前阈值下分割结果与OTSU算法阈值分割提取的感兴趣区域面积的交并比IoU，将边缘的IoU与面积的IoU共同作为DQN算法中深度Q网络的输入；步骤5：将步骤4得到的边缘的IoU与面积的IoU作为深度Q网络的输入，阈值动作集合A中所有阈值对应的Q值作为输出；从经验回放集合中随机抽取部分样本，通过Q
‑
learning算法的更新公式计算目标Q值；所述深度Q网络作为动作值函数的网络模型，网络的权重参数为θ，用Q(s,a；θ)模拟动作值函数Q
*
(s,a)，其中s表示...
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。