一种病理图像中对象检测识别方法及装置制造方法及图纸

一种病理图像中对象检测识别方法及装置，该方法将病理图像分别输入到形态学处理框架和深度目标检测网络中；形态学处理框架处理过程，采用像素级图像处理算法，得到目标区域和背景分离的二值图像；深度目标检测网络处理过程，将病理图像进行特征提取、分类和目标区域回归，得到检测框；根据检测框的区域信息，将二值图像中的对应区域置为背景色，清除已知类型对象对应的目标区域，得到包含杂质的二值图像；采用查找连通域算法，找到杂质对应区域集合；综合已知类型对象对应的目标区域和杂质对应的区域集合，得到包含杂质在内的各类对象对应的区域信息。本发明专利技术实现了全细胞、微生物和杂质的检测，其灵敏度高，有利于随着深度学习技术进步而更新。技术进步而更新。技术进步而更新。

【技术实现步骤摘要】
一种病理图像中对象检测识别方法及装置


[0001]本专利技术属于病理图像处理
，具体涉及一种病理图像中对象检测识别方法及装置。

技术介绍

[0002]目前，用显微镜对生物的细胞和微生物的形态分析，是生物研究和医学研究中的常用方法，也是日常尿检、血检以及妇科检查等临床疾病诊断的重要手段。但由于显微图像的图像质量参差不齐，人工镜检既耗时耗力，而且容易受医务人员的经验和主观性影响，容易导致不同医务人员给出的检验结果灵敏度和特异性存在不一致的情况。
[0003]随着人工智能在医学领域的相关应用越来越广泛，医学显微图像的自动化识别和研究也成了热门的研究方向。然而，由于实现的复杂性等原因，现阶段还主要集中在特定类别的细胞或微生物形态的识别上，而包含细胞、微生物和杂质全面检测的自动化方法却鲜有研究。事实上，在实际应用中，除了主要的细胞和微生物，样本中的杂菌、细胞碎片、颗粒物等杂质数量往往也是重要的参考指标。因此，全面的细胞、微生物和杂质的自动化识别研究具有重要的临床应用价值和实用意义。
[0004]此外，在实际医学应用中，用户对于不同类型的被检测对象的灵敏度要求往往不同，因此对于这类系统，能够对不同类型的被检测对象单独设定检测置信度阈值是很有必要的。由于深度学习的技术还在不断发展，针对图像目标检测和分割算法层出不穷，实际的系能够方便地方便的支持这种演化。

技术实现思路

[0005]本专利技术目的在于提供一种病理图像中对象检测识别方法及装置，以解决或部分解决
技术介绍
所提及的问题。
[0006]基于上述目的，本申请的第一方面提供了一种病理图像中对象检测识别方法，包括以下步骤：
[0007]获取待处理的病理图像，将所述病理图像分别输入到形态学处理框架和深度目标检测网络中；
[0008]形态学处理框架处理过程，将所述病理图像采用像素级图像处理算法，得到目标区域和背景分离的二值图像；
[0009]深度目标检测网络处理过程，将所述病理图像进行特征提取、分类和目标区域回归，得到包括位置信息、尺寸信息、置信度和类型信息的检测框；
[0010]根据所述检测框的区域信息，将二值图像中的对应区域置为背景色，清除已知类型对象对应的目标区域，得到包含杂质的二值图像；
[0011]采用查找连通域算法，找到所有杂质对应的区域集合；
[0012]综合已知类型对象对应的目标区域和杂质对应的区域集合，得到包含杂质在内的各类对象对应的区域信息。
[0013]作为病理图像中对象检测识别方法的优选方案，采用像素级图像处理算法包括灰度转换：若输入的所述病理图像为彩色图像，将彩色的所述病理图像转换为灰度图像I，以根据亮度信息区分图像背景和检测对象。
[0014]作为病理图像中对象检测识别方法的优选方案，采用像素级图像处理算法还包括背景移除：背景移除过程，根据灰度图像I创建副本图像I
’
，使用图像模糊方法，对副本图像I
’
进行模糊操作，得到图像的光背景模式图L；
[0015]计算灰度图像I与光背景模式图L的对应像素灰度值的差，并将灰度值范围缩放到(0，H
max
)范围内，得到移除光背景的图像G。
[0016]作为病理图像中对象检测识别方法的优选方案，采用像素级图像处理算法还包括二值化：二值化过程对移除光背景的图像G，选取置信度阈值为α0∈(0,1)，用α0*H
max
作为图像二值化阈值，以去除与背景亮度差异小于图像二值化阈值的区域；
[0017]采用像素级图像处理算法还包括去噪、膨胀和腐蚀：
[0018]去噪过程，对得到的二值化图像，采用去噪算法去除噪点；
[0019]膨胀过程，对得到的去噪图像，采用形态学膨胀算法，融合在预设距离范围内的区域；
[0020]腐蚀过程，采用形态学腐蚀算法，去除多余的小孔区域。
[0021]作为病理图像中对象检测识别方法的优选方案，对于输出的检测框，通过N个置信度阈值α1,α2,
…
,α
N
过滤控制要保留的检测框，要保留的检测框区域集D
d
表示为：
[0022]D
d
＝{A
i
|t
i
＞α
i
，i∈[1，N]}
[0023]其中，A
i
表示第i类区域集合，t
i
表示第i类区域的置信度，α
i
表示第i类区域的置信度阈值，N表示深度目标检测网络的分类数。
[0024]作为病理图像中对象检测识别方法的优选方案，通过设定N+1个置信度阈值α0,α1,
…
,α
N
分别控制所保留的识别出的杂质区域和已知类别对象区域，所有保留的区域集D表示为：
[0025]D＝D
d
∪{A0}＝{A
i
|t
i
＞α
i
，i∈[1，N]}∪{A0}＝{A
i
|t
i
＞α
i
，i∈[0，N]}
[0026]其中，A
i
表示第i类区域集合，t
i
表示第i类区域的置信度，α
i
表示第i类区域的置信度阈值，N表示深度目标检测网络的分类数；i＝0表示杂质类别，α0表示杂质的置信度阈值。
[0027]本申请的第二方面提供了一种病理图像中对象检测识别装置，包括：
[0028]图像配置模块，用于获取待处理的病理图像，将所述病理图像分别输入到形态学处理框架和深度目标检测网络中；
[0029]形态学处理模块，用于形态学处理框架处理过程，将所述病理图像采用像素级图像处理算法，得到目标区域和背景分离的二值图像；
[0030]目标检测模块，用于深度目标检测网络处理过程，将所述病理图像进行特征提取、分类和目标区域回归，得到包括位置信息、尺寸信息、置信度和类型信息的检测框；
[0031]区域剔除模块，用于根据所述检测框的区域信息，将二值图像中的对应区域置为背景色，清除已知类型对象对应的目标区域，得到包含杂质的二值图像；
[0032]查找模块，用于采用查找连通域算法，找到所有杂质对应的区域集合；
[0033]对象识别模块，用于综合已知类型对象对应的目标区域和杂质对应的区域集合，得到包含杂质在内的各类对象对应的区域信息。
[0034]作为病理图像中对象检测识别装置的优选方案，所述形态学处理模块中包括：
[0035]灰度转换子模块，用于若输入的所述病理图像为彩色图像，将彩色的所述病理图像转换为灰度图像I，以根据亮度信息区分图像背景和检测对象；
[0036]背景移除子模块，用于背景移除过程，根据灰度图像I创建副本图像I
’
，使用图像模糊方法，对副本图像I
’
进行模糊操作，得到图像的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种病理图像中对象检测识别方法，其特征在于，包括：获取待处理的病理图像，将所述病理图像分别输入到形态学处理框架和深度目标检测网络中；形态学处理框架处理过程，将所述病理图像采用像素级图像处理算法，得到目标区域和背景分离的二值图像；深度目标检测网络处理过程，将所述病理图像进行特征提取、分类和目标区域回归，得到包括位置信息、尺寸信息、置信度和类型信息的检测框；根据所述检测框的区域信息，将二值图像中的对应区域置为背景色，清除已知类型对象对应的目标区域，得到包含杂质的二值图像；采用查找连通域算法，找到所有杂质对应的区域集合；综合已知类型对象对应的目标区域和杂质对应的区域集合，得到包含杂质在内的各类对象对应的区域信息。2.根据权利要求1所述的一种病理图像中对象检测识别方法，其特征在于，采用像素级图像处理算法包括灰度转换：若输入的所述病理图像为彩色图像，将彩色的所述病理图像转换为灰度图像I，以根据亮度信息区分图像背景和检测对象。3.根据权利要求2所述的一种病理图像中对象检测识别方法，其特征在于，采用像素级图像处理算法还包括背景移除：背景移除过程，根据灰度图像I创建副本图像I
’
，使用图像模糊方法，对副本图像I
’
进行模糊操作，得到图像的光背景模式图L；计算灰度图像I与光背景模式图L的对应像素灰度值的差，并将灰度值范围缩放到(0，H
max
)范围内，得到移除光背景的图像G。4.根据权利要求2所述的一种病理图像中对象检测识别方法，其特征在于，采用像素级图像处理算法还包括二值化：二值化过程对移除光背景的图像G，选取置信度阈值为α0∈(0,1)，用α0*H
max
作为图像二值化阈值，以去除与背景亮度差异小于图像二值化阈值的区域；采用像素级图像处理算法还包括去噪、膨胀和腐蚀：去噪过程，对得到的二值化图像，采用去噪算法去除噪点；膨胀过程，对得到的去噪图像，采用形态学膨胀算法，融合在预设距离范围内的区域；腐蚀过程，采用形态学腐蚀算法，去除多余的小孔区域。5.根据权利要求1所述的一种病理图像中对象检测识别方法，其特征在于，对于输出的检测框，通过N个置信度阈值α1,α2,
…
,α
N
过滤控制要保留的检测框，要保留的检测框区域集D
d
表示为：D
d
＝{A
i
|t
i
＞α
i
，i∈[1，N]}其中，A
i
表示第i类区域集合，t
i
表示第i类区域的置信度，α
i
表示第i类区域的置信度阈值，N表示深度目标检测网络的分类数。6.根据权利要求5所述的一种病理图像中对象检测识别方法，其特征在于，通过设定N+1个置信度阈值α0,α1,
…
,α
N
分别控制所保留的识别出的杂质区域和已知类别对象区域，所有保留的区域集D表示为：D＝D
d
∪{A0}＝{A
i
|t
i
＞α
i
，i∈[1，N]}∪{A0}＝{A
i
|t
i
＞α
i
，i∈[0，N]}其中，A
i
表示第i类区域集合，t
i
表示第i类区域的置信度，α
i
表示第i类区域的置信度阈
值，N表示深度目标检测网络的分类数；i＝0表示杂质类别，α0表示杂质的置信度阈值。...

【专利技术属性】
技术研发人员：郝宇飞，许东，罗儒峰，陈轶，乔匿骎，邓圣旺，孙振涛，
申请(专利权)人：湖南智享未来生物科技有限公司，
类型：发明
国别省市：