基于Swin-Unet模型的胃部病理切片腺体分割方法技术

一种基于Swin

【技术实现步骤摘要】
基于Swin
‑
Unet模型的胃部病理切片腺体分割方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于Swin
‑
Unet模型的胃部病理切片腺体分割方法。

技术介绍

[0002]胃部病理切片分割是一种医学图像处理技术，旨在将胃部病理切片图像分割成不同的区域，以便医生能够更好地诊断和治疗疾病。传统的分割方法需要手动选择特征和参数，效率低且易受主观因素影响。近年来，深度学习技术的发展使得基于卷积神经网络的图像分割方法成为了研究热点。其中，Swin
‑
Unet网络是一种常用的图像分割网络，其结构类似于自编码器，可以进行特征提取和像素级别的分类。在胃部病理切片腺体分割中，Swin
‑
Unet网络可以有效地提取腺体图像的特征，并将其分割出来，供专业的医生查看来分析病情或提出治疗方案。但在编解码器之间进行特征融合时只使用了跳跃连接，并且较少关注边界的清晰度。而对于分割结果的边界清晰度，往往也是医生关注的重点方面。

技术实现思路

[0003]本专利技术为了克服以上技术的不足，提供了一种可以生成比原始预测结果图边界更加清晰的预测图像的方法。
[0004]本专利技术克服其技术问题所采用的技术方案是：
[0005]一种基于Swin
‑
Unet模型的胃部病理切片腺体分割方法，包括如下步骤：
[0006]a)获取胃部病理图像及其对应的json标注文件；
[0007]b)对胃部病理图像进行预处理操作，得到npz文件；
[0008]c)将所有的npz文件划分为训练集和测试集；
[0009]d)建立图像分割网络，将训练集输入到图像分割网络中，输出得到胃部病理切片腺体分割结果图；
[0010]e)训练图像分割网络，得到优化后的图像分割网络；
[0011]f)将测试集中输入到优化后的图像分割网络中，输出得到最终的胃部病理切片腺体分割结果图output_final。
[0012]进一步的，步骤a)中从病理数字切片云标注平台中的胃部切片概要分类中获取胃部病理图像。
[0013]进一步的，步骤b)包括如下步骤：
[0014]b
‑
1)将Swin
‑
Unet模型中的datasets模块替换为mydatasets模块，所述mydatasets模块包括Python中的image.py文件、json.py文件、npz.py文件，image.py文件由图像切分函数、图像筛选函数、标注信息可视化函数、图像格式转化函数组成，json.py文件由标注信息清理函数、标注切分函数、标注筛选函数、标注格式转化函数组成，npz.py文件由npz生成函数、文件名生成函数组成；
[0015]b
‑
2)将获取的json标注文件输入到json.py文件中的标注信息清理函数中，对文
件进行重命名操作，去除文件名中的3dh，得到筛选掉不需要的标注信息并格式化的json标注文件；
[0016]b
‑
3)将获取的胃部病理图像输入到image.py文件中的图像切分函数中，利用Python中的openslide模块将胃部病理图像切分成大小为512*512的图像，步距与切分大小相同，将切分后的图像保存在项目当前目录的image文件夹中；b
‑
4)将筛选掉不需要的标注信息并格式化的json标注文件输入到json.py文件中的标注切分函数中将其切分成大小为512*512的json标注文件，步距与切分大小相同，将切分后的json标注文件保存在项目当前目录的annotation文件夹中；
[0017]b
‑
5)通过image.py文件中的图像筛选函数遍历image文件夹中的所有图像，通过调用python中的numpy模块、json模块、os模块，根据图像对应的json标注文件中的像素坐标信息，筛选出对应的图像并存放到项目当前目录的select_image文件夹中，通过json.py文件中的标注筛选函数遍历annotation文件夹中的所有json标注文件，通过调用python中的numpy模块、json模块、os模块，筛选掉json标注文件中shape的值的长度小于4的json标注文件，将筛选后的各个json标注文件保存到项目当前目录的select_json文件夹中；b
‑
6)在image.py文件的标注信息可视化函数中，通过调用python中的PIL模块、os模块、numpy模块以及json模块，根据标注信息中的points将标注信息可视化在筛选出的图像上，并将其保存到项目当前目录的visualize_json文件夹中；b
‑
7)在image.py文件的图像格式转化函数中，通过调用python中的PLI模块和os模块遍历select_image文件夹中的所有图像，将图像格式转化为png格式并保存到项目当前目录的tif_png文件夹中；
[0018]b
‑
8)在json.py文件中的标注格式转化函数中，通过调用python中的json模块和cv2模块，遍历select_json文件夹中的所有json标注文件，将json标注文件转化成png格式的图像，将图像背景像素的rgb值设置为(0,0,0),将图像其它像素的rgb值设置为(0,0,1),将转化成png格式的json标注文件保存到项目当前目录的json_png文件夹中；
[0019]b
‑
9)将tif_png文件夹的路径以及json_png文件夹的路径传入npz.py文件的npz生成函数中，npz生成函数通过调用python中的numpy模块、cv2模块、os模块，将图像及json标注文件相对应的合并生成用于模型训练的npz文件，该npz文件的第一个数组命名为image，该npz文件的第二个数组命名为label，将所有的npz文件保存到项目当前目录的npz文件夹中。
[0020]进一步的，步骤c)包括如下步骤：
[0021]c
‑
1)将所有的npz文件按照9:1的比例划分为训练集和测试集；
[0022]c
‑
2)将训练集数据保存在项目当前目录下的train_npz文件夹中，将测试集数据保存在项目当前目录下的test_npz文件夹中；
[0023]c
‑
3)将train_npz文件夹的路径及test_npz文件夹的路径输入到npz.py文件的文件名生成函数中，文件名生成函数通过调用python中的os模块将train_npz文件夹中的所有文件的文件名提取出来并保存在项目当前目录的train.txt文件中，将test_npz文件夹中的所有文件的文件名提取出来并保存在项目当前目录的test.txt文件中。
[0024]进一步的，步骤d)包括如下步骤：
[0025]d
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Swin
‑
Unet模型的胃部病理切片腺体分割方法，其特征在于，包括如下步骤：a)获取胃部病理图像及其对应的json标注文件；b)对胃部病理图像进行预处理操作，得到npz文件；c)将所有的npz文件划分为训练集和测试集；d)建立图像分割网络，将训练集输入到图像分割网络中，输出得到胃部病理切片腺体分割结果图；e)训练图像分割网络，得到优化后的图像分割网络；f)将测试集中输入到优化后的图像分割网络中，输出得到最终的胃部病理切片腺体分割结果图output_final。2.根据权利要求1所述的基于Swin
‑
Unet模型的胃部病理切片腺体分割方法，其特征在于：步骤a)中从病理数字切片云标注平台中的胃部切片概要分类中获取胃部病理图像。3.根据权利要求1所述的基于Swin
‑
Unet模型的胃部病理切片腺体分割方法，其特征在于，步骤b)包括如下步骤：b
‑
1)将Swin
‑
Unet模型中的datasets模块替换为mydatasets模块，所述mydatasets模块包括Python中的image.py文件、json.py文件、npz.py文件，image.py文件由图像切分函数、图像筛选函数、标注信息可视化函数、图像格式转化函数组成，json.py文件由标注信息清理函数、标注切分函数、标注筛选函数、标注格式转化函数组成，npz.py文件由npz生成函数、文件名生成函数组成；b
‑
2)将获取的json标注文件输入到json.py文件中的标注信息清理函数中，对文件进行重命名操作，去除文件名中的3dh，得到筛选掉不需要的标注信息并格式化的json标注文件；b
‑
3)将获取的胃部病理图像输入到image.py文件中的图像切分函数中，利用Python中的openslide模块将胃部病理图像切分成大小为512*512的图像，步距与切分大小相同，将切分后的图像保存在项目当前目录的image文件夹中；b
‑
4)将筛选掉不需要的标注信息并格式化的json标注文件输入到json.py文件中的标注切分函数中将其切分成大小为512*512的json标注文件，步距与切分大小相同，将切分后的json标注文件保存在项目当前目录的annotation文件夹中；b
‑
5)通过image.py文件中的图像筛选函数遍历image文件夹中的所有图像，通过调用python中的numpy模块、json模块、os模块，根据图像对应的json标注文件中的像素坐标信息，筛选出对应的图像并存放到项目当前目录的select_image文件夹中，通过json.py文件中的标注筛选函数遍历annotation文件夹中的所有json标注文件，通过调用python中的numpy模块、json模块、os模块，筛选掉json标注文件中shape的值的长度小于4的json标注文件，将筛选后的各个json标注文件保存到项目当前目录的select_json文件夹中；b
‑
6)在image.py文件的标注信息可视化函数中，通过调用python中的PIL模块、os模块、numpy模块以及json模块，根据标注信息中的points将标注信息可视化在筛选出的图像上，并将其保存到项目当前目录的visualize_json文件夹中；b
‑
7)在image.py文件的图像格式转化函数中，通过调用python中的PLI模块和os模块遍历select_image文件夹中的所有图像，将图像格式转化为png格式并保存到项目当前目录的tif_png文件夹中；
b
‑
8)在json.py文件中的标注格式转化函数中，通过调用python中的json模块和cv2模块，遍历select_json文件夹中的所有json标注文件，将json标注文件转化成png格式的图像，将图像背景像素的rgb值设置为(0,0,0),将图像其它像素的rgb值设置为(0,0,1),将转化成png格式的json标注文件保存到项目当前目录的json_png文件夹中；b
‑
9)将tif_png文件夹的路径以及json_png文件夹的路径传入npz.py文件的npz生成函数中，npz生成函数通过调用python中的numpy模块、cv2模块、os模块，将图像及json标注文件相对应的合并生成用于模型训练的npz文件，该npz文件的第一个数组命名为image，该npz文件的第二个数组命名为label，将所有的npz文件保存到项目当前目录的npz文件夹中。4.根据权利要求3所述的基于Swin
‑
Unet模型的胃部病理切片腺体分割方法，其特征在于，步骤c)包括如下步骤：c
‑
1)将所有的npz文件按照9:1的比例划分为训练集和测试集；c
‑
2)将训练集数据保存在项目当前目录下的train_npz文件夹中，将测试集数据保存在项目当前目录下的test_npz文件夹中；c
‑
3)将train_npz文件夹的路径及test_npz文件夹的路径输入到npz.py文件的文件名生成函数中，文件名生成函数通过调用python中的os模块将train_npz文件夹中的所有文件的文件名提取出来并保存在项目当前目录的train.txt文件中，将test_npz文件夹中的所有文件的文件名提取出来并保存在项目当前目录的test.txt文件中。5.根据权利要求4所述的基于Swin
‑
Unet模型的胃部病理切片腺体分割方法，其特征在于，步骤d)包括如下步骤：d
‑
1)图像分割网络由图像下采样单元、瓶颈单元、图像上采样单元、注意力连接单元、预后处理单元构成；d
‑
2)图像下采样单元依次由第一下采样模块、第二下采样模块、第三下采样模块组成，第一下采样模块依次由Patch Partition层、Liear Enbedding层构成，第二下采样模块由Patch Merge...

【专利技术属性】
技术研发人员：潘景山，周贺虎，李娜，葛菁，王迪，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：