本发明专利技术公开一种病理图像去笔迹的方法及设备，训练阶段包括：获取若干用于训练的病理图像；获取病理缩略图及其对应不同颜色空间的数据；通过若干种方法获取掩码；对掩码进行预处理；将所有掩码分类；使用深度学习模型对分类后的掩码训练，获取最终训练好的深度学习模型；应用阶段包括：获取待处理病理图像；获取待处理病理图像的掩码数据集；使用训练好的深度学习模型对掩码数据集的所有掩码进行分类预测；获取所有分类预测结果为笔迹的掩码，取并集后得到完整的笔迹掩码；根据笔迹掩码，获取去除笔迹后的病理图像。本发明专利技术能够有效地去除病理图像中任何颜色的笔迹标记信息，提高病理图像的质量和可靠性，提升医疗工作者对图像的分析和诊断效果。
【技术实现步骤摘要】
本专利技术属于病理图像处理，具体涉及一种病理图像去笔迹的方法及设备。
技术介绍
1、病理图像是医学诊断和研究中非常重要的数据源，其中包含了关于组织和细胞结构的信息。然而，由于病理图像通常由医生手工标记和注释，存在大量笔迹标记信息，这影响到了图像的质量和可用性。
2、在病理图像的分析和处理中，标记和注释通常是手动进行的，医生需要根据经验和专业知识进行判断并用笔迹标记，此操作会干扰到图像的本质特征，导致现有的机器学习算法难以对笔迹进行准确识别和分类，干扰病理图像的分析和诊断。
3、为了解决这个问题，一些去除图像中笔迹信息的方法被提出。
4、其中，最为常见的方法是基于图像处理技术进行笔迹去除，如滤波、边缘检测、二值化等。这些方法可以一定程度上去除部分笔迹信息，而对于复杂多变的病理图像，同一病理图像可能包含多种颜色和形态的笔迹，上述方法的效果并不理想。
5、此外，一些方法利用手工设定的规则实现笔迹信息的提取和去除，如通过设定阈值、连通区域标记等。然而，由于病理图像种类和笔迹的多样组合，此类方法一般仅对于部分颜色的笔迹才有较好的效果，不同的病理图像染色方式也会影响其性能，加之需要大量的人工干预，且对于不同图像需要重新设定参数，不够自动化和通用。
6、综上所述，现有的技术存在一定局限性，不能很好地解决病理图像中笔迹信息提取和去除的问题。
技术实现思路
1、为了解决上述技术问题，本专利技术提出了一种病理图像去笔迹的方法及设备。
<
p>2、为了达到上述目的，本专利技术的技术方案如下：3、一方面，本专利技术公开一种病理图像去笔迹的方法，包括：训练阶段和应用阶段；
4、训练阶段包括以下步骤：
5、步骤s1.1：获取若干用于训练的病理图像；
6、步骤s1.2：对步骤s1.1获取的病理图像进行缩放及颜色通道转换处理，获取病理缩略图及其对应不同颜色空间的数据；
7、步骤s1.3：通过以下三种方法中一种或多种对步骤s1.2获取的病理缩略图及其对应不同颜色空间的数据进行处理，获取掩码；
8、方法一：利用聚类方法直接对不同颜色空间的数据进行处理，获得掩码；
9、方法二：根据不同颜色空间的数据分离出所有不同通道的数据，再使用阈值分割方法对各个通道的数据进行处理，获得掩码；
10、方法三：将病理缩略图的坐标数据与不同颜色空间的数据结合后，再利用聚类方法进行聚类，获得掩码；
11、步骤s1.4：将步骤s1.3获取的所有掩码合并为掩码数据集，并对掩码进行预处理；
12、步骤s1.5：将掩码数据集内所有掩码划分为n类，其中一类为笔迹；
13、步骤s1.6：使用深度学习模型对分类后的掩码数据集进行训练，获取最终训练好的深度学习模型；
14、应用阶段包括以下步骤：
15、步骤s2.1：获取待处理病理图像；
16、步骤s2.2：对待处理的病理图像执行步骤s1.2-步骤s1.4，获取待处理病理图像的掩码数据集；
17、步骤s2.3：使用训练好的深度学习模型对掩码数据集的所有掩码进行分类预测；
18、步骤s2.4：获取所有分类预测结果为笔迹的掩码，取并集后得到完整的笔迹掩码；
19、步骤s2.5：根据笔迹掩码，获取去除笔迹后的病理图像。
20、在上述技术方案的基础上，还可做如下改进：
21、作为优选的方案，步骤s1.2包括：
22、步骤s1.2.1：基于以下两个限制条件对获取的病理图像进行缩放处理，获取病理缩略图；
23、限制条件一：保持缩放前后图像宽高比一致；
24、限制条件二：限制缩放后缩略图的面积；
25、步骤s1.2.2：将病理缩略图进行颜色通道转换处理，转换到其它颜色空间，得到对应不同颜色空间的数据。
26、作为优选的方案，方法三具体包括以下步骤：
27、步骤a：对于任一颜色空间，获取所有病理缩略图的坐标数据与该颜色空间的数据，作为样本；
28、步骤b：随意选取k个样本作为初始聚类中心；
29、步骤c：根据每个样本到k个聚类中心的距离distance，计算每个样本所属类别；
30、其中：距离distance为样本的像素值距离和坐标值距离的加权和；
31、步骤d：根据步骤c计算的每个样本所属类别，重新计算聚类中心；
32、步骤e：重复步骤c-步骤e，直至达到终止条件；
33、步骤f：根据每个样本到此时聚类中心的距离distance，计算每个样本所属类别，并根据对应像素类别获得掩码。
34、作为优选的方案，预处理包括：去除掩码中的离群点、对掩码进行数据增广中的一种或多种。
35、作为优选的方案，步骤s2.5包括：
36、步骤s2.5.1：对笔迹掩码进行取反操作；
37、步骤s2.5.2：将取反后的笔迹掩码与原始病理缩略图三通道的分量分别相乘；
38、步骤s2.5.3：对获得的相乘后的三分量进行矩阵拼接操作，得到去除笔迹后的缩略图；
39、步骤s2.5.4：将去除笔迹后的缩略图还原为原始大小的病理图像。
40、此外，本专利技术还公开一种病理图像去笔迹的设备，包括：训练装置和应用装置；
41、训练装置包括：
42、训练图像获取模块，用于获取若干用于训练的病理图像；
43、训练图像处理模块，用于对训练图像获取模块获取的病理图像进行缩放及颜色通道转换处理，获取病理缩略图及其对应不同颜色空间的数据；
44、训练掩码获取模块，用于通过以下三种方法中一种或多种对训练图像处理模块获取的病理缩略图及其对应不同颜色空间的数据进行处理，获取掩码；
45、方法一：利用聚类方法直接对不同颜色空间的数据进行处理，获得掩码；
46、方法二：根据不同颜色空间的数据分离出所有不同通道的数据，再使用阈值分割方法对各个通道的数据进行处理，获得掩码；
47、方法三：将病理缩略图的坐标数据与不同颜色空间的数据结合后，再利用聚类方法进行聚类，获得掩码；
48、训练预处理模块，用于将训练掩码获取模块获取的所有掩码合并为掩码数据集，并对掩码进行预处理；
49、训练分类模块，用于将掩码数据集内所有掩码划分为n类，其中一类为笔迹；
50、训练模块，用于使用深度学习模型对分类后的掩码数据集进行训练，获取最终训练好的深度学习模型；
51、应用装置包括：
52、应用图像获取模块，获取待处理病理图像；
53、应用图像处理模块，用于对应用图像获取模块获取的待处理病理图像进行缩放及颜色通道转换处理，获取病理缩略图及其对应不同颜色空间的数据；
54、应用掩码获本文档来自技高网
...
【技术保护点】
1.病理图像去笔迹的方法，其特征在于，包括：训练阶段和应用阶段；
2.根据权利要求1所述的方法，其特征在于，所述步骤S1.2包括：
3.根据权利要求1所述的方法，其特征在于，所述方法三具体包括以下步骤：
4.根据权利要求1所述的方法，其特征在于，所述预处理包括：去除掩码中的离群点、对掩码进行数据增广中的一种或多种。
5.根据权利要求1所述的方法，其特征在于，所述步骤S2.5包括：
6.病理图像去笔迹的设备，其特征在于，包括：训练装置和应用装置；
7.根据权利要求6所述的设备，其特征在于，所述训练图像处理模块和应用图像处理模块均包括：
8.根据权利要求6所述的设备，其特征在于，还包括：掩码计算单元，用于执行方法三；
9.根据权利要求6所述的设备，其特征在于，所述训练预处理模块和应用预处理模块均包括：离群点去除单元和/或数据增广单元；
10.根据权利要求6所述的设备，其特征在于，所述去笔迹后病理图像获取模块包括：
【技术特征摘要】
1.病理图像去笔迹的方法，其特征在于，包括：训练阶段和应用阶段；
2.根据权利要求1所述的方法，其特征在于，所述步骤s1.2包括：
3.根据权利要求1所述的方法，其特征在于，所述方法三具体包括以下步骤：
4.根据权利要求1所述的方法，其特征在于，所述预处理包括：去除掩码中的离群点、对掩码进行数据增广中的一种或多种。
5.根据权利要求1所述的方法，其特征在于，所述步骤s2.5包括：
6.病理图像去笔迹的...
【专利技术属性】
技术研发人员：徐清华，文虎儿，
申请(专利权)人：苏州可帮基因科技有限公司，
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。