【技术实现步骤摘要】
本申请涉及病理切片图像检测，尤其是涉及一种病理图像上三级淋巴结构的识别方法、装置、计算机设备及可读存储介质。
技术介绍
1、病理图像是一种分辨率非常高的图像，该图像的分辨率可以达到细胞水平，是一种对于医学诊断非常重要的图像。位于病理图像上的三级淋巴结构(tertiary lymphoidstructures，tls)是一种重要的病理特征，该特征对于病人的预后预测有重要意义，并且能够在细胞水平的分辨率下检出。然而，由于病理图像的超高分辨率，图像文件通常很大，源文件占用数gb空间，而对其进行深度学习建模通常会将源文件转为张量，消耗空间呈几何倍数增加，现有显卡的显存容量无法支持。所以在进行病理图像深度学习建模时只能采取两种措施：(1)大幅度压缩原图，使用低分辨率的整张图像进行训练，该模式需要针对在病理图像上收集宏观特征的项目；(2)保留图像分辨率，将原图按照网格切分成多个patches，用于模型学习，该模式针对需要从病理图像中提取微观特征的项目。
2、tls的尺度介于宏观与微观之间，不适合进行大幅度的分辨率压缩，因此一般选择保留图像分辨率、进行patches分割后再检测的方式进行病理图像深度学习建模。然而，由于tls尺寸的特殊性，有的三级淋巴结构尺寸的大小跨度较大，有的三级淋巴结构尺寸的大小跨度较小，容易给三级淋巴结构的检测结果带来误差影响。
3、针对上述中的相关技术，专利技术人发现现有的病理图像上三级淋巴结构检测方式存在有因patches的尺度大小选取不合适而影响检测精度的问题。
1、为了提高病理图像上三级淋巴结构的检测精度，本申请提供了一种病理图像上三级淋巴结构的识别方法、装置、计算机设备及可读存储介质。
2、第一方面，本申请提供一种病理图像上三级淋巴结构的识别方法。
3、本申请是通过以下技术方案得以实现的：
4、一种病理图像上三级淋巴结构的识别方法，包括以下步骤，
5、获取目标病理图像；
6、确定目标病理图像拟切割的补丁边长，并基于所述补丁边长，将所述目标病理图像切割为若干目标子图像；
7、对所述目标子图像进行识别，得到所述目标子图像是否有三级淋巴结构的检测结果；
8、其中，获取历史病理图像上的三级淋巴结构，统计三级淋巴结构的尺寸分布数据；
9、对各三级淋巴结构进行第一聚类，排除离群点，并计算除离群点外的各三级淋巴结构的长度均值和宽度均值，得到第一边长；
10、对各三级淋巴结构进行第二聚类，按预设类别对各三级淋巴结构进行分类和数量统计，并按数量大小对各类三级淋巴结构进行排序，根据排序结果选取前n类三级淋巴结构，以计算前n类三级淋巴结构中所有三级淋巴结构的长度均值和宽度均值，得到第二边长，其中，n为正整数且≥2；
11、基于所述第一边长和所述第二边长，选取最大的长度均值和最大的宽度均值进行边长设置，得到参考边长；
12、预设候选边长队列，按所述候选边长队列中的候选边长自动匹配补丁边长，直到所述参考边长大于所述候选边长，将此时匹配的所述候选边长作为所述补丁边长。
13、本申请在一较佳示例中可以进一步配置为：对所述目标子图像进行识别时，采用改进的三级淋巴结构检测模型，所述三级淋巴结构检测模型的训练步骤包括，
14、获取历史病理图像，确定历史病理图像拟切割的补丁边长，并根据所述补丁边长切割所述历史病理图像，得到若干第一样本图像；
15、将所述第一样本图像输入深度学习模型中，结合深度学习模型的边框回归损失函数进行训练，输出是否有三级淋巴结构的检测结果；
16、当满足预设的训练条件时，将当前的深度学习模型作为改进的三级淋巴结构检测模型。
17、本申请在一较佳示例中可以进一步配置为：基于所述第一边长和所述第二边长，选取最大的长度均值和最大的宽度均值进行边长设置，得到参考边长时，参考边长的计算采用以下公式，
18、
19、式中，表示第一边长的长度和宽度，表示第二边长的长度和宽度，a∈[1,3)。
20、本申请在一较佳示例中可以进一步配置为：得到所述目标子图像是否有三级淋巴结构的检测结果的步骤后，还包括以下步骤，
21、当任一所述目标子图像上存在三级淋巴结构时，判断所述三级淋巴结构的位置是否位于所述目标子图像的边界上；
22、若所述三级淋巴结构的位置位于所述目标子图像的边界上，对所述目标子图像进行修复处理，得到修复的三级淋巴结构，再对所述三级淋巴结构进行分型；
23、若所述三级淋巴结构的位置不处在所述目标子图像的边界上，对所述三级淋巴结构进行分型。
24、本申请在一较佳示例中可以进一步配置为：判断所述三级淋巴结构的位置是否位于所述目标子图像的边界上的步骤包括，
25、创建长宽比字典，所述长宽比字典实时存储所述目标子图像上三级淋巴结构的边框的长宽比；
26、提取中心位于所述目标子图像的边界向内收缩预设数量像素点宽度的条带状区域内的三级淋巴结构，将所述三级淋巴结构的边框的长宽比存储至所述长宽比字典中；
27、基于预设的离群值，查找当前的长宽比字典中所有三级淋巴结构的长宽比中，是否存在按预设倍数的长宽比的乘积大于所述离群值所对应的三级淋巴结构；
28、若存在预设倍数的长宽比的乘积大于所述离群值的三级淋巴结构，则将所述三级淋巴结构作为异常三级淋巴结构，此时判断三级淋巴结构的位置位于所述目标子图像的边界上。
29、本申请在一较佳示例中可以进一步配置为：对所述目标子图像进行修复处理时，采用改进的自适应边界实体处理算法，包括以下步骤，
30、创建归属字典，所述归属字典按所述长宽比字典中的三级淋巴结构的边框的长宽比的存储顺序，依次生成与所述长宽比字典中三级淋巴结构对应的目标子图像；
31、根据所述归属字典，索引所述异常三级淋巴结构对应的所述目标子图像，以计算所述目标子图像中异常三级淋巴结构的外接矩形框；
32、求解所述外接矩形框的长度与预设的先验矩形框的长度的均值，以及求解所述外接矩形框的宽度与所述先验矩形框的宽度的均值，得到所述目标子图像的位于边界上的三级淋巴结构的推测检测框。
33、本申请在一较佳示例中可以进一步配置为：对所述三级淋巴结构进行分型时，采用改进的三级淋巴结构分型模型，其中，所述三级淋巴结构分型模型的训练步骤包括，
34、从所述历史病理图像中裁剪包含三级淋巴结构的病理原图像，得到若干第二样本图像；
35、基于所述深度学习模型架构进行优化，在输入端增加一高精度图像分类分支，得到目标模型，其中，所述高精度图像分类分支用于接收所述第二样本图像；
36、设计高分辨率的三级淋巴结构图像的交叉熵损失函数，结合所述深度学习模型的边框回归损失函数，构建目标损失函数；
37、将是否有三级本文档来自技高网...
【技术保护点】
1.一种病理图像上三级淋巴结构的识别方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的病理图像上三级淋巴结构的识别方法，其特征在于，对所述目标子图像进行识别时，采用改进的三级淋巴结构检测模型，所述三级淋巴结构检测模型的训练步骤包括，
3.根据权利要求1所述的病理图像上三级淋巴结构的识别方法，其特征在于，基于所述第一边长和所述第二边长，选取最大的长度均值和最大的宽度均值进行边长设置，得到参考边长时，参考边长的计算采用以下公式，
4.根据权利要求1至3任意一项所述的病理图像上三级淋巴结构的识别方法，其特征在于，得到所述目标子图像是否有三级淋巴结构的检测结果的步骤后，还包括以下步骤，
5.根据权利要求4所述的病理图像上三级淋巴结构的识别方法，其特征在于，判断所述三级淋巴结构的位置是否位于所述目标子图像的边界上的步骤包括，
6.根据权利要求5所述的病理图像上三级淋巴结构的识别方法，其特征在于，对所述目标子图像进行修复处理时，采用改进的自适应边界实体处理算法，包括以下步骤，
7.根据权利要求4所述的病理图像上三
8.根据权利要求7所述的病理图像上三级淋巴结构的识别方法，其特征在于，所述设计高分辨率的三级淋巴结构图像的交叉熵损失函数，结合所述深度学习模型的边框回归损失函数，构建目标损失函数时，采用以下公式，
9.根据权利要求7所述的病理图像上三级淋巴结构的识别方法，其特征在于，所述将是否有三级淋巴结构的检测结果和所述第二样本图像分别输入所述目标模型的步骤前，还包括，
10.一种病理图像上三级淋巴结构的识别装置，其特征在于，包括，
11.根据权利要求10所述的病理图像上三级淋巴结构的识别装置，其特征在于，还包括，
12.根据权利要求10所述的病理图像上三级淋巴结构的识别装置，其特征在于，所述参考边长单元计算参考边长时，采用以下公式，
13.根据权利要求10至12任意一项所述的病理图像上三级淋巴结构的识别装置，其特征在于，还包括，
14.根据权利要求13所述的病理图像上三级淋巴结构的识别装置，其特征在于，所述判断模块包括，
15.根据权利要求14所述的病理图像上三级淋巴结构的识别装置，其特征在于，所述修复模块包括，
16.根据权利要求13所述的病理图像上三级淋巴结构的识别装置，其特征在于，还包括，
17.根据权利要求16所述的病理图像上三级淋巴结构的识别装置，其特征在于，所述三级淋巴结构分型模型模块的目标损失函数的表达式如下，
18.根据权利要求16所述的病理图像上三级淋巴结构的识别装置，其特征在于，还包括，
19.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现权利要求1至9任意一项所述方法的步骤。
20.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至9任意一项所述方法的步骤。
...【技术特征摘要】
1.一种病理图像上三级淋巴结构的识别方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的病理图像上三级淋巴结构的识别方法，其特征在于，对所述目标子图像进行识别时，采用改进的三级淋巴结构检测模型，所述三级淋巴结构检测模型的训练步骤包括，
3.根据权利要求1所述的病理图像上三级淋巴结构的识别方法，其特征在于，基于所述第一边长和所述第二边长，选取最大的长度均值和最大的宽度均值进行边长设置，得到参考边长时，参考边长的计算采用以下公式，
4.根据权利要求1至3任意一项所述的病理图像上三级淋巴结构的识别方法，其特征在于，得到所述目标子图像是否有三级淋巴结构的检测结果的步骤后，还包括以下步骤，
5.根据权利要求4所述的病理图像上三级淋巴结构的识别方法，其特征在于，判断所述三级淋巴结构的位置是否位于所述目标子图像的边界上的步骤包括，
6.根据权利要求5所述的病理图像上三级淋巴结构的识别方法，其特征在于，对所述目标子图像进行修复处理时，采用改进的自适应边界实体处理算法，包括以下步骤，
7.根据权利要求4所述的病理图像上三级淋巴结构的识别方法，其特征在于，对所述三级淋巴结构进行分型时，采用改进的三级淋巴结构分型模型，其中，所述三级淋巴结构分型模型的训练步骤包括，
8.根据权利要求7所述的病理图像上三级淋巴结构的识别方法，其特征在于，所述设计高分辨率的三级淋巴结构图像的交叉熵损失函数，结合所述深度学习模型的边框回归损失函数，构建目标损失函数时，采用以下公式，
9.根据权利要求7所述的病理图像上三级淋巴结构的识...
【专利技术属性】
技术研发人员：彭穗，匡铭，翁宗鹏，肖晗，戴子浩，
申请(专利权)人：中山大学附属第一医院，
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。