CN111368669A - 一种基于深度学习和特征增强的非线性光学图像识别方法 - Google Patents
一种基于深度学习和特征增强的非线性光学图像识别方法 Download PDFInfo
- Publication number
- CN111368669A CN111368669A CN202010118238.XA CN202010118238A CN111368669A CN 111368669 A CN111368669 A CN 111368669A CN 202010118238 A CN202010118238 A CN 202010118238A CN 111368669 A CN111368669 A CN 111368669A
- Authority
- CN
- China
- Prior art keywords
- image
- nonlinear optical
- model
- method based
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 230000000762 glandular Effects 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 210000001519 tissue Anatomy 0.000 claims abstract description 13
- 206010060862 Prostate cancer Diseases 0.000 claims abstract description 10
- 208000000236 Prostatic Neoplasms Diseases 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 230000000295 complement effect Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 25
- 238000012634 optical imaging Methods 0.000 claims description 13
- 210000004907 gland Anatomy 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 7
- 238000005530 etching Methods 0.000 claims description 7
- 102000008186 Collagen Human genes 0.000 claims description 6
- 108010035532 Collagen Proteins 0.000 claims description 6
- 229920001436 collagen Polymers 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000002055 immunohistochemical effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 101000834948 Homo sapiens Tomoregulin-2 Proteins 0.000 claims 3
- 102100026160 Tomoregulin-2 Human genes 0.000 claims 3
- 238000010586 diagram Methods 0.000 description 9
- 210000002307 prostate Anatomy 0.000 description 5
- 238000010186 staining Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000005304 joining Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 210000004177 elastic tissue Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002919 epithelial cell Anatomy 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000012333 histopathological diagnosis Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30081—Prostate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度学习和特征增强的非线性光学图像识别方法,获取基于双光子激光荧光和二次谐波产生的非线性光学图像样本集;发展双通道自适应阈值补集分割算法对前列腺癌组织图像中的腺腔结构进行分割;改进图像分类网络模型(AlexNet),并将分割出来的腺腔结构图像作为新增的信号通道进行特征增强学习,实现对前列腺癌组织无标记切片更高准确率和特异性的智能化Gleason分级。
Description
技术领域
本发明涉及生物医学光学成像和图像处理领域,尤其涉及一种基于深度学习和特征增强的非线性光学图像识别方法。
背景技术
目前,Gleason分级体系仍然是前列腺癌治疗方案选择和预后判断的最有力工具之一。Gleason分级主要是基于前列腺组织病理图中腺腔的结构特征进行分级的。然而,传统的组织病理学诊断通常需要复杂的组织固定和染色等流程,需要耗费不少时间而可能延误最佳治疗时机。基于组织自身成分的双光子激光荧光和二次谐波产生的非线性光学显微成像技术能够无标记高分辨地呈现Gleason分级所依赖的腺腔结构,与传统H&E染色图可媲美。同时,号称“第三只眼”的人工智能开启快速精准诊断新时代。由于腺腔形态特征是格林森分级的关键,研究人员不断探索有效的腺腔分割算法来强化特征部位,然后再建立神经网络模型进行训练学习,以提高Gleason分级的准确率和特异性,从而打造更客观准确的病理智能诊断平台。
发明内容
本发明的目的在于提供一种基于深度学习和特征增强的非线性光学图像识别方法。
本发明采用的技术方案是:
一种基于深度学习和特征增强的非线性光学图像识别方法,其包括以下步骤:
步骤S1,获取基于双光子激光荧光和二次谐波产生的多通道非线性光学图像;
步骤S2,利用其对应的传统H&E染色图像或免疫组化图像进行配准标记以及图像处理和数据增强预处理,构建满足独立同分布的训练数据集和测试数据集;
步骤S3,采用双通道自适应阈值补集分割算法对前列腺癌组织非线性光学成像图中的腺腔结构进行分割;
步骤S4,改进图像分类网络模型并将分割出来的腺腔结构图像作为新增的信号通道进行特征增强学习,获得高准确率和特异性的智能化Gleason分级。
进一步地,步骤S2具体步骤如下:
步骤S2-1,筛选采集到的非线性光学成像图,剔除存在对焦错误、过度曝光或无信号背景区域的图像;
步骤S2-2,利用其对应的传统H&E染色图像或免疫组化图像,采取手工或自动化的方式得到需要分割部位的二值化掩模的标签数据形成端到端的配对数据;
步骤S2-3,对所有用于神经网络模型训练的图像样本进行样本均衡、归一化预处理以满足模型训练的要求。
进一步地,步骤S2-3中对图像样本进行图像数据增强操作,图像增强操作包括图像重叠滑窗切割采样、图像随机旋转和翻转。
进一步地,步骤S3具体步骤如下:
步骤S3-1,将原始SHG图像转换为灰度图像,并使用直方图均衡进行预处理;
步骤S3-2,使用由Otsu算法获得的阈值对灰度图像进行二值化,然后将二值图像求反表示为Igi;
步骤S3-3,通过腐蚀处理二值图像以填充由胶原SHG信号引起的内部间隙,以勾勒出腺体边界,而后使用中值滤波器去除伪影和噪声,再对图像进行膨胀操作;
步骤S3-4,通过8邻居连接算法处理膨胀后的图像,以获得最终的分割掩模(Areaopen),并将掩模应用于原始TPEF图像以获得分割的腺体图像(Gland);
步骤S3-5,将所有原始数据转换为RGB图像,其中红色通道对应于TPEF信号,绿色通道对应于SHG信号,蓝色通道设置为分割腺体图像。
进一步地,步骤S3-3的腐蚀和膨胀操作中采用的公式为:
进一步地,步骤S4的具体步骤为:
步骤S4-1,TPEF图和SHG图作为两个信号通道,分割出来的腺腔结构图像作为第三个信号通道用于模型训练和测试;
步骤S4-2,将特征融合之后的图像进行无结构变换的数据增强处理构建满足独立同分布的训练数据集和测试数据集;
步骤S4-3,改进并训练卷积神经网络分类模型获得适应于非线性光学图像的模型参数以输出最终的诊断分类结果;
步骤S4-4,利用交叉验证、ROC与混淆矩阵对模型的准确性和特异性进行评估。
进一步地,步骤S4-3中卷积神经网络分类模型先采用大数据量的自然图像对卷积神经网络分类模型进行预训练习得图像域的特征知识,上再用非线性光学成像图对模型进行训练微调模型的参数,利用迁移学习算法克服小样本训练的缺陷。
本发明采用以上技术方案,利用不同探测通道对基于细胞和间质的双光子激发荧光(Two-photon Excited Fluorescence,TPEF)和二次谐波产生(Second Harmonicgeneration,SHG)信号进行探测,获得与传统H&E染色图可媲美的前列腺癌腺腔结构非线性光学显微成像图。由于前列腺组织中的胶原、弹力纤维、细胞质等多种物质都能发出TPEF信号,而且光谱范围存在一定的重叠,很难将细胞结构单独分离处理。而在一定的激发波长下,腺腔内分布的上皮细胞只能发出TPEF信号,而腺腔周围分布的胶原能够同时发出SHG和TPEF信号。本发明通过分析两个探测通道信号的特征关联,建立恰当的图像处理方法将胶原的SHG图作为遮罩获得接近于现有的基于传统H&E染色病理图的腺腔分割结果,再将分割出来的腺腔结构图作为新增的信号通道进行增强学习获得更高准确率和特异性的智能化Gleason分级。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明;
图1是本发明一种基于深度学习和特征增强的非线性光学图像识别方法的总框图。
图2是本发明前列腺组织非线性光学成像图中腺腔结构特征部位分割流程图。
图3是本发明融合分割特征的自动识别分类算法流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面将结合附图,对本申请中的技术方案进行描述。
如图1所示,本实施例提供了一种基于深度学习和特征增强的前列腺癌非线性光学图像分割和分类方法,具体包括如下步骤:
步骤S1、基于不同成像机制对同一部位多种组织成分的敏感性差异,利用双光子激发荧光(TPEF)和二次谐波产生(SHG)两种非线性效应对前列腺癌组织进行多通道成像;
步骤S2、利用其对应的传统H&E染色图像或免疫组化图像进行配准标记以及图像处理和数据增强等预处理,构建满足独立同分布的训练数据集和测试数据集;
步骤S3、建立针对非线性光学成像的融合多模式信息的特征区域分割方法,发展双通道自适应阈值补集分割算法对前列腺组织的非线性光学成像图的特征进行自动提取,并对腺腔结构在像素水平上进行分割;
步骤S4、建立融合图像分割结果的识别分类算法,将分割出来的腺腔结构图作为新增的信号通道进行特征增强学习获得更高准确率和特异性的智能化Gleason分级。
在本实施例中,所述步骤S2具体实现如下:
首先,筛选采集到的非线性光学成像图,剔除存在对焦错误、过度曝光或无信号背景区域的图像;
其次,利用其对应的传统H&E染色图像或免疫组化图像,采取手工或自动化的方式得到需要分割部位的标签数据(二值化掩模),形成端到端的配对数据;
再次,对所有用于神经网络模型训练的图像样本进行样本均衡、归一化等预处理,以满足模型训练的要求;
此外,对图像样本进行图像重叠滑窗切割采样、图像随机旋转和翻转等数据增强操作,这些操作符合实际组织学分析时方向随机的真实情景,弥补非线性光学成像数据量的有限性,防止模型训练过拟合,提高模型诊断的准确率。
在本实施例中,所述步骤S3具体实现如下:
如图2所示,第1步,将原始SHG图像(1024×1024像素)转换为灰度图像(Gray),并使用直方图均衡进行预处理;第2步,使用由Otsu算法获得的阈值对灰度图像进行二值化,然后将二值图像求反(Negative BW),表示为Igi;第3步,通过腐蚀处理二值图像(Dilate&Erode),以填充由胶原SHG信号引起的内部间隙,以勾勒出腺体边界,而后使用中值滤波器去除伪影和噪声,再对图像进行膨胀操作。在本发明所述的腐蚀和膨胀操作中,采用的公式为:
其中,将定义为腐蚀操作,并将定义为膨胀操作;SeEk表示腐蚀中尺寸为k*k像素的结构元素;SeDq表示尺寸为q*q像素的膨胀结构元素。针对图像Igi将通过连通域计算获得组织间隙尺寸,从而自适应获得k及q值。第4步,通过8邻居连接算法处理膨胀后的图像,以获得最终的分割掩模(Areaopen),并将掩模应用于原始TPEF图像以获得分割的腺体图像(Gland);第5步,将所有原始数据转换为RGB图像,其中红色(绿色)通道对应于TPEF(SHG)信号,蓝色通道设置为分割腺体图像。
在本实施例中,所述步骤S4具体实现如下:
如图3所示,首先,TPEF图和SHG图作为两个信号通道,分割出来的腺腔结构图像作为第三个信号通道,用于模型训练和测试;
其次,将特征融合之后的图像进行无结构变换的数据增强,即旋转、镜像、强度随机涨落、等尺寸随机切割等数据增强处理,构建满足独立同分布的训练数据集和测试数据集;
再次,改进并训练卷积神经网络分类模型(AlexNet),获得适应于非线性光学图像的模型参数,以输出最终的诊断分类结果;
最后,利用交叉验证,ROC与混淆矩阵对模型的准确性、特异性等进行评估。
在本实施例中,所述步骤S4中,在使用非线性光学图像训练网络(AlexNet)之前,采用大数据量(百万级别)的自然图像对卷积神经网络模型进行预训练,使模型习得图像域的特征知识,并将预训练模型参数部分地(卷积特征提取层)转移到同结构新的模型中来,以迁移来自自然图像的知识,减少小数据下过拟合情况;
进一步地,将非线性光学图像输入到经过迁移参数的模型中进行微调参数优化,使得模型来自自然图像域的特征提取适应于非线性光学图像,以输出最终的诊断分类结果。
本发明利用基于融合多模式信息的特征分割以及融合分割结果的特征识别方法对前列腺癌组织非线性光学成像图中的腺腔结构进行分割和识别,同时利用迁移学习算法克服小样本训练的缺陷,训练出可用于前列腺癌Gleason分级的网络模型,在相同的样本数量情况下,准确率提高13%。
相较于现有技术,本发明具有以下有益效果:
1、本发明通过建立深度学习模型,利用不同信号之间的关联性对前列腺组织腺腔进行分割,其分割效果接近于现有基于传统H&E染色病理图的算法结果。
2、本发明将分割出来的腺腔结构图作为新增的信号通道图结合原有的两个信号通道图,建立多数据学习的神经网络模型进行大样本学习训练,得到比基于传统病理图的分割和诊断算法更好的Gleason分级效果,在相同的样本数量情况下,准确率提高10%以上。
3、多维度成像数据之间存在复杂的内部关联且不易被人眼和传统特征提取算法识别,本发现融合组织生理病理学的先验知识,发展图像分割算法强化特征信息,实现对图像更高精度的识别与分类。
4、本发明采用双通道自适应阈值补集分割算法,充分利用生物组织对不同波段多光子激发产生的信号差异信息,采用自适应阈值方法,获得更好的分割效果。
5、本发明在使用非线性光学图像训练AlexNet网络模型之前,采用大数据量(百万级别)的自然图像对卷积神经网络模型进行预训练,使模型习得图像域的特征知识,并将预训练模型参数部分地(卷积特征提取层)转移到同结构新的模型中来,以迁移来自自然图像的知识,减少小数据下过拟合情况。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (7)
1.一种基于深度学习和特征增强的非线性光学图像识别方法,其特征在于:其包括以下步骤:
步骤S1,获取基于双光子激光荧光和二次谐波产生的多通道非线性光学图像;
步骤S2,利用其对应的传统H&E染色图像或免疫组化图像进行配准标记以及图像处理和数据增强预处理,构建满足独立同分布的训练数据集和测试数据集;
步骤S3,采用双通道自适应阈值补集分割算法对前列腺癌组织非线性光学成像图中的腺腔结构进行分割;
步骤S4,改进图像分类网络模型并将分割出来的腺腔结构图像作为新增的信号通道进行特征增强学习,获得高准确率和特异性的智能化Gleason分级。
2.根据权利要求1所述的一种基于深度学习和特征增强的非线性光学图像识别方法,其特征在于:步骤S2具体步骤如下:
步骤S2-1,筛选采集到的非线性光学成像图,剔除存在对焦错误、过度曝光或无信号背景区域的图像;
步骤S2-2,利用其对应的传统H&E染色图像或免疫组化图像,采取手工或自动化的方式得到需要分割部位的二值化掩模的标签数据形成端到端的配对数据;
步骤S2-3,对所有用于神经网络模型训练的图像样本进行样本均衡、归一化预处理以满足模型训练的要求。
3.根据权利要求2所述的基于深度学习和特征增强的非线性光学图像识别方法,其特征在于:步骤S2-3中对图像样本进行图像数据增强操作,图像增强操作包括图像重叠滑窗切割采样、图像随机旋转和翻转。
4.根据权利要求1所述的基于深度学习和特征增强的非线性光学图像识别方法,其特征在于:步骤S3具体步骤如下:
步骤S3-1,将原始SHG图像转换为灰度图像,并使用直方图均衡进行预处理;
步骤S3-2,使用由Otsu算法获得的阈值对灰度图像进行二值化,然后将二值图像求反表示为Igi;
步骤S3-3,通过腐蚀处理二值图像以填充由胶原SHG信号引起的内部间隙,以勾勒出腺体边界,而后使用中值滤波器去除伪影和噪声,再对图像进行膨胀操作;
步骤S3-4,通过8邻居连接算法处理膨胀后的图像,以获得最终的分割掩模,并将分割掩模应用于原始TPEF图像以获得分割的腺体图像;
步骤S3-5,将所有原始数据转换为RGB图像,其中红色通道对应于TPEF信号,绿色通道对应于SHG信号,蓝色通道设置为分割腺体图像。
6.根据权利要求1所述的基于深度学习和特征增强的非线性光学图像识别方法,其特征在于:步骤S4的具体步骤为:
步骤S4-1,TPEF图和SHG图作为两个信号通道,分割出来的腺腔结构图像作为第三个信号通道用于模型训练和测试;
步骤S4-2,将特征融合之后的图像进行无结构变换的数据增强处理构建满足独立同分布的训练数据集和测试数据集;
步骤S4-3,改进并训练卷积神经网络分类模型获得适应于非线性光学图像的模型参数以输出最终的诊断分类结果;
步骤S4-4,利用交叉验证、ROC与混淆矩阵对模型的准确性和特异性进行评估。
7.根据权利要求6所述的基于深度学习和特征增强的非线性光学图像识别方法,其特征在于:步骤S4-3中卷积神经网络分类模型先采用大数据量的自然图像对卷积神经网络分类模型进行预训练习得图像域的特征知识,上再用非线性光学成像图对模型进行训练微调模型的参数,利用迁移学习算法克服小样本训练的缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118238.XA CN111368669B (zh) | 2020-02-26 | 2020-02-26 | 一种基于深度学习和特征增强的非线性光学图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118238.XA CN111368669B (zh) | 2020-02-26 | 2020-02-26 | 一种基于深度学习和特征增强的非线性光学图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368669A true CN111368669A (zh) | 2020-07-03 |
CN111368669B CN111368669B (zh) | 2023-07-18 |
Family
ID=71211144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010118238.XA Active CN111368669B (zh) | 2020-02-26 | 2020-02-26 | 一种基于深度学习和特征增强的非线性光学图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368669B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967530A (zh) * | 2020-08-28 | 2020-11-20 | 南京诺源医疗器械有限公司 | 一种医学荧光成像系统的荧光区域识别方法 |
CN111986148A (zh) * | 2020-07-15 | 2020-11-24 | 万达信息股份有限公司 | 一种前列腺数字病理图像的快速Gleason评分系统 |
CN112581438A (zh) * | 2020-12-10 | 2021-03-30 | 腾讯科技(深圳)有限公司 | 切片图像识别方法、装置和存储介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015054666A1 (en) * | 2013-10-10 | 2015-04-16 | Board Of Regents, The University Of Texas System | Systems and methods for quantitative analysis of histopathology images using multi-classifier ensemble schemes |
CN107424159A (zh) * | 2017-07-28 | 2017-12-01 | 西安电子科技大学 | 基于超像素边缘和全卷积网络的图像语义分割方法 |
CN108305249A (zh) * | 2018-01-24 | 2018-07-20 | 福建师范大学 | 基于深度学习的全尺度病理切片的快速诊断和评分方法 |
CN108875608A (zh) * | 2018-06-05 | 2018-11-23 | 合肥湛达智能科技有限公司 | 一种基于深度学习的机动车交通信号识别方法 |
-
2020
- 2020-02-26 CN CN202010118238.XA patent/CN111368669B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015054666A1 (en) * | 2013-10-10 | 2015-04-16 | Board Of Regents, The University Of Texas System | Systems and methods for quantitative analysis of histopathology images using multi-classifier ensemble schemes |
CN107424159A (zh) * | 2017-07-28 | 2017-12-01 | 西安电子科技大学 | 基于超像素边缘和全卷积网络的图像语义分割方法 |
CN108305249A (zh) * | 2018-01-24 | 2018-07-20 | 福建师范大学 | 基于深度学习的全尺度病理切片的快速诊断和评分方法 |
CN108875608A (zh) * | 2018-06-05 | 2018-11-23 | 合肥湛达智能科技有限公司 | 一种基于深度学习的机动车交通信号识别方法 |
Non-Patent Citations (1)
Title |
---|
何雪英;韩忠义;魏本征;: "基于深度学习的乳腺癌病理图像自动分类" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986148A (zh) * | 2020-07-15 | 2020-11-24 | 万达信息股份有限公司 | 一种前列腺数字病理图像的快速Gleason评分系统 |
CN111986148B (zh) * | 2020-07-15 | 2024-03-08 | 万达信息股份有限公司 | 一种前列腺数字病理图像的快速Gleason评分系统 |
CN111967530A (zh) * | 2020-08-28 | 2020-11-20 | 南京诺源医疗器械有限公司 | 一种医学荧光成像系统的荧光区域识别方法 |
CN112581438A (zh) * | 2020-12-10 | 2021-03-30 | 腾讯科技(深圳)有限公司 | 切片图像识别方法、装置和存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111368669B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Multi-label classification of fundus images with efficientnet | |
US11842556B2 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
CN112017191A (zh) | 基于注意力机制的肝脏病理图像分割模型建立及分割方法 | |
CN108665456B (zh) | 基于人工智能的乳腺超声病灶区域实时标注的方法及系统 | |
JP7076698B2 (ja) | 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム | |
CN111368669B (zh) | 一种基于深度学习和特征增强的非线性光学图像识别方法 | |
CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
US6463425B2 (en) | Neural network assisted multi-spectral segmentation system | |
CN112036335A (zh) | 一种反卷积引导的半监督植物叶部病害识别与分割方法 | |
CN111242242B (zh) | 一种基于置信度选择的宫颈组织病理全玻片图像自动分类方法 | |
Goceri et al. | Quantitative validation of anti‐PTBP1 antibody for diagnostic neuropathology use: Image analysis approach | |
CN110838100A (zh) | 一种基于滑动窗口的结肠镜病理切片筛查与分割系统 | |
CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
CN115954100B (zh) | 胃癌病理图像智能辅助诊断系统 | |
CN112750132A (zh) | 基于双路径网络和通道注意的白细胞图像分割方法 | |
CN112949378A (zh) | 一种基于深度学习网络的细菌显微图像分割方法 | |
CN115294377A (zh) | 一种道路裂缝的识别系统及方法 | |
CN115206495A (zh) | 基于CoAtNet深度学习的肾癌病理图像分析方法、系统及智能显微装置 | |
CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
CN114708229A (zh) | 一种病理切片数字图像的全层次分析系统 | |
CN114155249A (zh) | 一种基于深度矢量场回归的三维细胞图像实例分割方法 | |
Vijayalakshmi et al. | Liver tumor detection using CNN | |
Hasan et al. | Nuclei segmentation in er-ihc stained histopathology images using mask r-cnn | |
Krishna et al. | Diabetic Retinopathy Detection and Classification Using LBP and CNN | |
CN111968083B (zh) | 一种基于深度学习的在线泪膜破裂时间检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |