CN111462076B - 一种全切片数字病理图像模糊区域检测方法及系统 - Google Patents
一种全切片数字病理图像模糊区域检测方法及系统 Download PDFInfo
- Publication number
- CN111462076B CN111462076B CN202010242241.2A CN202010242241A CN111462076B CN 111462076 B CN111462076 B CN 111462076B CN 202010242241 A CN202010242241 A CN 202010242241A CN 111462076 B CN111462076 B CN 111462076B
- Authority
- CN
- China
- Prior art keywords
- image
- full
- blocks
- pathological
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10072—Tomographic images
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开一种全切片数字病理图像模糊区域检测方法,包括:获取全切片数字病理图像;将全切片数字病理图像分割成互不重叠的图像子块,随机抽取若干图像子块,形成训练集和验证集,对训练集和验证集中的图像子块进行标记;将训练集输入预先构建的深度学习模型中进行训练;将验证集输入训练后的深度学习模型中进行验证;对待检测全切片数字病理图像预处理,获得待检测全切片数字病理图像的特征图;将特征图分割成互不重叠的若干待检测图像子块,分别输入训练好的深度学习模型中进行分类,获得各个待检测图像子块的聚焦状态。本发明提供的方法检测精度高,检测速度快,避免了人工检测的主观依赖。
Description
技术领域
本发明涉及数字图像处理技术领域,尤其是一种全切片数字病理图像模糊区域检测方法及系统。
背景技术
近年来,随着病理学和计算机技术的快速发展,全切片数字病理图像广泛应用于临床诊断和病理学研究领域。此外,通过图像算法或机器学习方法对全切片数字病理图像进行处理和分析,对辅助病理医生快速诊断以及计算机自动诊断有很大的参考价值。
数字病理图像是通过数字病理切片扫描仪将病理切片转化为数字切片。数字病理切片扫描仪的核心功能是获取病理切片的数字图像,供病理医生进行阅片、存储、分析等。由于切片制作、显微扫描过程存在各种不确定因素,采集的数字图像通常存在局部不清晰/失焦情况。这减少了病理学家进行准确诊断可利用的病理切片的数量,进一步地,阻碍了计算机图像分析系统的性能。因此,快速有效的数字病理图像模糊区域检测方法对于数字病理的发展至关重要。
现有的全切片数字病理图像模糊区域检测方法是:采用目视检查的方法对数字图像进行模糊区域检测。由于数字图像太大,因此检测整个图像所需要花费的时间就会比较长,而且目视检查会导致主观评价,从而导致观察者内部和观察者之间的高变异性。
基于此,用现有方法检测全切片数字病理图像模糊区域,耗时长,准确率低,繁琐。因此,亟需一种能够代替人为评价,且能节约时间、可自动检测并分割出全切片数字病理图像模糊区域的方法。
发明内容
本发明提供一种全切片数字病理图像模糊区域检测方法及系统,用于克服现有技术中耗时长,准确率低,繁琐等缺陷。
为实现上述目的,本发明提出一种全切片数字病理图像模糊区域检测方法,包括:
获取全切片数字病理图像;所述全切片数字病理图像包括聚焦数字病理图像以及不同模糊程度的数字病理图像;
将所述全切片数字病理图像分割成互不重叠的固定像素大小的图像子块,随机抽取若干图像子块,形成训练集和验证集,并对所述训练集和验证集中的图像子块进行标记;
将所述训练集输入预先构建的深度学习模型中,对所述深度学习模型进行训练,以优化所述深度学习模型的超参数;
将所述验证集输入训练后的深度学习模型中,对训练后的深度学习模型进行验证;若验证通过,则进入下一步进行待检测全切片数字病理图像的检测;若验证不通过,则返回上一步重新进行模型训练;
对待检测全切片数字病理图像预处理,获得所述待检测全切片数字病理图像的特征图;将所述特征图分割成互不重叠的固定像素大小的若干待检测图像子块,分别输入训练好的深度学习模型中进行分类,获得各个待检测图像子块的聚焦状态。
为实现上述目的,本发明还提出一种全切片数字病理图像模糊区域检测系统,包括:
图像获取模块,用于获取全切片数字病理图像;所述全切片数字病理图像包括聚焦数字病理图像以及不同模糊程度的数字病理图像;
图像处理模块,用于将所述全切片数字病理图像分割成互不重叠的固定像素大小的图像子块,随机抽取若干图像子块,形成训练集和验证集,并对所述训练集和验证集中的图像子块进行标记;
模型训练模块,用于将所述训练集输入预先构建的深度学习模型中,对所述深度学习模型进行训练,以优化所述深度学习模型的超参数;将所述验证集输入训练后的深度学习模型中,对训练后的深度学习模型进行验证;若验证通过,则进入下一步进行待检测全切片数字病理图像的检测;若验证不通过,则返回上一步重新进行模型训练;
检测模块,用于对待检测全切片数字病理图像预处理,获得所述待检测全切片数字病理图像的特征图;将所述特征图分割成互不重叠的固定像素大小的若干待检测图像子块,分别输入训练好的深度学习模型中进行分类,获得各个待检测图像子块的聚焦状态。
为实现上述目的,本发明还提出一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述所述方法的步骤。
与现有技术相比,本发明的有益效果有:
本发明提供的全切片数字病理图像模糊区域检测方法采用深度学习模型对全切片数字病理图像模糊区域进行检测,在对深度学习模型进行训练时采用的训练集数量大且包含聚焦数字病理图像以及不同模糊程度的数字病理图像,且训练后还采用验证集对训练后的模型进行验证,从而使得本发明训练获得的深度学习模型检测精度高;由于全切片数字病理图像只是在部分视野区域失焦而导致部分区域模糊,因此本发明将全切片数字病理图像分割成互不重叠的固定像素大小的图像子块,分别判断每个图像子块的聚焦状态,使得获得的结果精确度高,同时可实现全切片数字病理图像模糊区域的自动检测并快速分割出全切片数字病理图像的模糊区域,相比现有目视检测带来的主观依赖性和耗时性,本发明提出的方法检测精度高,检测速度快,避免了人工检测的主观依赖,可有效辅助病理学专家进行全切片数字病理图像模糊区域的快速检测以及后续计算机图像分析系统进行分析。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明提供的全切片数字病理图像模糊区域检测方法流程图;
图2为本发明实施例中深度学习模型的结构图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,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作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。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明提出一种全切片数字病理图像模糊区域检测方法,如图1所示,包括:
101获取全切片数字病理图像;所述全切片数字病理图像包括聚焦数字病理图像以及不同模糊程度的数字病理图像;
聚焦数字病理图像即为清晰的数字病理图像;
不同模糊程度的数字病理图像,即为在非聚焦状态下采集的数字病理图像;
获取的全部全切片数字病理图像中包含不同聚焦状态下的数字病理图像,以增强训练集和验证集的全面性,从而提高训练获得的深度学习模型的检测精度。
102将所述全切片数字病理图像分割成互不重叠的固定像素大小的图像子块,随机抽取若干图像子块,形成训练集和验证集,并对所述训练集和验证集中的图像子块进行标记;
103将所述训练集输入预先构建的深度学习模型中,对所述深度学习模型进行训练,以优化所述深度学习模型的超参数;
超参数包括模型的内核大小、层数和学习率等等。
104将所述验证集输入训练后的深度学习模型中,对训练后的深度学习模型进行验证;若验证通过,则进入下一步进行待检测全切片数字病理图像的检测;若验证不通过,则返回上一步重新进行模型训练;
105对待检测全切片数字病理图像预处理,获得所述待检测全切片数字病理图像的特征图;将所述特征图分割成互不重叠的固定像素大小的若干待检测图像子块,分别输入训练好的深度学习模型中进行分类,获得各个待检测图像子块的聚焦状态。
为了避免细胞区域或组织区域以外的其他干扰区域(例如:切片外围的空白区域),以节省图像检测时间,需对待检测全切片数字病理图像预处理。
在其中一个实施例中,对于步骤101,获取全切片数字病理图像之前,还包括:
001获取若干病理切片;所述病理切片包括不同病人、不同染色机制的病理切片;
病理切片可以是细胞样本,也可以是组织切片。
002采集多张所述病理切片的全切片数字病理图像。
在某个实施例中,对于步骤002,采集多张所述病理切片的全切片数字病理图像,包括:
00201利用数字病理切片扫描仪扫描所述病理切片的中心区域,聚焦,采集所述病理切片的聚焦数字病理图像;
聚焦,包括手动选择若干个预聚焦点,然后微调所选预聚焦点的自聚焦值,以实现聚焦。
00202设置若干偏移值,根据所述偏移值扰动聚焦的焦点位置;
偏移值为将数字病理切片扫描仪的载物台相对聚焦点位置移动的距离值。
数字病理切片扫描仪的载物台是可以沿显微镜Z轴移动以调节聚焦的。本实施例中数字病理切片扫描仪的显微镜物镜的放大倍率可以是20X(即20倍),也可以是40X。
偏移值包括正值和负值,正值表示载物台向上移动,负值表示载物台向下移动。
00203在每个所述偏移值扰动后的聚焦点位置采集所述病理切片中心区域的模糊数字病理图像。
中心区域一般取边长为S的正方形区域,但不限于正方形区域,也可以是其他形状的区域。
偏移值的绝对值越大,则距离聚焦点越远,此时采集的数字病理图像越模糊。
在下一个实施例中,对于步骤00202,设置若干偏移值,包括:
根据所述病理切片中心区域的尺寸,设置若干偏移值Δ,所述偏移值
Δ∈{-3.5μm,-3μm,-2.5μm,-2μm,-1.5μm,-0.5μm,0.5μm,1.5μm,2μm,2.5μm}。
本实施例中,偏移值Δ有10个取值,每个偏移值Δ下采集一张全切片数字病理图像,则对于一个病理切片可采集到10张不同模糊程度的全切片数字病理图像和1张清晰的全切片数字病理图像。
在某个实施例中,对于步骤102,将所述全切片数字病理图像分割成互不重叠的固定像素大小的图像子块,随机抽取若干图像子块,形成训练集和验证集,并对所述训练集和验证集中的图像子块进行标记,包括:
201将所述聚焦数字病理图像分割成互不重叠的固定像素大小的图像子块,获得第一图像集;将所述不同模糊程度的数字病理图像分割成互不重叠的固定像素大小的图像子块,获得第二图像集;
若数字病理切片扫描仪显微镜物镜的放大倍率为20X,则图像子块的大小为300×300;
若数字病理切片扫描仪显微镜物镜的放大倍率为40X,则图像子块的大小为128×128。
202分别从所述第一图像集和所述第二图像集中随机抽取数量相同的若干图像子块,混合,形成样本集;
在训练模型时,正样本和负样本的数量要相当,以使模型的训练效果好。采集图像时,模糊图像远远大于清晰图像,若不分开进行抽取,则抽取的图像子块中模糊图像的概率就会很大,这样训练集中可能有很大一部分都是模糊图像,不利于模型的训练。
203从所述样本集中随机抽取8~15%的图像子块形成验证集,其余图像子块形成训练集;
204对所述训练集和所述验证集中的图像子块分别进行标记,具体为:
将焦点偏移值Δ在[-0.5μm,0.5μm]之间的图像子块标记为聚焦图像块,对应的标签为0;
将焦点偏移值Δ在[0.5μm,1.5μm]之间的图像子块标记为第一正模糊图像块,对应的标签为1;
将焦点偏移值Δ在[1.5μm,2.5μm]之间的图像子块标记为第二正模糊图像块,对应的标签为2;
将焦点偏移值Δ在[-1.5μm,-0.5μm]之间的图像子块标记为第一负模糊图像块,对应的标签为-1;
将焦点偏移值Δ在[-2.5μm,-1.5μm]之间的图像子块标记为第二负模糊图像块,对应的标签为-2;
将焦点偏移值Δ在[-3.5μm,-2.5μm]之间的图像子块标记为第三负模糊图像块,对应的标签为-3。
在下一个实施例中,在训练模型之前,需对训练集和验证集中的图像子块进行预处理,包括:
首先,将所述训练集和验证集中的各个图像子块的颜色强度值线性缩放至0~1之间;
然后,转换图像子块颜色强度值使其平均值为零。
在另一个实施例中,对于步骤103,将所述训练集输入预先构建的深度学习模型中,对所述深度学习模型进行训练,其中,所述深度学习模型为卷积神经网络模型,如图2所示,依次包括六个卷积层、两个全连接层和一个softmax分类层;
六个所述卷积层中的第三、第四、第五和第六个卷积层后面均设置有一个最大池化层;
两个所述全连接层后面分别设置有概率为0.7和0.5的dropout层。
本实施例中,深度学习模型的输入为128×128像素大小的图像子块,如果输入图像子块的大小不是128×128,模型会自动将其大小缩放至128×128。
本实施例中的深度学习模型,第一个卷积层(conv1)的卷积核尺寸为5×5,步长为1,后面五个卷积层(conv2、conv3、conv4、conv5、conv6)的卷积核尺寸为3×3,步长为1。最大池化层(maxpool)的卷积核尺寸为3×3,步长为2。
图2中标注的数字64、64、64、64、128、128、128、256、256、256分别为对应各层的特征图数量。
深度学习模型的最后一层是softmax分类层,采用交叉熵函数输出图像子块归属于各类别(聚焦图像块、第一正模糊图像块、第二正模糊图像块、第一负模糊图像块、第二负模糊图像块和第三负模糊图像块)的概率及所属类别的标签(0、1、2、-1、-2和-3)。
在下一个实施例中,对于步骤104,将所述验证集输入训练后的深度学习模型中,对训练后的深度学习模型进行验证;若验证通过,则进入下一步进行待检测全切片数字病理图像的检测;若验证不通过,则返回上一步重新进行模型训练,包括:
401将所述验证集中的图像子块输入训练后的深度学习模型中,将输出标签与图像子块的标记进行对比,获得训练后深度学习模型的精度;
如:验证集中有100个图像子块,有95个图像子块验证通过(即输出标签与真实标记对应),那么该深度学习模型的分类精度为95%。
验证训练好的模型的好坏,即模型分类精度的高低。如果分类精度过低,则需要更多的训练数据集,重新训练模型。
402若所述精度≥预先设定的精度阈值,则验证通过,进入步骤105;
403若所述精度<预先设定的精度阈值,则验证不通过,返回步骤103。
本实施例中采用的训练方式是:基于安装在Ubuntu16.0系统上的TensorFlow环境,采用随机梯度下降(SGD)和小批量块训练卷积神经网络模型。在训练过程中,设置初始学习率为0.1,然后当误差不下降后,将学习率降低为0.01,设置迭代次数为60×104。
模型某一层的输出特征图x可表示为x=g(wu+b),其中,w和b是模型训练时需要学习的参数,g(·)是一个激活函数,具体为g=max(0,wu+b),u是当前层的输入向量。
本实施例使用网格搜索和交叉验证对卷积神经网络模型的超参数(内核大小、层数和学习率等)进行优化。
在其中一个实施例中,对于步骤105,为了避免细胞区域或组织区域以外的其他干扰区域(例如:切片外围的空白区域),以节省图像检测时间,对待检测全切片数字病理图像预处理,包括:
501将所述待检测全切片数字病理图像缩放至放大倍率为1,得到原数字病理图像;
502设置像素阈值,并利用阈值分割方法提取原数字病理图像的细胞区域或组织区域;
503将所述细胞区域或组织区域映射到所述待检测全切片数字病理图像中,得到所述待检测全切片数字病理图像的特征图,具体为:
将所述细胞区域或组织区域缩放至所述待检测全切片数字病理图像的放大倍率(20X或者40X),即为所述待检测全切片数字病理图像的特征图。
所述特征图的大小与全切片数字病理图像的大小相同,是一个二值掩模图像,即背景用黑色填充,前景为细胞区域或组织区域。
本发明还提出一种全切片数字病理图像模糊区域检测系统,包括:
图像获取模块,用于获取全切片数字病理图像;所述全切片数字病理图像包括聚焦数字病理图像以及不同模糊程度的数字病理图像;
图像处理模块,用于将所述全切片数字病理图像分割成互不重叠的固定像素大小的图像子块,形成图像集;从所述图像集中随机抽取若干图像子块,分别形成训练集和验证集,并对所述训练集和验证集中的图像子块进行标记;
模型训练模块,用于将所述训练集输入预先构建的深度学习模型中,对所述深度学习模型进行训练,以优化所述深度学习模型的超参数;将所述验证集输入训练后的深度学习模型中,对训练后的深度学习模型进行验证;若验证通过,则进入下一步进行待检测全切片数字病理图像的检测;若验证不通过,则返回上一步重新进行模型训练;
检测模块,用于对待检测全切片数字病理图像预处理,获得所述待检测全切片数字病理图像的特征图;将所述特征图分割成互不重叠的固定像素大小的若干待检测图像子块,分别输入训练好的深度学习模型中进行分类,获得各个待检测图像子块的聚焦状态。
本发明还提出一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述所述方法的步骤。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (8)
1.一种全切片数字病理图像模糊区域检测方法,其特征在于,包括:
获取全切片数字病理图像;所述全切片数字病理图像包括聚焦数字病理图像以及不同模糊程度的数字病理图像;
将所述全切片数字病理图像分割成互不重叠的固定像素大小的图像子块,随机抽取若干图像子块,形成训练集和验证集,并对所述训练集和验证集中的图像子块进行标记;
将所述训练集输入预先构建的深度学习模型中,对所述深度学习模型进行训练,以优化所述深度学习模型的超参数;
将所述验证集输入训练后的深度学习模型中,对训练后的深度学习模型进行验证;若验证通过,则进入下一步进行待检测全切片数字病理图像的检测;若验证不通过,则返回上一步重新进行模型训练;
对待检测全切片数字病理图像预处理,获得所述待检测全切片数字病理图像的特征图;将所述特征图分割成互不重叠的固定像素大小的若干待检测图像子块,分别输入训练好的深度学习模型中进行分类,获得各个待检测图像子块的聚焦状态;
获取全切片数字病理图像之前,还包括:
获取若干病理切片;所述病理切片包括不同病人、不同染色机制的病理切片;
采集多张所述病理切片的全切片数字病理图像;
采集多张所述病理切片的全切片数字病理图像,包括:
利用数字病理切片扫描仪扫描所述病理切片的中心区域,聚焦,采集所述病理切片的聚焦数字病理图像;
设置若干偏移值,根据所述偏移值扰动聚焦的焦点位置;
在每个所述偏移值扰动后的聚焦点位置采集所述病理切片中心区域的模糊数字病理图像。
2.如权利要求1所述的全切片数字病理图像模糊区域检测方法,其特征在于,设置若干偏移值,包括:
根据所述病理切片中心区域的尺寸,设置若干偏移值Δ,所述偏移值
Δ∈{-3.5μm,-3μm,-2.5μm,-2μm,-1.5μm,-0.5μm,0.5μm,1.5μm,2μm,2.5μm}。
3.如权利要求2所述的全切片数字病理图像模糊区域检测方法,其特征在于,将所述全切片数字病理图像分割成互不重叠的固定像素大小的图像子块,随机抽取若干图像子块,形成训练集和验证集,并对所述训练集和验证集中的图像子块进行标记,包括:
将所述聚焦数字病理图像分割成互不重叠的固定像素大小的图像子块,获得第一图像集;将所述不同模糊程度的数字病理图像分割成互不重叠的固定像素大小的图像子块,获得第二图像集;
分别从所述第一图像集和所述第二图像集中随机抽取数量相同的若干图像子块,混合,形成样本集;
从所述样本集中随机抽取8~15%的图像子块形成验证集,其余图像子块形成训练集;
对所述训练集和所述验证集中的图像子块分别进行标记。
4.如权利要求1所述的全切片数字病理图像模糊区域检测方法,其特征在于,将所述训练集输入预先构建的深度学习模型中,对所述深度学习模型进行训练,其中,所述深度学习模型为卷积神经网络模型,依次包括六个卷积层、两个全连接层和一个softmax分类层;
六个所述卷积层中的第三、第四、第五和第六个卷积层后面均设置有一个最大池化层;
两个所述全连接层后面分别设置有概率为0.7和0.5的dropout层。
5.如权利要求1所述的全切片数字病理图像模糊区域检测方法,其特征在于,将所述验证集输入训练后的深度学习模型中,对训练后的深度学习模型进行验证;若验证通过,则进入下一步进行待检测全切片数字病理图像的检测;若验证不通过,则返回上一步重新进行模型训练,包括:
将所述验证集中的图像子块输入训练后的深度学习模型中,将输出标签与图像子块的标记进行对比,获得训练后深度学习模型的精度;
若所述精度≥预先设定的精度阈值,则验证通过,进入下一步进行待检测全切片数字病理图像的检测;
若所述精度<预先设定的精度阈值,则验证不通过,返回上一步重新进行模型训练。
6.如权利要求1所述的全切片数字病理图像模糊区域检测方法,其特征在于,对待检测全切片数字病理图像预处理,包括:
将所述待检测全切片数字病理图像缩放至放大倍率为1,得到原数字病理图像;
设置像素阈值,并利用阈值分割方法提取原数字病理图像的细胞区域或组织区域;
将所述细胞区域或组织区域映射到所述待检测全切片数字病理图像中,得到所述待检测全切片数字病理图像的特征图。
7.一种全切片数字病理图像模糊区域检测系统,其特征在于,包括:
图像获取模块,用于获取全切片数字病理图像;所述全切片数字病理图像包括聚焦数字病理图像以及不同模糊程度的数字病理图像;
图像处理模块,用于将所述全切片数字病理图像分割成互不重叠的固定像素大小的图像子块,随机抽取若干图像子块,形成训练集和验证集,并对所述训练集和验证集中的图像子块进行标记;
模型训练模块,用于将所述训练集输入预先构建的深度学习模型中,对所述深度学习模型进行训练,以优化所述深度学习模型的超参数;将所述验证集输入训练后的深度学习模型中,对训练后的深度学习模型进行验证;若验证通过,则进入下一步进行待检测全切片数字病理图像的检测;若验证不通过,则返回上一步重新进行模型训练;
检测模块,用于对待检测全切片数字病理图像预处理,获得所述待检测全切片数字病理图像的特征图;将所述特征图分割成互不重叠的固定像素大小的若干待检测图像子块,分别输入训练好的深度学习模型中进行分类,获得各个待检测图像子块的聚焦状态;
图像获取模块还用于获取若干病理切片;所述病理切片包括不同病人、不同染色机制的病理切片;采集多张所述病理切片的全切片数字病理图像;
图像获取模块还用于利用数字病理切片扫描仪扫描所述病理切片的中心区域,聚焦,采集所述病理切片的聚焦数字病理图像;设置若干偏移值,根据所述偏移值扰动聚焦的焦点位置;在每个所述偏移值扰动后的聚焦点位置采集所述病理切片中心区域的模糊数字病理图像。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010242241.2A CN111462076B (zh) | 2020-03-31 | 2020-03-31 | 一种全切片数字病理图像模糊区域检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010242241.2A CN111462076B (zh) | 2020-03-31 | 2020-03-31 | 一种全切片数字病理图像模糊区域检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462076A CN111462076A (zh) | 2020-07-28 |
CN111462076B true CN111462076B (zh) | 2023-05-16 |
Family
ID=71685073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010242241.2A Active CN111462076B (zh) | 2020-03-31 | 2020-03-31 | 一种全切片数字病理图像模糊区域检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462076B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111083365B (zh) * | 2019-12-24 | 2021-01-15 | 陈根生 | 一种最佳焦平面位置快速检测方法及装置 |
CN111709976B (zh) * | 2020-08-24 | 2020-11-06 | 湖南国科智瞳科技有限公司 | 一种显微图像的快速配准方法、系统及计算机设备 |
CN112102332A (zh) * | 2020-08-30 | 2020-12-18 | 复旦大学 | 基于局部分类神经网络的癌症wsi的分割方法 |
CN112200793B (zh) * | 2020-10-21 | 2022-06-14 | 湖南国科智瞳科技有限公司 | 数字病理切片质量的实时监控方法及系统、计算机设备 |
CN112435243A (zh) * | 2020-11-26 | 2021-03-02 | 山东第一医科大学附属省立医院(山东省立医院) | 一种全切片数字病理图像的自动分析系统及方法 |
CN113962975B (zh) * | 2021-01-20 | 2022-09-13 | 赛维森(广州)医疗科技服务有限公司 | 基于梯度信息对病理玻片数字图像进行质量评估的系统 |
CN113066024B (zh) * | 2021-03-19 | 2023-03-10 | 北京达佳互联信息技术有限公司 | 图像模糊检测模型的训练方法、图像模糊检测方法及装置 |
CN113409293A (zh) * | 2021-06-30 | 2021-09-17 | 上海市第一人民医院 | 一种基于深度学习的病理学图像自动分割系统 |
CN113592842A (zh) * | 2021-08-09 | 2021-11-02 | 南方医科大学南方医院 | 一种基于深度学习的样本血清质量识别方法及识别设备 |
CN116580011A (zh) * | 2023-05-19 | 2023-08-11 | 北京透彻未来科技有限公司 | 一种深度学习模型的子宫内膜癌全幻灯片图像检测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105659579A (zh) * | 2013-12-27 | 2016-06-08 | 华为终端有限公司 | 一种摄像显示方法及摄像显示装置 |
CN107525768A (zh) * | 2017-08-17 | 2017-12-29 | 黑龙江然得基尔医学科技发展有限公司 | 一种dna倍体分析设备的质量控制方法 |
CN110312957A (zh) * | 2017-02-14 | 2019-10-08 | 佳能株式会社 | 焦点检测设备、焦点检测方法和焦点检测程序 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2015202282A1 (en) * | 2015-05-01 | 2016-11-17 | Canon Kabushiki Kaisha | Camera parameter optimisation for depth from defocus |
US10706328B2 (en) * | 2018-05-07 | 2020-07-07 | Google Llc | Focus-weighted, machine learning disease classifier error prediction for microscope slide images |
CN109191457B (zh) * | 2018-09-21 | 2022-07-01 | 中国人民解放军总医院 | 一种病理图像质量有效性识别方法 |
CN109376777A (zh) * | 2018-10-18 | 2019-02-22 | 四川木牛流马智能科技有限公司 | 基于深度学习的宫颈癌组织病理学图像分析方法及设备 |
CN109410194B (zh) * | 2018-10-19 | 2022-03-29 | 山东省计算中心(国家超级计算济南中心) | 一种基于深度学习的食管癌病理图像处理方法 |
CN114051091B (zh) * | 2018-11-20 | 2024-03-19 | 中山市远尚光电科技有限公司 | 一种基于自动测距的长焦镜头实现自动对焦的装置 |
-
2020
- 2020-03-31 CN CN202010242241.2A patent/CN111462076B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105659579A (zh) * | 2013-12-27 | 2016-06-08 | 华为终端有限公司 | 一种摄像显示方法及摄像显示装置 |
CN110312957A (zh) * | 2017-02-14 | 2019-10-08 | 佳能株式会社 | 焦点检测设备、焦点检测方法和焦点检测程序 |
CN107525768A (zh) * | 2017-08-17 | 2017-12-29 | 黑龙江然得基尔医学科技发展有限公司 | 一种dna倍体分析设备的质量控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111462076A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462076B (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
CN111462075B (zh) | 一种全切片数字病理图像模糊区域的快速重聚焦方法及系统 | |
CN108447062B (zh) | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 | |
CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
CN111046880A (zh) | 一种红外目标图像分割方法、系统、电子设备及存储介质 | |
CN112102229A (zh) | 一种基于深度学习的工业ct检测缺陷的智能识别方法 | |
CN112200793B (zh) | 数字病理切片质量的实时监控方法及系统、计算机设备 | |
CN106340016A (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
CN111179273A (zh) | 一种基于深度学习的白细胞核质自动分割方法及系统 | |
CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及系统 | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
CN114331869B (zh) | 一种坝面裂缝语义分割方法 | |
CN114749342A (zh) | 一种锂电池极片涂布缺陷识别方法、装置及介质 | |
CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
CN111476794A (zh) | 一种基于unet的宫颈病理组织分割方法 | |
CN115661459A (zh) | 一种使用差异信息的2D mean teacher模型 | |
CN115909006A (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
CN108664970A (zh) | 一种快速目标检测方法、电子设备、存储介质及系统 | |
CN114972202A (zh) | 一种基于轻量级的神经网络的Ki67病理细胞快速检测计数方法 | |
CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
CN114897823B (zh) | 一种细胞学样本图像质量控制方法、系统及存储介质 | |
CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
CN111476129A (zh) | 一种基于深度学习的土壤杂质检测方法 |
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 |