CN111784711A - 一种基于深度学习的肺部病理图像分类与分割方法 - Google Patents
一种基于深度学习的肺部病理图像分类与分割方法 Download PDFInfo
- Publication number
- CN111784711A CN111784711A CN202010651956.3A CN202010651956A CN111784711A CN 111784711 A CN111784711 A CN 111784711A CN 202010651956 A CN202010651956 A CN 202010651956A CN 111784711 A CN111784711 A CN 111784711A
- Authority
- CN
- China
- Prior art keywords
- focus
- lung
- lesion
- foreground image
- image
- 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.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 42
- 210000004072 lung Anatomy 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title claims description 27
- 230000007170 pathology Effects 0.000 title claims description 22
- 230000003902 lesion Effects 0.000 claims abstract description 98
- 230000001575 pathological effect Effects 0.000 claims abstract description 43
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 claims description 10
- 201000009030 Carcinoma Diseases 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 201000005249 lung adenocarcinoma Diseases 0.000 claims description 8
- 210000005265 lung cell Anatomy 0.000 claims description 8
- 201000009546 lung large cell carcinoma Diseases 0.000 claims description 8
- 208000000587 small cell lung carcinoma Diseases 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 201000001142 lung small cell carcinoma Diseases 0.000 claims description 6
- 230000008719 thickening Effects 0.000 claims description 6
- 206010058467 Lung neoplasm malignant Diseases 0.000 claims description 5
- 201000005243 lung squamous cell carcinoma Diseases 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 201000005296 lung carcinoma Diseases 0.000 claims description 3
- 206010041823 squamous cell carcinoma Diseases 0.000 claims description 3
- 201000005202 lung cancer Diseases 0.000 claims description 2
- 208000020816 lung neoplasm Diseases 0.000 claims description 2
- 238000010191 image analysis Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/20—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
- G06T2207/30061—Lung
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及医学影像分析技术领域,具体涉及一种用于肺部病理图像分类与分割的方法。具体方法为:输入全切片的病理图像;使用滑动窗口对病理图像进行切分获得图像块;使用病灶类型分类模型依次对前景图像块进行分析,识别前景图像块内组织区域的病灶类型;输出病灶类型分类结果;将前景图像块病灶区域分割结果依照对应前景图像块在病理图像中的相对位置进行拼接,背景图像块区域填充背景,可得病理图像病灶区域分割结果。本发明实现了在对肺部病理图像进行准确病灶类型识别的同时分割出病灶区域的具体边界。
Description
技术领域
本发明涉及医学影像分析技术领域,具体涉及一种基于深度学习的肺部病理图像分类与分割方法。
背景技术
肺癌是发病率和死亡率增长最快,对人群健康和生命威胁最大的恶性肿瘤之一。肿瘤细胞和组织在显微镜下观察表现出一定的异于正常细胞和组织的结构特征,也叫病理组织学特征。从病理学图像中准确地分割病灶区域是一项十分耗时的工作。
近几年来,随着深度学习技术的发展,基于深度学习的医学影像分析成为一个热门的研究方向。病理图像包含了丰富的病灶信息,有大量关于病理图像的研究工作。已知的图像分类技术,是通过提取细胞区域间的特征关系对病灶类型进行识别。但是通过这种方法得出的辅助分类结果较为粗粒度,无法提供相应病灶所在区域等更为细粒度的信息。另一种方法是把病理图像分类问题转换为语义分割问题,对病理图像进行像素级分类得到病灶区域分割结果。但是这种方法需要将病理图像切割成无缝隙的图像块再逐个进行分析,使得最后的病灶区域分割结果无法综合全局的语义信息耦合细胞间关系。
针对上述问题,本发明实现一种面向肺部病理图像的分类与分割方法。
发明内容
(一)解决的技术问题
针对现有肺部病理图像的分类与分割的缺陷,本发明提出了一种基于深度学习的肺部病理图像分类与分割方法。该方法将图像分类与语义分割进行结合,使用分类模型识别图像块的病灶类型,最后综合所有图像块的分类结果,通过病灶类型分类结果选择对应的病灶分割模型进行病灶区域分割。
(二)技术方案
本发明公开了一种基于深度学习的数字病理图像的分类与分割方法,主要包括以下步骤:
一种基于深度学习的肺部病理图像分类与分割方法,其特征在于包括以下步骤:
步骤S1:输入全切片的病理图像;
步骤S2:使用滑动窗口对病理图像进行切分获得图像块;
步骤S3:使用病灶类型分类模型依次对前景图像块进行分析,识别前景图像块内组织区域的病灶类型;
步骤S4:输出病灶类型分类结果;
步骤S5:根据病灶类型分类结果选择对应的病灶区域分割模型;
步骤S6:使用病灶区域分割模型依次对前景图像块内的病灶区域进行分割,得到病灶区域分割结果;
步骤S7:输出病灶区域分割结果。
所述步骤S2包括:利用滑动窗口将病理学图像切分为尺寸相同的图像块,通过图像块筛选算法保留含有组织区域的前景图像块,过滤背景图像块;
所述图像块筛选算法步骤包括:计算每张图像块的灰度二值图像,使用 Canny边缘轮廓检测算法提取出图像块的边缘轮廓,计算图像块中属于边缘轮廓的像素区域数量,将数量占比大于等于0.01%的图像块分类为目标图像块,小于0.01%的图像块为背景图像块,大于0.01%的图像块为前景图像块。
所述步骤S3,利用病灶类型分类模型对前景图像块中的病灶类型进行分类,得到前景图像块的病灶类型识别结果;
所述步骤S3中病灶类型分类模型包含5层;图像块输入到模型,首先是第一层,第一层包含卷积层、浓稠深度可分离模块和池化层;第二层包括卷积层、浓稠深度可分离模块和池化层;第三层包括卷积层、浓稠深度可分离模块;第四层包括全链接层、激活层和Dropout层;第五层是输出层,利用Softmax分类器输出结果;
所述步骤S3中,病灶类型分类模型的参数通过对病灶类型识别数据集进行深度学习训练得到;
病灶类型识别数据集的制作步骤为:提取部分的肺部病理图像作为训练数据集,使用滑动窗口切分与图像块筛选算法得到前景图像块,通过对所有前景图像块依次标记病灶类型,得到带有病灶类型标记的前景图像块,建立病灶类型识别数据集;
标记前景图像块的病灶类型有5类,将肺部病理图像中的病灶类型分为5 类,病灶类型分别为:(a)正常、(b)肺鳞癌、(c)肺腺癌、(d)肺大细胞癌、 (e)肺小细胞癌;
所述步骤S4中,输出病灶类型分类结果的步骤包括:判断预测的病灶类型中正常的前景图像块在前景图像块中的占比,如果占比超过95%,则病灶类型分类结果为正常。如果占比小于95%,统计前景图像块的预测病灶类型中肺鳞癌、肺腺癌、肺大细胞癌、肺小细胞癌四种病灶的数量。若该四种病灶中数量最多的病灶与四种病灶中数量的总和比值超过80%,则病灶类型分类结果为该种病灶,若不满足则病灶类型分类结果为正常。
所述步骤S5中,病灶区域分割模型采用编码-解码(encoding-decoding) 结构对前景图像块进行病灶区域分割,其中解码过程对前景图像块进行特征抽取,解码过程将特征信息进行逐层恢复与像素分类,得到前景图像块病灶区域分割结果;
所述步骤S5中,针对肺鳞癌、肺腺癌、肺大细胞癌、肺小细胞癌4中病灶分别对应的训练了病灶区域分割模型,若病灶类型分类结果为四种病灶中其中一种,选择对应的病灶区域分割模型对病灶区域进行分割;
所述步骤S5中,病灶区域分割模型的参数通过对病灶区域分割数据集进行深度学习训练得到;
病灶区域分割数据集的制作步骤为:提取部分的肺部病理图像作为训练数据集,使用滑动窗口切分与图像块筛选算法得到前景图像块,通过对所有前景图像块依次标记病灶区域,得到带有病灶区域标记的前景图像块,建立病灶区域分割数据集;
病灶区域分割数据集中标记前景图像块的病灶区域类型有5类,将肺部病理图像中的病灶区域分为5类,病灶类型分别为:(a)正常、(b)肺鳞癌、 (c)肺腺癌、(d)肺大细胞癌、(e)肺小细胞癌,分别整理得到4个对应的病灶区域分割数据集;
所述步骤S6中,利用病灶区域分割模型对前景图像块中的病灶区域进行分割,得到前景图像块的病灶区域分割结果;
所述步骤S7中,输出病灶区域分割结果步骤包括:将前景图像块的病灶区域分割结果按照前景图像块在病理图像上的相对位置进行拼接,背景图像块区域填充背景区域,可得与病理图像尺寸相同的病灶区域分割结果。
(三)有益效果
本发明提供了一种全封闭碳纤维碟轮,具备以下有益效果:
1.本发明提出一种基于深度学习的肺部病理图像分类与分割方法,在对肺部病理图像进行病灶类型识别的同时,分割出病灶区域的具体边界。
2.本发明根据病灶类型识别结果选择对应的病灶区域分割模型分割出病灶区域的具体边界,解决了病灶类型识别结果与病灶区域分割结果不统一的问题。
附图说明
图1为图像的分类与分割方法的流程图;
图2为滑动窗口切分及过滤背景图像块流程示意图;
图3为前景图像块病灶类型分类流程图;
图4为病灶类型及病灶区域分割模型选择流程图;
图5为前景图像块病灶区域分割流程图;
图6为病灶区域分割结果拼接流程图;
图7为具体实施例的分析示例图;
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,本发明提供的一种基于深度学习的肺部病理图像分类与分割方法,包括如下步骤:
步骤S1:输入全切片的病理图像;
步骤S2:使用滑动窗口对病理图像进行切分获得图像块;
步骤S3:使用病灶类型分类模型依次对前景图像块进行分析,识别前景图像块内组织区域的病灶类型;
步骤S4:输出病灶类型分类结果;
步骤S5:根据病灶类型分类结果选择对应的病灶区域分割模型;
步骤S6:使用病灶区域分割模型依次对前景图像块内的病灶区域进行分割,得到病灶区域分割结果;
步骤S7:输出病灶区域分割结果。
所述步骤S2包括:利用滑动窗口将病理学图像切分为尺寸相同的图像块,通过图像块筛选算法保留含有组织区域的前景图像块,过滤背景图像块;
所述图像块筛选算法步骤包括:计算每张图像块的灰度二值图像,使用 Canny边缘轮廓检测算法提取出图像块的边缘轮廓,计算图像块中属于边缘轮廓的像素区域数量,将数量占比大于等于0.01%的图像块分类为目标图像块,小于0.01%的图像块为背景图像块,大于0.01%的图像块为前景图像块。如图 2所示为滑动窗口切分及过滤背景图像块流程示意图。
通过过滤背景图像块的方法可以减少计算时间,避免系统在背景区域进行过多运算浪费计算资源。并且可以有效降低背景区域带来的噪声扰动,提高准确率。图2中蓝色区域为过滤的背景图像块,其他区域为前景图像块,进入下一步的分析。
所述步骤S3,利用病灶类型分类模型对前景图像块中的病灶类型进行分类,得到前景图像块的病灶类型识别结果。
所述步骤S3中病灶类型分类模型包含5层;图像块输入到模型,首先是第一层,第一层包含卷积层、浓稠深度可分离模块和池化层;第二层包括卷积层、浓稠深度可分离模块和池化层;第三层包括卷积层、浓稠深度可分离模块;第四层包括全链接层、激活层和Dropout层;第五层是输出层,利用 Softmax分类器输出结果。如图3所示为前景图像块病灶类型分类流程示意图。
前景图像块输入模型后依次经过第一至第三层进行特征抽取,第四层进行特征转换,将原有特征信息进行压缩,第五层通过特征信息进行分类,得出前景图像块的病灶类型分类结果。
其中特征抽取过程中,卷积层与浓稠深度可分离模块对图像块中的语义特征进行局部感知,在对图像块全局扫描的过程起到了对深层语义中关键特征的提取。浓稠深度可分离模块在普通卷积的基础上进行了改进,借鉴浓稠连接的思想在卷积层之间形成浓稠的跳跃连接,加强了特征传播。使得浅层网络也可以达到深层网络的特征提取能力。采用深度可分离卷积替代普通卷积,可以在保留相同卷积的特征提取能力的同时,降低模型的参数量。池化层对数据进行压缩,降低数据维度。可以一定程度提高模型的感受野以及降低模型优化难度。
所述步骤S3中,病灶类型分类模型的参数通过对病灶类型识别数据集进行深度学习训练得到;
病灶类型识别数据集的制作步骤为:提取部分的肺部病理图像作为训练数据集,使用滑动窗口切分与图像块筛选算法得到前景图像块,通过对所有前景图像块依次标记病灶类型,得到带有病灶类型标记的前景图像块,建立病灶类型识别数据集;
标记前景图像块的病灶类型有5类,将肺部病理图像中的病灶类型分为5 类,病灶类型分别为:(a)正常、(b)肺鳞癌、(c)肺腺癌、(d)肺大细胞癌、 (e)肺小细胞癌;
所述步骤S4中,输出病灶类型分类结果的步骤包括:判断预测的病灶类型中正常的前景图像块在前景图像块中的占比,如果占比超过95%,则病灶类型分类结果为正常。如果占比小于95%,统计前景图像块的预测病灶类型中肺鳞癌、肺腺癌、肺大细胞癌、肺小细胞癌四种病灶的数量。若该四种病灶中数量最多的病灶与四种病灶中数量的总和比值超过80%,则病灶类型分类结果为该种病灶,若不满足则病灶类型分类结果为正常。如图4所示为病灶类型及病灶区域分割模型选择流程示意图。
通过图4中的步骤,综合前景图像块病灶类型分类结果得出病理图像病灶类型分类结果,例如当前景图像块病灶类型分类结果中,结果为正常的数量占比小于95%,则计算四种病灶中数量最多的病灶与四种病灶数量总和之间的比值是否超过85%,若超过则病理图像病灶类型分类结果为该病灶,且选择对应的病灶区域分割模型进行病灶区域分割。
所述步骤S5中,病灶区域分割模型采用编码-解码(encoding-decoding) 结构对前景图像块进行病灶区域分割,其中解码过程对前景图像块进行特征抽取,解码过程将特征信息进行逐层恢复与像素分类,得到前景图像块病灶区域分割结果;
所述步骤S5中,针对肺鳞癌、肺腺癌、肺大细胞癌、肺小细胞癌4中病灶分别对应的训练了病灶区域分割模型,若病灶类型分类结果为四种病灶中其中一种,选择对应的病灶区域分割模型对病灶区域进行分割;
所述步骤S5中,病灶区域分割模型的参数通过对病灶区域分割数据集进行深度学习训练得到;
病灶区域分割数据集的制作步骤为:提取部分的肺部病理图像作为训练数据集,使用滑动窗口切分与图像块筛选算法得到前景图像块,通过对所有前景图像块依次标记病灶区域,得到带有病灶区域标记的前景图像块,建立病灶区域分割数据集;
病灶区域分割数据集中标记前景图像块的病灶区域类型有5类,将肺部病理图像中的病灶区域分为5类,病灶类型分别为:(a)正常、(b)肺鳞癌、 (c)肺腺癌、(d)肺大细胞癌、(e)肺小细胞癌,分别整理得到4个对应的病灶区域分割数据集;
所述步骤S6中,利用病灶区域分割模型对前景图像块中的病灶区域进行分割,得到前景图像块的病灶区域分割结果。如图5所示为前景图像块病灶区域分割流程示意图。
所述步骤S7中,输出病灶区域分割结果步骤包括:将前景图像块的病灶区域分割结果按照前景图像块在病理图像上的相对位置进行拼接,背景图像块区域填充背景区域,可得与病理图像尺寸相同的病灶区域分割结果,如图6 所示为病灶区域分割结果拼接流程示意图。
图7展示了三个本发明一种基于深度学习的肺部病理图像分类与分割方法的分析示例,通过输入肺部病理图像,分析出病灶类型分类结果与病灶区域分割结果。
尽管已经示出和描述了本发明实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (16)
1.一种基于深度学习的肺部病理图像分类与分割方法,其特征在于包括以下步骤:
步骤S1:输入肺部病理图像;
步骤S2:使用滑动窗口对病理图像进行切分获得图像块;
步骤S3:使用病灶类型分类模型依次对前景图像块进行分析,识别前景图像块内组织区域的病灶类型;
步骤S4:输出病灶类型结果;
步骤S5:根据病灶类型结果选择对应的病灶区域分割模型;
步骤S6:使用病灶区域分割模型依次对前景图像块内的病灶区域进行分割,得到病灶区域分割结果;
步骤S7:输出病灶区域分割结果。
2.根据权利要求1所述的一种基于深度学习的肺部病理图像的分类与分割方法,其特征在于,步骤S2包括:利用滑动窗口将病理学图像切分为尺寸相同的图像块,通过图像块筛选算法保留含有组织区域的前景图像块,过滤背景图像块。
3.根据权利要求2所述的图像块筛选算法,其特征在于,步骤包括:计算每张图像块的灰度二值图像,使用Canny边缘轮廓检测算法提取出图像块的边缘轮廓,计算图像块中属于边缘轮廓的像素区域数量,将数量占比大于等于0.01%的图像块分类为目标图像块,小于0.01%的图像块为背景图像块,大于0.01%的图像块为前景图像块。
4.根据权利要求1所述的一种基于深度学习的肺部病理图像的分类与分割方法,其特征在于S3中,利用病灶类型分类模型对前景图像块中的病灶类型进行分类,得到前景图像块的病灶类型识别结果。
5.根据权利要求1所述的一种基于深度学习的肺部病理图像的分类与分割方法,其特征在于S3中,所述病灶类型分类模型包含5层;
图像块输入到模型,首先是第一层,第一层包含卷积层、浓稠深度可分离模块和池化层;第二层包括卷积层、浓稠深度可分离模块和池化层;第三层包括卷积层、浓稠深度可分离模块;第四层包括全连接层、激活层和Dropout层;第五层是输出层,利用Softmax分类器输出结果。
6.根据权利要求1所述的一种基于深度学习的肺部病理图像的分类与分割方法,其特征在于S3中,所述病灶类型分类模型的参数通过对病灶类型识别数据集进行深度学习训练得到。
7.根据权利要求6所述的病灶类型识别数据集,其特征在于,病灶类型识别数据集的制作步骤为:提取部分的肺部病理图像作为训练数据集,使用滑动窗口切分与图像块筛选算法得到前景图像块,通过对所有前景图像块依次标记病灶类型,得到带有病灶类型标记的前景图像块,建立病灶类型识别数据集。
8.根据权利要求5所述的病灶类型识别数据集,其特征在于,所述标记前景图像块的病灶类型有5类,将肺部病理图像中的病灶类型分为5类,病灶类型分别为:(a)正常、(b)肺鳞癌、(c)肺腺癌、(d)肺大细胞癌、(e)肺小细胞癌。
9.根据权利要求1所述的一种基于深度学习的肺部病理图像的分类与分割方法,其特征在于S4中,输出病灶类型结果的步骤包括:判断预测的病灶类型中正常的前景图像块在前景图像块中的占比,如果占比超过95%,则病灶类型结果为正常。如果占比小于95%,统计前景图像块的预测病灶类型中肺鳞癌、肺腺癌、肺大细胞癌、肺小细胞癌四种病灶的数量。若该四种病灶中数量最多的病灶与四种病灶数量的总和比值超过80%,则病灶类型结果为该种病灶,若不满足则病灶类型结果为正常。
10.根据权利要求1所述的一种基于深度学习的肺部病理图像的分类与分割方法,其特征在于S5中,所述病灶区域分割模型采用编码-解码(encoding-decoding)结构对前景图像块进行病灶区域分割,其中解码过程对前景图像块进行特征抽取,解码过程将特征信息进行逐层恢复与像素分类,得到前景图像块病灶区域分割结果。
11.根据权利要求1所述的一种基于深度学习的肺部病理图像的分类与分割方法,其特征在于S5中,针对肺鳞癌、肺腺癌、肺大细胞癌、肺小细胞癌4中病灶分别训练了对应的病灶区域分割模型,若病灶类型结果为四种病灶中其中一种,选择对应的病灶区域分割模型对病灶区域进行分割。
12.根据权利要求1所述的一种基于深度学习的肺部病理图像的分类与分割方法,其特征在于S5中,所述病灶区域分割模型的参数通过对病灶区域分割数据集进行深度学习训练得到。
13.根据权利要求12所述的病灶区域分割数据集,其特征在于,病灶区域分割数据集的制作步骤为:提取部分的肺部病理图像作为训练数据集,使用滑动窗口切分与图像块筛选算法得到前景图像块,通过对所有前景图像块依次标记病灶区域,得到带有病灶区域标记的前景图像块,建立病灶区域分割数据集。
14.根据权利要求12所述的病灶区域分割数据集,其特征在于,所述标记前景图像块的病灶区域有4类,将肺部病理图像中的病灶区域分为5类,病灶类型分别为:(a)正常、(b)肺鳞癌、(c)肺腺癌、(d)肺大细胞癌、(e)肺小细胞癌,分别整理得到4个对应的病灶区域分割数据集。
15.根据权利要求1所述的一种基于深度学习的肺部病理图像的分类与分割方法,其特征在于S6中,利用病灶区域分割模型对前景图像块中的病灶区域进行分割,得到前景图像块的病灶区域分割结果。
16.根据权利要求1所述的一种基于深度学习的肺部病理图像的分类与分割方法,其特征在于S7中,输出病灶区域分割结果步骤包括:将前景图像块的病灶区域分割结果按照前景图像块在病理图像上的相对位置进行拼接,背景图像块区域填充背景区域,可得与病理图像尺寸相同的病灶区域分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010651956.3A CN111784711A (zh) | 2020-07-08 | 2020-07-08 | 一种基于深度学习的肺部病理图像分类与分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010651956.3A CN111784711A (zh) | 2020-07-08 | 2020-07-08 | 一种基于深度学习的肺部病理图像分类与分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784711A true CN111784711A (zh) | 2020-10-16 |
Family
ID=72759261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010651956.3A Pending CN111784711A (zh) | 2020-07-08 | 2020-07-08 | 一种基于深度学习的肺部病理图像分类与分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784711A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113177955A (zh) * | 2021-05-10 | 2021-07-27 | 电子科技大学成都学院 | 一种基于改进图像分割算法的肺癌影像病变区域划分方法 |
CN114004854A (zh) * | 2021-09-16 | 2022-02-01 | 清华大学 | 一种显微镜下的切片图像实时处理显示系统和方法 |
CN114511547A (zh) * | 2022-02-15 | 2022-05-17 | 平安国际智慧城市科技股份有限公司 | 病理切片图像质控方法、装置、设备及存储介质 |
WO2022267379A1 (zh) * | 2021-06-22 | 2022-12-29 | 上海杏脉信息科技有限公司 | 一种病理图像处理及显示系统、客户端、服务端及介质 |
CN116580133A (zh) * | 2023-07-14 | 2023-08-11 | 北京大学 | 图像合成方法、装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013042889A1 (ko) * | 2011-09-21 | 2013-03-28 | 주식회사 인피니트헬스케어 | 의료영상에서의 세그멘테이션 방법 및 그 장치 |
CN107665492A (zh) * | 2017-06-29 | 2018-02-06 | 南京信息工程大学 | 基于深度网络的结直肠全景数字病理图像组织分割方法 |
CN111091527A (zh) * | 2018-10-24 | 2020-05-01 | 华中科技大学 | 一种病理组织切片图像中病变区域自动检测方法及系统 |
CN111369565A (zh) * | 2020-03-09 | 2020-07-03 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于图卷积网络的数字病理图像的分割与分类方法 |
-
2020
- 2020-07-08 CN CN202010651956.3A patent/CN111784711A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013042889A1 (ko) * | 2011-09-21 | 2013-03-28 | 주식회사 인피니트헬스케어 | 의료영상에서의 세그멘테이션 방법 및 그 장치 |
CN107665492A (zh) * | 2017-06-29 | 2018-02-06 | 南京信息工程大学 | 基于深度网络的结直肠全景数字病理图像组织分割方法 |
CN111091527A (zh) * | 2018-10-24 | 2020-05-01 | 华中科技大学 | 一种病理组织切片图像中病变区域自动检测方法及系统 |
CN111369565A (zh) * | 2020-03-09 | 2020-07-03 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于图卷积网络的数字病理图像的分割与分类方法 |
Non-Patent Citations (1)
Title |
---|
蔡程飞;徐军;梁莉;魏建华;周洋枢;: "基于深度卷积网络的结直肠全扫描病理图像的多种组织分割", 中国生物医学工程学报, no. 05, 20 October 2017 (2017-10-20) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113177955A (zh) * | 2021-05-10 | 2021-07-27 | 电子科技大学成都学院 | 一种基于改进图像分割算法的肺癌影像病变区域划分方法 |
WO2022267379A1 (zh) * | 2021-06-22 | 2022-12-29 | 上海杏脉信息科技有限公司 | 一种病理图像处理及显示系统、客户端、服务端及介质 |
CN114004854A (zh) * | 2021-09-16 | 2022-02-01 | 清华大学 | 一种显微镜下的切片图像实时处理显示系统和方法 |
CN114004854B (zh) * | 2021-09-16 | 2024-06-07 | 清华大学 | 一种显微镜下的切片图像实时处理显示系统和方法 |
CN114511547A (zh) * | 2022-02-15 | 2022-05-17 | 平安国际智慧城市科技股份有限公司 | 病理切片图像质控方法、装置、设备及存储介质 |
CN116580133A (zh) * | 2023-07-14 | 2023-08-11 | 北京大学 | 图像合成方法、装置、电子设备和存储介质 |
CN116580133B (zh) * | 2023-07-14 | 2023-09-22 | 北京大学 | 图像合成方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784711A (zh) | 一种基于深度学习的肺部病理图像分类与分割方法 | |
CN109034208B (zh) | 一种高低分辨率组合的宫颈细胞切片图像分类系统 | |
CN111402267B (zh) | 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端 | |
CN111582111B (zh) | 一种基于语义分割的细胞各成分分割方法 | |
CN108229576B (zh) | 一种跨倍率病理图像特征学习方法 | |
CN108305253B (zh) | 一种基于多倍率深度学习的病理图像分类方法 | |
Xu et al. | Computerized classification of prostate cancer gleason scores from whole slide images | |
CN112785592A (zh) | 基于多重扩张路径的医学影像深度分割网络 | |
CN111369565A (zh) | 一种基于图卷积网络的数字病理图像的分割与分类方法 | |
CN111461068A (zh) | 一种染色体中期图识别和分割方法 | |
CN113344933B (zh) | 一种基于多层次特征融合网络的腺体细胞分割方法 | |
CN113222933A (zh) | 一种应用于肾细胞癌全链条诊断的图像识别系统 | |
CN114140445B (zh) | 基于重点关注区域提取的乳腺癌病理图像识别方法 | |
CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
CN115546768A (zh) | 基于多尺度机制和注意力机制的路面标线识别方法及系统 | |
CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
CN115909006A (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
CN115439493A (zh) | 一种乳腺组织切片癌变区域分割方法及装置 | |
CN114612481A (zh) | 基于区域增强的细胞核分割方法 | |
CN115393293A (zh) | 基于UNet网络与分水岭算法的电镜红细胞分割与定位方法 | |
CN115294377A (zh) | 一种道路裂缝的识别系统及方法 | |
CN114119458A (zh) | 基于临床先验知识指导的甲状腺髓样癌超声图像识别方法 | |
Pei et al. | Real-time multi-focus biomedical microscopic image fusion based on m-SegNet | |
CN114973244B (zh) | 一种乳腺癌h&e染色病理图像有丝分裂自动识别系统和方法 | |
CN114565593B (zh) | 基于半监督和注意力的全视野数字图像分类与检测方法 |
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 |