CN112070661A - 一种基于深度学习的全切片数字成像快速自动聚焦方法 - Google Patents
一种基于深度学习的全切片数字成像快速自动聚焦方法 Download PDFInfo
- Publication number
- CN112070661A CN112070661A CN202010943847.9A CN202010943847A CN112070661A CN 112070661 A CN112070661 A CN 112070661A CN 202010943847 A CN202010943847 A CN 202010943847A CN 112070661 A CN112070661 A CN 112070661A
- Authority
- CN
- China
- Prior art keywords
- network
- full
- focus
- digital imaging
- quasi
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003384 imaging method Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000001575 pathological effect Effects 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 238000012984 biological imaging Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Studio Devices (AREA)
- Microscoopes, Condenser (AREA)
Abstract
本发明基于生物医疗仪器领域,具体涉及一种基于深度学习的全切片数字成像快速自动聚焦方法:本方法提出了一种基于深度网络的学习方法,主要包含可修改迭代次数网络块的重聚焦网络;设计的重聚焦网络可根据离焦图像解算出精确的准焦距离,通过判断准焦距离的误差是否小于显微镜物镜景深,进而改变重聚焦网络内网络块迭代次数;本方法解决了自动聚焦过程速度较慢问题,实现了全切片数字成像的准焦距离快速预测,实现了传统全切片数字病理成像硬件的软件虚拟化。
Description
技术领域
本发明基于生物医疗仪器领域,以深度学习技术为核心,具体涉及一种基于深度学习的全切片数字成像快速自动聚焦方法,可广泛适用于仪器科学、人工智能、医疗影像和自动化等领域的研究。
背景技术
近年来,先进的数字病理学成像技术得到了广泛的研究与应用。全切片数字成像技术(WSI,Whole Slide Images),即虚拟显微术,可以将传统的显微切片以数字化图像形式采集,能够实现任意电脑访问,容易存储,以及科研工作者和医生之间的异地传输等。全切片数字成像技术在生物成像研究中至关重要,如在癌症分析和疾病预测等领域中。目前美国食品药品管理局已经采用飞利浦公司的全切片数字成像系统作为主要的病理分析手段。
全切片数字成像通常需要两步实现:(1)按子区域顺序扫描病理图像,然后再将其拼接一起产生完整的全视场的病理切片图像;(2)采用特制的软件来识别分析这些数字图像。其中,第一步对于获取的图像质量至关重要。目前,全切片数字成像技术中存在的挑战主要为如何快速产生高质量的准焦图像。通常来说,全切片扫描需要一个高分辨率和毫米级长度景深的物镜,其因系统扫描过程中获得了分布不均的子图像,从而导致了离焦现象。这种离焦现象是导致全切片数字成像效果退化的主要原因。
目前,一种广泛应用的方法是采用准焦图匹配的方法来获得高质量的全切片数字图像。准焦图匹配方法提供一个准焦先验,对于每个位置的离焦图像,可以通过沿光轴移动病理样品获得不同准焦距离下的系列离焦图像,最后通过每张离焦图像的图像对比度最大化或者其他的图像质量评价方法来确定对应的准焦图像。这种方法需要对每个顺序扫描的子区域逐个使用。然而,这种方法因为重复的轴向测量导致成像速度大大减慢。对于其他方法,如采用双相机装置可以实现自准焦功能,避免了病理图像的轴向逐层扫描。但是,这种方法在传统的显微仪器中因硬件不兼容和成本高昂等问题,所以并不适用添加新的成像模块。因此,设计一种新的全切片数字成像快速自动聚焦方法,对于实时成像的系统来说是必要的。
发明内容
考虑到传统方法存在自动聚焦速度慢等问题,本发明利用先进的机器学习算法来解决全切片数字成像的快速自动聚焦问题。根据准焦的定义可知,准焦误差在显微镜物镜景深范围内,即满足清晰成像要求。为此,本发明公开了一种基于深度学习的全切片数字成像快速自动聚焦方法。本方法提出了一种基于深度网络的学习方法,主要包含一个快速重聚焦网络,能够根据离焦图像快速解算出符合要求的准焦距离。考虑到准焦清晰图像的预测准焦距离误差只需满足物镜景深即可,为此可进一步化简神经网络结构,在合理的区间内降低自动聚焦精度,提高自动聚焦速度。为此,本方法实现了全切片数字成像快速自动聚焦功能,对传统的成像硬件进行了软件虚拟化。
本发明的目的是这样实现的:
一种基于深度学习的全切片数字成像快速自动聚焦方法,包括以下步骤:
步骤a、输入离焦图像;
步骤b、快速重聚焦网络;
步骤c、预测准焦距离,
采用神经网络的方法,快速预测不同离焦图像的准焦距离。
进一步地,所述输入离焦图像来自于不同子图像横向位置下的轴向扫描移动获得的z-stack图像堆栈,每个子图像位置获得正、负各20张离焦图像和一张准焦图像,共计41张。
进一步地,快速重聚焦网络根据输入离焦图像进行网络训练和特征提取,其中网络结构采用了可修改迭代次数的ResNet网络块,根据预测的准焦距离的分布来判断ResNet网络块是否需要修改。
有益效果:
本发明实现了基于深度学习的全切片数字成像快速自动聚焦方法,具体体现在以下方面:
第一、本发明采用重聚焦网络,通过对离焦图像进行预测准焦距离,提高了准焦距离的预测精度,同时在满足准焦清晰成像的条件下适当牺牲自动聚焦精度,提高自动聚焦速度。
第二、本发明采用深度学习的网络算法,该方法采用数字化网络结构进行仿真建模,采用软件方法实现了全切片数字成像系统的虚拟化,有效地节约了仪器实验成本;同时由于网络具有快速自动聚焦功能,能够为荧光、生化、光漂白等病理生化过程提供快速扫描、快速处理的手段。
附图说明
图1是本发明基于深度学习的全切片数字成像快速自动聚焦方法流程图;
图2是重聚焦网络结构图;
图3是快速重聚焦网络迭代算法流程图。
图中:第一卷积层1、池化层2、第二卷积层3、第三卷积层4、平滑层5、全连接层6。
具体实施方式
下面将对本发明装置的具体实施方式做进一步说明。
结合图1至图3所示,本实施例公开的一种基于深度学习的全切片数字成像快速自动聚焦方法,包括以下步骤:
步骤a、输入离焦图像;
步骤b、快速重聚焦网络;
步骤c、预测准焦距离,
采用神经网络的方法,快速预测不同离焦图像的准焦距离。
具体地,所述输入离焦图像来自于不同子图像横向位置下的轴向扫描移动获得的z-stack图像堆栈,每个子图像位置获得正、负各20张离焦图像和一张准焦图像,共计41张。
具体地,快速重聚焦网络根据输入离焦图像进行网络训练和特征提取,其中网络结构采用了可修改迭代次数的ResNet网络块(ResNet2),根据预测的准焦距离的分布来判断ResNet网络块是否需要修改。
通过本发明基于深度学习的全切片数字成像快速自动聚焦方法流程图1可知,算法包括:输入离焦图像、快速重聚焦网络、准焦距离。网络结构包括:第一卷积层(5×5,步长1)1、池化层2、第二卷积层(3×3,步长1)3、第三卷积层(3×3,步长2)4、平滑层5、全连接层6。
(1)在训练过程中,所述输入离焦图像采用传统全切片数字成像为基准,即采用若干子图像横向扫描下的连续轴向移动获得,均匀选取若干个子图像位置,并获得正负各20张图像和一张清晰图像,共计41张。
(2)所述重聚焦网络参数根据离焦图像进行训练特征提取。重聚焦网络结构见图2,其内部包含可修改迭代次数N的ResNet2网络块。
(3)所述预测准焦距离为网络最终的输出,即离焦图像对应的预测准焦距离。判断输出的准焦距离误差是否在景深范围内。若是,则该网络为最终的自动聚焦网络;若不是,增加ResNet2网络块的迭代次数,重新训练。流程图见图3。
在测试阶段中,所述输入离焦图像以传统全切片数字成像系统采样下的全视场图像,将其均匀采样若干子区域,仍然提取正向、负向离焦图像和清晰图像共计41张,进行重聚焦网络的预测,最终得到测试集下的预测准焦距离。
本实施例中的一种基于深度学习的全切片数字成像快速自动聚焦方法,包括由输入离焦图像、快速重聚焦网络和预测准焦距离部分组成的深度学习网络算法。在训练过程中,所述输入离焦图像采用子图像扫描下的轴向移动获得,每个子图像位置获得正负各20张图像和一张清晰图像,共计41张;所述重聚焦网络根据离焦图像进行训练提取特征;所述预测准焦距离为网络最终的输出,即离焦图像对应的预测准焦距离。在测试阶段中,所述输入离焦图像以传统全切片数字成像系统采样下的全视场图像,将其均匀采样若干子区域,仍然提取正向、负向离焦图像和清晰图像共计41张;离焦图像通过重聚焦网络的预测,得到测试集下的预测准焦距离,判断准焦距离误差是否在物镜景深内,若不是则加深一层网络模块,直到满足条件为止。
Claims (3)
1.一种基于深度学习的全切片数字成像快速自动聚焦方法,其特征在于,包括以下步骤:
步骤a、输入离焦图像;
步骤b、快速重聚焦网络;
步骤c、预测准焦距离,
采用神经网络的方法,快速预测不同离焦图像的准焦距离。
2.根据权利要求1所述的一种基于深度学习的全切片数字成像快速自动聚焦方法,其特征在于:所述输入离焦图像来自于不同子图像横向位置下的轴向扫描移动获得的z-stack图像堆栈,每个子图像位置获得正、负各20张离焦图像和一张准焦图像,共计41张。
3.根据权利要求1所述的一种基于深度学习的全切片数字成像快速自动聚焦方法,其特征在于:快速重聚焦网络根据输入离焦图像进行网络训练和特征提取,其中网络结构采用了可修改迭代次数的ResNet网络块,根据预测的准焦距离的分布来判断ResNet网络块是否需要修改。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010943847.9A CN112070661A (zh) | 2020-09-08 | 2020-09-08 | 一种基于深度学习的全切片数字成像快速自动聚焦方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010943847.9A CN112070661A (zh) | 2020-09-08 | 2020-09-08 | 一种基于深度学习的全切片数字成像快速自动聚焦方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112070661A true CN112070661A (zh) | 2020-12-11 |
Family
ID=73663178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010943847.9A Pending CN112070661A (zh) | 2020-09-08 | 2020-09-08 | 一种基于深度学习的全切片数字成像快速自动聚焦方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070661A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115542527A (zh) * | 2022-09-06 | 2022-12-30 | 深圳市人工智能与机器人研究院 | 一种微纳机器人定位追踪方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090002685A (ko) * | 2007-07-02 | 2009-01-09 | 삼성전기주식회사 | 오토 포커싱 장치 및 방법 |
CN110490968A (zh) * | 2019-07-18 | 2019-11-22 | 西安理工大学 | 基于生成对抗网络的光场轴向重聚焦图像超分辨方法 |
CN110749974A (zh) * | 2019-11-04 | 2020-02-04 | 中南大学 | 全载玻片成像扫描仪的自动聚焦方法及其图像获取方法 |
CN111462075A (zh) * | 2020-03-31 | 2020-07-28 | 湖南国科智瞳科技有限公司 | 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 |
-
2020
- 2020-09-08 CN CN202010943847.9A patent/CN112070661A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090002685A (ko) * | 2007-07-02 | 2009-01-09 | 삼성전기주식회사 | 오토 포커싱 장치 및 방법 |
CN110490968A (zh) * | 2019-07-18 | 2019-11-22 | 西安理工大学 | 基于生成对抗网络的光场轴向重聚焦图像超分辨方法 |
CN110749974A (zh) * | 2019-11-04 | 2020-02-04 | 中南大学 | 全载玻片成像扫描仪的自动聚焦方法及其图像获取方法 |
CN111462075A (zh) * | 2020-03-31 | 2020-07-28 | 湖南国科智瞳科技有限公司 | 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 |
Non-Patent Citations (1)
Title |
---|
王康康等: ""采用卷积神经网络的小幅文本图像重聚焦算法"", 《西安电子科技大学学报(自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115542527A (zh) * | 2022-09-06 | 2022-12-30 | 深圳市人工智能与机器人研究院 | 一种微纳机器人定位追踪方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9297995B2 (en) | Automatic stereological analysis of biological tissue including section thickness determination | |
CN111007661B (zh) | 一种基于深度学习的显微图像自动聚焦方法及装置 | |
KR101891364B1 (ko) | 현미경 이미징에서의 빠른 오토-포커스 | |
CN109873948B (zh) | 一种光学显微镜智能自动聚焦方法、设备及存储设备 | |
CN110531484B (zh) | 一种对焦过程模型可设定的显微镜自动对焦方法 | |
CN111462076A (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
CN111462075A (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 | |
CN111161272B (zh) | 一种基于生成对抗网络的胚胎组织分割方法 | |
US20220046180A1 (en) | Deep Learning Model for Auto-Focusing Microscope Systems | |
CN111220615A (zh) | 一种倾斜式三维扫描显微成像系统及方法 | |
US20220058369A1 (en) | Automated stereology for determining tissue characteristics | |
He et al. | Microscope images automatic focus algorithm based on eight-neighborhood operator and least square planar fitting | |
CN115036011A (zh) | 基于数字病理图像进行实体肿瘤预后评估的系统 | |
CN112070887A (zh) | 一种基于深度学习的全切片数字成像景深扩展法 | |
CN112070661A (zh) | 一种基于深度学习的全切片数字成像快速自动聚焦方法 | |
Juhong et al. | Super-resolution and segmentation deep learning for breast cancer histopathology image analysis | |
CN112069735B (zh) | 一种基于非对称像差的全切片数字成像高精度自动聚焦法 | |
CN112070660B (zh) | 一种基于迁移学习的全切片数字成像自适应自动聚焦方法 | |
CN115428037A (zh) | 活细胞生物样品荧光图像采集方法和系统 | |
CN114708229A (zh) | 一种病理切片数字图像的全层次分析系统 | |
CN112053304A (zh) | 一种全切片数字成像单次拍照快速准焦复原方法 | |
CN112037153A (zh) | 一种基于准焦距离先验的全切片数字成像准焦复原方法 | |
CN112037152A (zh) | 一种基于深度学习的全切片数字成像二步准焦复原法 | |
CN114612669A (zh) | 一种医学图像炎症坏死占比的计算方法及装置 | |
CN112037154A (zh) | 一种全切片数字成像两次拍照高精度准焦复原方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201211 |