CN113506287A - 全视野病理切片图像分类方法、装置、设备及存储介质 - Google Patents
全视野病理切片图像分类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113506287A CN113506287A CN202110853042.XA CN202110853042A CN113506287A CN 113506287 A CN113506287 A CN 113506287A CN 202110853042 A CN202110853042 A CN 202110853042A CN 113506287 A CN113506287 A CN 113506287A
- Authority
- CN
- China
- Prior art keywords
- full
- pathological section
- section image
- view
- field
- 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
- 230000001575 pathological effect Effects 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 93
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000013145 classification model Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 10
- 230000008447 perception Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000007170 pathology Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 206010028980 Neoplasm Diseases 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 5
- 206010006187 Breast cancer Diseases 0.000 description 3
- 208000026310 Breast neoplasm Diseases 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- YQGOJNYOYNNSMM-UHFFFAOYSA-N eosin Chemical compound [Na+].OC(=O)C1=CC=CC=C1C1=C2C=C(Br)C(=O)C(Br)=C2OC2=C(Br)C(O)=C(Br)C=C21 YQGOJNYOYNNSMM-UHFFFAOYSA-N 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 206010073095 invasive ductal breast carcinoma Diseases 0.000 description 1
- 201000010985 invasive ductal carcinoma Diseases 0.000 description 1
- 206010073096 invasive lobular breast carcinoma Diseases 0.000 description 1
- 231100000518 lethal Toxicity 0.000 description 1
- 230000001665 lethal effect Effects 0.000 description 1
- 201000005249 lung adenocarcinoma Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 206010041823 squamous cell carcinoma Diseases 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/0002—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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06T7/10—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
- G06T2207/20—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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了全视野病理切片图像分类方法、装置、设备及存储介质,包括:获取待分类全视野病理切片图像;将所述待分类全视野病理切片图像输入预先构建的全视野病理切片图像特征向量提取模型,输出全视野病理切片图像特征向量;将所述全视野病理切片图像特征向量输入预先构建的全视野病理切片图像分类模型,输出全视野病理切片图像分类结果。本发明能够提高全视野病理切片图像分类的正确率。
Description
技术领域
本发明属于图像处理技术领域,具体涉及全视野病理切片图像分类方法、装置、设备及存储介质。
背景技术
癌症作为当代致死率最高的疾病之一,近年来呈现快速增长趋势。病理切片是医生诊断癌症肿瘤的金标准。传统的癌症分类方法由经验丰富的病理医生通过对苏木精和伊红(H&E)染色过的全视野病理切片进行甄别,海量的视觉筛查工作耗费医生大量时间和精力。
随着计算机视觉智能分析的发展,基于深度学习的癌症全视野病理切片图像分类方法被提出,降低了人工提取特征的要求,利用深度神经网络自动学习病例特点,对复杂多样的癌症切片进行检测分类。基于卷积神经网络的全视野病理分类方法,由于完全使用卷积神经网络缺少周围空间特征信息;基于残差网络的乳腺癌分类方法,不能够捕捉网络中多尺度特征信息,因此残差网络不善于探索新的特征。综上,基于深度学习全视野病理切片图像分类方法缺少周围空间特征信息、多尺度特征信息等问题,导致模型特征提取仅利用当前区域特征信息、当前尺度信息,周围空间特征信息,多尺度维度信息无法提供辅助判断作用,造成分类错误,影响正确率。
发明内容
针对现有技术中存在的问题,本发明提供了全视野病理切片图像分类方法、装置、设备及存储介质,能够提高全视野病理切片图像分类的正确率。
为了解决上述技术问题,本发明通过以下技术方案予以实现:
一种全视野病理切片图像分类方法,包括:
获取待分类全视野病理切片图像;
将所述待分类全视野病理切片图像输入预先构建的全视野病理切片图像特征向量提取模型,输出全视野病理切片图像特征向量;
将所述全视野病理切片图像特征向量输入预先构建的全视野病理切片图像分类模型,输出全视野病理切片图像分类结果。
进一步地,所述全视野病理切片图像特征向量提取模型的构建方法为:
获取全视野病理切片图像以及全视野病理切片图像标签类别,对所述全视野病理切片图像进行预处理;
将预处理后的全视野病理切片图像以及全视野病理切片图像标签类别分为训练集和验证集;
利用训练集训练多尺度卷积神经网络,得到所述全视野病理切片图像特征向量提取模型,所述全视野病理切片图像特征向量提取模型输出全视野病理切片图像特征向量。
进一步地,所述对所述全视野病理切片图像进行预处理,具体包括:
将全视野病理切片图像切割成若干小图像;
对每个所述小图像进行灰度化处理;
计算灰度化处理后的小图像中无效像素占比;
选取小图像中无效像素占比小于预设阈值的小图像作为输入数据。
进一步地,所述全视野病理切片图像特征向量提取模型的构建方法还包括:
将验证集输入训练好的所述全视野病理切片图像特征向量提取模型,输出验证集对应的全视野病理切片图像特征向量;
将验证集对应的全视野病理切片图像特征向量与期望输出的全视野病理切片图像特征向量进行比对,若比对后的正确率小于第一预设正确率,则用训练集继续训练多尺度卷积神经网络,直到比对后的正确率不小于第一预设正确率。
进一步地,所述全视野病理切片图像分类模型的构建方法为:
利用全视野病理切片图像标签类别和全视野病理切片图像特征向量提取模型输出的全视野病理切片图像特征向量作为输入数据,并采用周围空间区域感知选择策略和空间区域特征融合策略训练卷积神经网络,得到空间区域特征向量;
将空间区域特征向量输入SVM分类器,输出全视野病理切片图像的预测结果标签;
将预测结果标签与真实标签进行比对,若比对后的正确率小于第二预设正确率,则用全视野病理切片图像标签类别和全视野病理切片图像特征向量提取模型输出的全视野病理切片图像特征向量继续训练卷积神经网络,直到比对后的正确率不小于第二预设正确率,得到全视野病理切片图像分类模型。
进一步地,所述多尺度卷积神经网络包含卷积层47层,平均池化层11层,最大池化层4层,特征连接层15层;卷积层用于提取全视野病理切片图像特征,平均池化层与最大池化层用于扩大卷积核感受野,特征连接层用于进行全视野病理切片图像特征向量拼接。
一种全视野病理切片图像分类装置,包括:
获取模块,用于获取待分类全视野病理切片图像;
全视野病理切片图像特征向量输出模块,用于将所述待分类全视野病理切片图像输入预先构建的全视野病理切片图像特征向量提取模型,输出全视野病理切片图像特征向量;
全视野病理切片图像分类结果输出模块,用于将所述全视野病理切片图像特征向量输入预先构建的全视野病理切片图像分类模型,输出全视野病理切片图像分类结果。
一种设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述一种全视野病理切片图像分类方法的步骤。
一种计算机可读存储介质,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一种全视野病理切片图像分类方法的步骤。
与现有技术相比,本发明至少具有以下有益效果:首先获取待分类全视野病理切片图像以及全视野病理切片图像标签类别,对全视野病理切片图像进行预处理;预处理是将全视野病理切片图像切割成若干小图像并进行灰度化处理,选取小图像中无效像素占比小于预设阈值的小图像作为输入数据。将预处理后的全视野病理切片图像以及全视野病理切片图像标签类别分为训练集和验证集;利用训练集训练多尺度卷积神经网络,得到全视野病理切片图像特征向量提取模型,全视野病理切片图像特征向量提取模型输出全视野病理切片图像特征向量。利用验证集验证多尺度卷积神经网络,输出验证集对应的全视野病理切片图像特征向量;将验证集对应的全视野病理切片图像特征向量与期望输出的全视野病理切片图像特征向量进行比对,若比对后的正确率小于第一预设正确率,则用训练集继续训练多尺度卷积神经网络,直到比对后的正确率不小于第一预设正确率。利用全视野病理切片图像标签类别和全视野病理切片图像特征向量提取模型输出的全视野病理切片图像特征向量作为输入数据,并采用周围空间区域感知选择策略和空间区域特征融合策略训练卷积神经网络,得到空间区域特征向量;将空间区域特征向量输入SVM分类器,输出全视野病理切片图像的预测结果标签;将预测结果标签与真实标签进行比对,若比对后的正确率小于第二预设正确率,则用全视野病理切片图像标签类别和全视野病理切片图像特征向量提取模型输出的全视野病理切片图像特征向量继续训练卷积神经网络,直到比对后的正确率不小于第二预设正确率,得到全视野病理切片图像分类模型。相较于目前基于卷积神经网络的全视野病理分类方法可以获取周围空间特征信息;相较于基于残差网络的乳腺癌分类方法,能够捕捉网络中多尺度特征信息。本发明提高了全视野病理切片图像分类方法分类的准确性。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案,下面将对具体实施方式描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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获得其他的附图。
图1为本发明全视野病理切片图像特征向量提取模型示意图;
图2为本发明全视野病理切片图像特征向量提取模型正确率曲线图;
图3为本发明全视野病理切片图像特征向量分类模型示意图;
图4为本发明全视野病理切片图像特征向量分类模型正确率曲线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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发明一部分实施例,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。
本发明一种全视野病理切片图像分类方法,具体包括:
步骤1:获取待分类全视野病理切片图像;本实例中,全视野病理切片图像包括乳腺癌全视野病理切片图像中浸润性小叶癌全视野病理切片图像、浸润性导管癌全视野病理切片图像、乳腺正常细胞全视野病理切片图像,肺癌中肺腺癌全视野病理切片图像、肺鳞癌全视野病理切片图像、肺部正常细胞全视野病理切片图像。
步骤2:将待分类全视野病理切片图像输入预先构建的全视野病理切片图像特征向量提取模型,输出全视野病理切片图像特征向量;
具体地说,全视野病理切片图像特征向量提取模型(见图1)的构建方法如下:
A1:获取全视野病理切片图像以及全视野病理切片图像标签类别,对全视野病理切片图像进行预处理;
本实施例中,对全视野病理切片图像进行预处理,具体包括:
A101:将全视野病理切片图像切割成若干小图像;本实施例以长宽尺寸为244x244像素切割;
A102:对每个小图像进行灰度化处理;
A103:计算灰度化处理后的小图像中无效像素占比;
A104:选取小图像中无效像素占比小于第一预设阈值的小图像作为输入数据,本实例第一预设值为50%;
A2:将预处理后的全视野病理切片图像以及全视野病理切片图像标签类别分为训练集和验证集,本实施例中训练集与测试集比例为7:3,并对数据进行批处理归一化操作;
A3:利用训练集训练多尺度卷积神经网络,得到全视野病理切片图像特征向量提取模型,全视野病理切片图像特征向量提取模型输出全视野病理切片图像特征向量;
优选的,本实施例中,多尺度卷积神经网络包含卷积层47层,平均池化层11层,最大池化层4层,特征连接层15层;卷积层用于提取全视野病理切片图像特征,平均池化层与最大池化层用于扩大卷积核感受野,特征连接层用于进行全视野病理切片图像特征向量拼接。输出分类设置为6;确定多尺度全视野病理切片图像特征向量提取模型参数,包括:激活函数为ReLU。学习率为0.1,每十轮训练降低至原来的10%。批处理归一化为BatchNormalizarion,优化器为Adam。损失函数为交叉熵损失Cross-entropy。分类函数为Softmax。
优选的,全视野病理切片图像特征向量提取模型的构建方法还包括:
A4:将验证集输入训练好的全视野病理切片图像特征向量提取模型,输出验证集对应的全视野病理切片图像特征向量;
将验证集对应的全视野病理切片图像特征向量与期望输出的全视野病理切片图像特征向量进行比对,若比对后的正确率小于第一预设正确率,则用训练集继续训练多尺度卷积神经网络,直到比对后的正确率不小于第一预设正确率。本实例第一预设正确率为90%。正确率曲线见图2
步骤3:将全视野病理切片图像特征向量输入预先构建的全视野病理切片图像分类模型,输出全视野病理切片图像分类结果;
具体地说,全视野病理切片图像分类模型(见图3)的构建方法如下:
B1:利用全视野病理切片图像标签类别和全视野病理切片图像特征向量提取模型输出的全视野病理切片图像特征向量作为输入数据,并采用周围空间区域感知选择策略和空间区域特征融合策略训练卷积神经网络,得到空间区域特征向量;
具体地说,周围空间区域感知选择策略为对小区域块位置标记为其中Ii,j表示该小区域块在整体病理切片中的位置,由每个小区域块Ii,j所生成的概率向量为P(i,j,α),α表示在第α类中Ii,j的概率。对于每个类别采取计算其平均概率空间区域特征融合策略为其中,表示类别l的区域特征向量,fi,j为当前小区域特征向量,为当前小区域特征向量权重。;
B2:将空间区域特征向量输入SVM分类器,输出全视野病理切片图像的预测结果标签;
B3:将预测结果标签与真实标签进行比对,若比对后的正确率小于第二预设正确率,则用全视野病理切片图像标签类别和全视野病理切片图像特征向量提取模型输出的全视野病理切片图像特征向量继续训练卷积神经网络,直到比对后的正确率不小于第二预设正确率,得到全视野病理切片图像分类模型。本实例第二预设正确率为90%,正确率曲线图见图4。
本发明一种全视野病理切片图像分类装置,包括:
获取模块,用于获取待分类全视野病理切片图像;
全视野病理切片图像特征向量输出模块,用于将待分类全视野病理切片图像输入预先构建的全视野病理切片图像特征向量提取模型,输出全视野病理切片图像特征向量;
全视野病理切片图像分类结果输出模块,用于将全视野病理切片图像特征向量输入预先构建的全视野病理切片图像分类模型,输出全视野病理切片图像分类结果。
本发明在一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于一种全视野病理切片图像分类方法的操作。
本发明在一个实施例中,一种全视野病理切片图像分类方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种全视野病理切片图像分类方法,其特征在于,包括:
获取待分类全视野病理切片图像;
将所述待分类全视野病理切片图像输入预先构建的全视野病理切片图像特征向量提取模型,输出全视野病理切片图像特征向量;
将所述全视野病理切片图像特征向量输入预先构建的全视野病理切片图像分类模型,输出全视野病理切片图像分类结果。
2.根据权利要求1所述的一种全视野病理切片图像分类方法,其特征在于,所述全视野病理切片图像特征向量提取模型的构建方法为:
获取全视野病理切片图像以及全视野病理切片图像标签类别,对所述全视野病理切片图像进行预处理;
将预处理后的全视野病理切片图像以及全视野病理切片图像标签类别分为训练集和验证集;
利用训练集训练多尺度卷积神经网络,得到所述全视野病理切片图像特征向量提取模型,所述全视野病理切片图像特征向量提取模型输出全视野病理切片图像特征向量。
3.根据权利要求2所述的一种全视野病理切片图像分类方法,其特征在于,所述对所述全视野病理切片图像进行预处理,具体包括:
将全视野病理切片图像切割成若干小图像;
对每个所述小图像进行灰度化处理;
计算灰度化处理后的小图像中无效像素占比;
选取小图像中无效像素占比小于预设阈值的小图像作为输入数据。
4.根据权利要求2所述的一种全视野病理切片图像分类方法,其特征在于,所述全视野病理切片图像特征向量提取模型的构建方法还包括:
将验证集输入训练好的所述全视野病理切片图像特征向量提取模型,输出验证集对应的全视野病理切片图像特征向量;
将验证集对应的全视野病理切片图像特征向量与期望输出的全视野病理切片图像特征向量进行比对,若比对后的正确率小于第一预设正确率,则用训练集继续训练多尺度卷积神经网络,直到比对后的正确率不小于第一预设正确率。
5.根据权利要求2所述的一种全视野病理切片图像分类方法,其特征在于,所述全视野病理切片图像分类模型的构建方法为:
利用全视野病理切片图像标签类别和全视野病理切片图像特征向量提取模型输出的全视野病理切片图像特征向量作为输入数据,并采用周围空间区域感知选择策略和空间区域特征融合策略训练卷积神经网络,得到空间区域特征向量;
将空间区域特征向量输入SVM分类器,输出全视野病理切片图像的预测结果标签;
将预测结果标签与真实标签进行比对,若比对后的正确率小于第二预设正确率,则用全视野病理切片图像标签类别和全视野病理切片图像特征向量提取模型输出的全视野病理切片图像特征向量继续训练卷积神经网络,直到比对后的正确率不小于第二预设正确率,得到全视野病理切片图像分类模型。
6.根据权利要求2所述的一种全视野病理切片图像分类方法,其特征在于,所述多尺度卷积神经网络包含卷积层47层,平均池化层11层,最大池化层4层,特征连接层15层;卷积层用于提取全视野病理切片图像特征,平均池化层与最大池化层用于扩大卷积核感受野,特征连接层用于进行全视野病理切片图像特征向量拼接。
7.一种全视野病理切片图像分类装置,其特征在于,包括:
获取模块,用于获取待分类全视野病理切片图像;
全视野病理切片图像特征向量输出模块,用于将所述待分类全视野病理切片图像输入预先构建的全视野病理切片图像特征向量提取模型,输出全视野病理切片图像特征向量;
全视野病理切片图像分类结果输出模块,用于将所述全视野病理切片图像特征向量输入预先构建的全视野病理切片图像分类模型,输出全视野病理切片图像分类结果。
8.一种设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述一种全视野病理切片图像分类方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项的一种全视野病理切片图像分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853042.XA CN113506287A (zh) | 2021-07-27 | 2021-07-27 | 全视野病理切片图像分类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853042.XA CN113506287A (zh) | 2021-07-27 | 2021-07-27 | 全视野病理切片图像分类方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113506287A true CN113506287A (zh) | 2021-10-15 |
Family
ID=78014735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110853042.XA Pending CN113506287A (zh) | 2021-07-27 | 2021-07-27 | 全视野病理切片图像分类方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113506287A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743543A (zh) * | 2021-11-05 | 2021-12-03 | 武汉大学 | 一种图像分类训练方法、装置、服务器及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800789A (zh) * | 2018-12-18 | 2019-05-24 | 中国科学院深圳先进技术研究院 | 基于图网络的糖尿病视网膜病变分类方法及装置 |
CN110111344A (zh) * | 2019-05-13 | 2019-08-09 | 广州锟元方青医疗科技有限公司 | 病理切片图像分级方法、装置、计算机设备和存储介质 |
CN110175998A (zh) * | 2019-05-30 | 2019-08-27 | 沈闯 | 基于多尺度深度学习的乳腺癌图像识别方法、装置及介质 |
CN110472676A (zh) * | 2019-08-05 | 2019-11-19 | 首都医科大学附属北京朝阳医院 | 基于深度神经网络的胃早癌组织学图像分类系统 |
CN110765855A (zh) * | 2019-09-12 | 2020-02-07 | 杭州迪英加科技有限公司 | 一种病理图像处理方法及系统 |
CN111242242A (zh) * | 2020-02-27 | 2020-06-05 | 武汉大学 | 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 |
CN112084930A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学 | 一种全视野数字病理切片的病灶区域分类方法及其系统 |
CN112200793A (zh) * | 2020-10-21 | 2021-01-08 | 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 |
CN112364920A (zh) * | 2020-11-12 | 2021-02-12 | 西安电子科技大学 | 基于深度学习的甲状腺癌病理图像分类方法 |
CN112633151A (zh) * | 2020-12-22 | 2021-04-09 | 浙江大华技术股份有限公司 | 一种确定监控图像中斑马线的方法、装置、设备及介质 |
CN112819834A (zh) * | 2021-01-12 | 2021-05-18 | 平安科技(深圳)有限公司 | 基于人工智能的胃部病理图像的分类方法和装置 |
CN113052228A (zh) * | 2021-03-22 | 2021-06-29 | 山西三友和智慧信息技术股份有限公司 | 一种基于SE-Inception的肝癌病理切片分类方法 |
CN113129293A (zh) * | 2021-04-26 | 2021-07-16 | 长沙理工大学 | 医学图像分类方法、装置、计算机设备和存储介质 |
CN113139931A (zh) * | 2021-03-17 | 2021-07-20 | 杭州迪英加科技有限公司 | 甲状腺切片图像分类模型训练方法、装置 |
-
2021
- 2021-07-27 CN CN202110853042.XA patent/CN113506287A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800789A (zh) * | 2018-12-18 | 2019-05-24 | 中国科学院深圳先进技术研究院 | 基于图网络的糖尿病视网膜病变分类方法及装置 |
CN110111344A (zh) * | 2019-05-13 | 2019-08-09 | 广州锟元方青医疗科技有限公司 | 病理切片图像分级方法、装置、计算机设备和存储介质 |
CN110175998A (zh) * | 2019-05-30 | 2019-08-27 | 沈闯 | 基于多尺度深度学习的乳腺癌图像识别方法、装置及介质 |
CN110472676A (zh) * | 2019-08-05 | 2019-11-19 | 首都医科大学附属北京朝阳医院 | 基于深度神经网络的胃早癌组织学图像分类系统 |
CN110765855A (zh) * | 2019-09-12 | 2020-02-07 | 杭州迪英加科技有限公司 | 一种病理图像处理方法及系统 |
CN111242242A (zh) * | 2020-02-27 | 2020-06-05 | 武汉大学 | 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 |
CN112084930A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学 | 一种全视野数字病理切片的病灶区域分类方法及其系统 |
CN112200793A (zh) * | 2020-10-21 | 2021-01-08 | 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 |
CN112364920A (zh) * | 2020-11-12 | 2021-02-12 | 西安电子科技大学 | 基于深度学习的甲状腺癌病理图像分类方法 |
CN112633151A (zh) * | 2020-12-22 | 2021-04-09 | 浙江大华技术股份有限公司 | 一种确定监控图像中斑马线的方法、装置、设备及介质 |
CN112819834A (zh) * | 2021-01-12 | 2021-05-18 | 平安科技(深圳)有限公司 | 基于人工智能的胃部病理图像的分类方法和装置 |
CN113139931A (zh) * | 2021-03-17 | 2021-07-20 | 杭州迪英加科技有限公司 | 甲状腺切片图像分类模型训练方法、装置 |
CN113052228A (zh) * | 2021-03-22 | 2021-06-29 | 山西三友和智慧信息技术股份有限公司 | 一种基于SE-Inception的肝癌病理切片分类方法 |
CN113129293A (zh) * | 2021-04-26 | 2021-07-16 | 长沙理工大学 | 医学图像分类方法、装置、计算机设备和存储介质 |
Non-Patent Citations (5)
Title |
---|
GRAHAM W. TAYLOR ET AL: "Convolutional Learning of Spatio-temporal Features", 《ECCV 2010: COMPUTER VISION》 * |
TERESA ARAUJO ET AL: "Classification of breast cancer histology images using Convolutional Neural Networks", 《PLOS ONE》 * |
YAO GUO ET AL: "Breast Cancer Histology Image Classification Based on Deep Neural networks", 《ICIAR 2018: IMAGE ANALYSIS AND RECOGNITION》 * |
王永军 等: "基于融合多网络深层卷积特征和稀疏双关系正则化方法的乳腺癌图像分类研究", 《中国生物医学工程学报》 * |
茹仙古丽·艾尔西丁 等: "卷积神经网络在肝癌病理切片图像分类中的应用", 《北京生物医学工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743543A (zh) * | 2021-11-05 | 2021-12-03 | 武汉大学 | 一种图像分类训练方法、装置、服务器及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210183022A1 (en) | Image inpainting method and apparatus, computer device, and storage medium | |
CN110619618A (zh) | 一种表面缺陷检测方法、装置及电子设备 | |
CN108629772B (zh) | 图像处理方法及装置、计算机设备和计算机存储介质 | |
JPWO2019026104A1 (ja) | 情報処理装置、情報処理プログラム及び情報処理方法 | |
CN113706542A (zh) | 基于卷积神经网络及混合损失函数的眼球分割方法及装置 | |
CN111738351A (zh) | 模型训练方法、装置、存储介质及电子设备 | |
CN110969632B (zh) | 一种深度学习模型的训练方法、图像处理方法及装置 | |
CN109271957B (zh) | 人脸性别识别方法以及装置 | |
CN113706564A (zh) | 基于多种监督方式的睑板腺分割网络的训练方法及装置 | |
CN112001403A (zh) | 一种图像轮廓检测方法及系统 | |
CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
CN113781510A (zh) | 边缘检测方法、装置及电子设备 | |
CN111597845A (zh) | 一种二维码检测方法、装置、设备及可读存储介质 | |
CN112802076A (zh) | 反射图像生成模型及反射去除模型的训练方法 | |
CN113506287A (zh) | 全视野病理切片图像分类方法、装置、设备及存储介质 | |
CN114548213A (zh) | 模型训练方法、图像识别方法、终端设备及计算机介质 | |
CN112818946A (zh) | 年龄识别模型的训练、年龄识别方法、装置及电子设备 | |
JP2011170890A (ja) | 顔検出方法および装置並びにプログラム | |
US20230021551A1 (en) | Using training images and scaled training images to train an image segmentation model | |
WO2024011859A1 (zh) | 一种基于神经网络的人脸检测方法和装置 | |
CN111368837B (zh) | 一种图像质量评价方法、装置、电子设备及存储介质 | |
CN111582057A (zh) | 一种基于局部感受野的人脸验证方法 | |
CN114492657A (zh) | 植物疾病分类方法、装置、电子设备及存储介质 | |
CN111798376A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112183336A (zh) | 表情识别模型训练方法、装置、终端设备及存储介质 |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20231027 |
|
AD01 | Patent right deemed abandoned |