[發(fā)明專利]基于深度網(wǎng)絡(luò)的結(jié)直腸全景數(shù)字病理圖像組織分割方法

有效

• 申請?zhí)枺?/td>: 201710516329.7
• 申請日: 2017-06-29
• 公開（公告）號: CN107665492B
• 公開（公告）日: 2020-11-10
• 發(fā)明（設(shè)計）人: 徐軍;蔡程飛;徐海俊;孫明建
• 申請（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T3/40;G06K9/62;G06N3/08;G06N3/04
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司 32224
• 代理人: 董建林

1.基于深度網(wǎng)絡(luò)的結(jié)直腸全景數(shù)字病理圖像組織分割方法，其特征在于，包括以下步驟：

(1)獲取放大鏡下結(jié)直腸全景數(shù)字病理圖片：

(2)將結(jié)直腸的全景數(shù)字圖像分割成5000*5000的分割圖像，所有分割圖像保留在全景數(shù)字圖像中的分塊坐標(biāo)，利用滑動窗口和訓(xùn)練的模型對所有分割圖像依次標(biāo)記組織類型，得到帶有組織類型標(biāo)記的5000×5000的分割圖像；

(3)訓(xùn)練樣本圖像的建立：建立深度神經(jīng)網(wǎng)絡(luò)模型中所需的8類組織類型的樣本，樣本大小為150*150；

所述深度神經(jīng)網(wǎng)絡(luò)模型包括8層；

圖像輸入到網(wǎng)絡(luò)，首先是第一層，第一層包含卷積層、激活層和池化層；第二層包括卷積層、激活層和池化層；第三層包括卷積層和激活層；第四層包括卷積層和激活層；第五層包括卷積層、激活層和池化層；第六層和第七層都包括全連接層、激活層和Dropout層；第八層是輸出層，利用Softmax分類器輸出結(jié)果；

(4)訓(xùn)練Alexnet網(wǎng)絡(luò)，提取不同組織類型的組織深度特征；

(5)利用分類器和提取的組織深度特征對5000*5000的分割圖像中的組織進行類別的判別，得到圖像分類結(jié)果；

(6)將步驟(5)獲取的5000*5000的圖像分類結(jié)果拼接，判別出整張圖片的組織分類；

(7)按照分塊坐標(biāo)將5000*5000的圖像進行拼接在一起，獲得結(jié)直腸全景數(shù)字病理圖像的分割圖像；

步驟(2)所述的訓(xùn)練的模型為利用的深度網(wǎng)絡(luò)框架caffe訓(xùn)練的一個8層的網(wǎng)絡(luò)結(jié)構(gòu)，作為深度神經(jīng)網(wǎng)絡(luò)模型，基于所述深度神經(jīng)網(wǎng)絡(luò)模型進行8類組織類型的分割；

8類組織類型分別為：(a)腫瘤上皮細胞、(b)簡單的基質(zhì)、(c)復(fù)雜的基質(zhì)、(d)免疫細胞團、(e)碎片和粘液、(f)粘膜腺、(g)脂肪組織和(h)背景。

2.根據(jù)權(quán)利要求1所述的基于深度網(wǎng)絡(luò)的結(jié)直腸全景數(shù)字病理圖像組織分割方法，其特征在于，

步驟(2)具體包括以下步驟：利用從TCGA數(shù)據(jù)庫下載的結(jié)直腸全景數(shù)字圖像進行預(yù)測分割出結(jié)直腸全景數(shù)字圖像當(dāng)中的8種組織類型；利用訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)模型以及滑動窗口，判斷每一個滑動窗口中的組織類型并進行標(biāo)記，通過滑動窗口的滑動，依次判斷檢測全景數(shù)字圖像中的所有區(qū)域的組織類型。

3.根據(jù)權(quán)利要求1所述的基于深度網(wǎng)絡(luò)的結(jié)直腸全景數(shù)字病理圖像組織分割方法，其特征在于，

所述卷積層基于卷積核檢測輸入特征映射所有位置上的特定特征，實現(xiàn)同一個輸入特征映射上的權(quán)值共享；使用不同的卷積核進行卷積操作，提取輸入特征映射上不同的特征；

所述激活層通過激活函數(shù)進行特征篩選；激活函數(shù)為非線性變化函數(shù)，包括sigmoid函數(shù)、tanh函數(shù)、softsign函數(shù)和ReLU函數(shù)：

Sigmoid：

Tanh：

Softsign：

ReLU：R＝max(0,y)；

其中，y為輸入?yún)?shù)，R為參數(shù)輸出，e為指數(shù)底數(shù)；

池化層進行下采樣，對每一個特征映射進行池化操作，采用平均池化或者最大池化。

4.根據(jù)權(quán)利要求1所述的基于深度網(wǎng)絡(luò)的結(jié)直腸全景數(shù)字病理圖像組織分割方法，其特征在于，組織深度特征為通過每一層卷積層中的卷積核進行提取的特征。

5.根據(jù)權(quán)利要求3所述的基于深度網(wǎng)絡(luò)的結(jié)直腸全景數(shù)字病理圖像組織分割方法，其特征在于，

所述平均池化根據(jù)設(shè)定的池化濾波器大小計算特定范圍內(nèi)的像素的均值，濾波器平移步長大于1且小于等于濾波器大小；最大池化是計算特定范圍內(nèi)像素的最大值。

6.根據(jù)權(quán)利要求1所述的基于深度網(wǎng)絡(luò)的結(jié)直腸全景數(shù)字病理圖像組織分割方法，其特征在于，

滑動窗口的大小為150*150，步長為30。