[發明專利]一種食管病理圖像中上皮組織的分割方法

有效

• 申請號: 201810405691.1
• 申請日: 2018-04-29
• 公開（公告）號: CN108629768B
• 公開（公告）日: 2022-01-21
• 發明（設計）人: 牛春陽;孫占全;趙志剛;葛菁;謝迎
• 申請（專利權）人: 山東省計算中心（國家超級計算濟南中心）
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06N3/04
• 代理公司: 北京華際知識產權代理有限公司 11676
• 代理人: 褚慶森

1.一種食管病理圖像中上皮組織的分割方法，其特征在于，通過以下步驟來實現：

a).染色校正及灰度處理，選取一定數量的經HE染色的食管病理圖像作樣本，首先對食管病理圖像進行染色校正處理，然后將校正后的彩色圖變為灰度圖像，以避免不同病理圖像之間由于切片染色制作過程中染色不均造成的顏色差異；

b).選取訓練、測試樣本，隨機選取經步驟a)處理后的部分食管病理圖像作為訓練樣本，剩余的病理圖形作為測試樣本；

c).圖像分割和標注，使用滑動窗口的方法，窗口大小固定為m×m、滑動步幅為m，將作為訓練樣本的每個圖像分割為若干個m×m像素大小的小圖像；并由專家將m×m的小圖像中每個像素代表上皮組織、基質組織還是無關空白區域進行標注，標注后的圖像形成標簽圖像，標簽圖像與灰度圖像共同組成訓練數據集；

d).構建卷積神經網絡模型，設計由編碼網絡和解碼網絡組成的卷積神經網絡，其中編碼網絡由卷積層、激活層和池化層堆疊而成，解碼網絡由上采樣層、卷積層和激活層堆疊而成，并采用跳躍連接結構將編碼網絡卷積層的輸出特征圖與解碼網絡卷積層的輸出特征進行融合，解碼網絡的輸出連接sigmoid層，該層實現像素的是屬于上皮組織、基質組織還是無關空白區域的分類，利用步驟c)中訓練數據集中的灰度圖像為輸入、標簽圖像為輸出校正訓練卷積神經網絡模型；

e).測試圖像的處理，使用滑動窗口的方法，窗口大小固定為m×m、滑動步幅為m，將步驟b)中測試樣本中的病理圖像分割為若干個m×m像素大小的小圖像；

f).獲取預測圖像，將步驟e)中得到的m×m大小的像素塊輸入至步驟d)中訓練好的卷積神經網絡模型，得到上皮組織區域的預測圖像；

g).預測圖像的處理，首先將預測圖像中的上皮組織區域與背景區域轉變為二值圖像，然后二值圖像進行形態學的腐蝕和膨脹處理，最后根據連通性剔除圖像中孤立的小區域和噪點，形成最終的上皮組織分割圖像；

h).計算精確度和召回率，所有的測試樣本均經過步驟e)至步驟g)的處理后，統計最終形成的上皮組織分割圖像的精確度和召回率，如果精確度和召回率達到設定閾值，則表明獲取的卷積神經網絡模型符合要求，構建完成；如果精確度和召回率沒有達到設定閾值，則增加訓練樣本的容量后執行步驟a)，重新構建卷積神經網絡模型;

步驟d)中采用Keras框架構建卷積神經網絡模型，構建方法為：

第一層，使用64個卷積核對輸入圖像進行卷積操作，卷積核的大小Kernel size為3，步長Stride為2，隨后使用ReLU激活函數；

第二層，使用128個卷積核對圖像進行卷積操作，卷積核的大小Kernel size為3，步長Stride為2，隨后使用ReLU激活函數；

第三層，使用256個卷積核對圖像進行卷積操作，卷積核的大小Kernel size為3，步長Stride為1，隨后使用ReLU激活函數；

第四層，使用最大值池化的方式對卷積結果進行下采樣，池化核大小Kernel size為2，步長Stride為2；

第五層，使用上采樣層的方式對卷積結果進行上采樣，上采樣核大小Kernel size為2，步長Stride為2；

第六層，使用256個卷積核對圖像進行卷積操作，卷積核的大小Kernel size為3，步長Stride為1，隨后使用ReLU激活函數；

第七層，使用融合的方式對第三層與第六層的卷積結果進行組合；

第八層，使用256個卷積核對圖像進行卷積操作，卷積核的大小Kernel size為3，步長Stride為1，隨后使用ReLU激活函數；

第九層，使用上采樣層的方式對卷積結果進行上采樣，上采樣核大小Kernel size為2，步長Stride為2；

第十層，使用128個卷積核對圖像進行卷積操作，卷積核的大小Kernel size為3，步長Stride為1，隨后使用ReLU激活函數；

第十一層，使用融合的方式對第一層與第十層的卷積結果進行組合；

第十二層，使用128個卷積核對圖像進行卷積操作，卷積核的大小Kernel size為3，步長Stride為1，隨后使用ReLU激活函數；

第十三層，使用上采樣層的方式對卷積結果進行上采樣，上采樣核大小Kernel size為2，步長Stride為2；

第十四層，使用64個卷積核對圖像進行卷積操作，卷積核的大小Kernel size為3，步長Stride為1，隨后使用ReLU激活函數；

第十五層，使用3個卷積核對圖像進行卷積操作，卷積核的大小Kernel size為3，步長Stride為1，后使用Sigmoid激活函數；

使用交叉熵Cross-entropy作為損失函數，根據Sigmoid激活函數的輸出與標簽圖像的差異計算損失率，使用隨機梯度下降法Stochastic gradient descent來優化該卷積神經網絡模型。