[發明專利]一種全切片數字病理圖像模糊區域檢測方法及系統

有效

• 申請號: 202010242241.2
• 申請日: 2020-03-31
• 公開（公告）號: CN111462076B
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 向北海;張泰;許會
• 申請（專利權）人: 湖南國科智瞳科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06V10/764
• 代理公司: 長沙國科天河知識產權代理有限公司 43225
• 代理人: 段盼姣

1.一種全切片數字病理圖像模糊區域檢測方法，其特征在于，包括：

獲取全切片數字病理圖像；所述全切片數字病理圖像包括聚焦數字病理圖像以及不同模糊程度的數字病理圖像；

將所述全切片數字病理圖像分割成互不重疊的固定像素大小的圖像子塊，隨機抽取若干圖像子塊，形成訓練集和驗證集，并對所述訓練集和驗證集中的圖像子塊進行標記；

將所述訓練集輸入預先構建的深度學習模型中，對所述深度學習模型進行訓練，以優化所述深度學習模型的超參數；

將所述驗證集輸入訓練后的深度學習模型中，對訓練后的深度學習模型進行驗證；若驗證通過，則進入下一步進行待檢測全切片數字病理圖像的檢測；若驗證不通過，則返回上一步重新進行模型訓練；

對待檢測全切片數字病理圖像預處理，獲得所述待檢測全切片數字病理圖像的特征圖；將所述特征圖分割成互不重疊的固定像素大小的若干待檢測圖像子塊，分別輸入訓練好的深度學習模型中進行分類，獲得各個待檢測圖像子塊的聚焦狀態；

獲取全切片數字病理圖像之前，還包括：

獲取若干病理切片；所述病理切片包括不同病人、不同染色機制的病理切片；

采集多張所述病理切片的全切片數字病理圖像；

采集多張所述病理切片的全切片數字病理圖像，包括：

利用數字病理切片掃描儀掃描所述病理切片的中心區域，聚焦，采集所述病理切片的聚焦數字病理圖像；

設置若干偏移值，根據所述偏移值擾動聚焦的焦點位置；

在每個所述偏移值擾動后的聚焦點位置采集所述病理切片中心區域的模糊數字病理圖像。

2.如權利要求1所述的全切片數字病理圖像模糊區域檢測方法，其特征在于，設置若干偏移值，包括：

根據所述病理切片中心區域的尺寸，設置若干偏移值Δ，所述偏移值

Δ∈{-3.5μm，-3μm，-2.5μm，-2μm，-1.5μm，-0.5μm，0.5μm，1.5μm，2μm，2.5μm}。

3.如權利要求2所述的全切片數字病理圖像模糊區域檢測方法，其特征在于，將所述全切片數字病理圖像分割成互不重疊的固定像素大小的圖像子塊，隨機抽取若干圖像子塊，形成訓練集和驗證集，并對所述訓練集和驗證集中的圖像子塊進行標記，包括：

將所述聚焦數字病理圖像分割成互不重疊的固定像素大小的圖像子塊，獲得第一圖像集；將所述不同模糊程度的數字病理圖像分割成互不重疊的固定像素大小的圖像子塊，獲得第二圖像集；

分別從所述第一圖像集和所述第二圖像集中隨機抽取數量相同的若干圖像子塊，混合，形成樣本集；

從所述樣本集中隨機抽取8～15％的圖像子塊形成驗證集，其余圖像子塊形成訓練集；

對所述訓練集和所述驗證集中的圖像子塊分別進行標記。

4.如權利要求1所述的全切片數字病理圖像模糊區域檢測方法，其特征在于，將所述訓練集輸入預先構建的深度學習模型中，對所述深度學習模型進行訓練，其中，所述深度學習模型為卷積神經網絡模型，依次包括六個卷積層、兩個全連接層和一個softmax分類層；

六個所述卷積層中的第三、第四、第五和第六個卷積層后面均設置有一個最大池化層；

兩個所述全連接層后面分別設置有概率為0.7和0.5的dropout層。

5.如權利要求1所述的全切片數字病理圖像模糊區域檢測方法，其特征在于，將所述驗證集輸入訓練后的深度學習模型中，對訓練后的深度學習模型進行驗證；若驗證通過，則進入下一步進行待檢測全切片數字病理圖像的檢測；若驗證不通過，則返回上一步重新進行模型訓練，包括：

將所述驗證集中的圖像子塊輸入訓練后的深度學習模型中，將輸出標簽與圖像子塊的標記進行對比，獲得訓練后深度學習模型的精度；

若所述精度≥預先設定的精度閾值，則驗證通過，進入下一步進行待檢測全切片數字病理圖像的檢測；

若所述精度預先設定的精度閾值，則驗證不通過，返回上一步重新進行模型訓練。