[發明專利]一種基于深度學習的胃癌病理切片分割算法

在審

• 申請號: 202010923740.8
• 申請日: 2020-09-04
• 公開（公告）號: CN112085741A
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 王連生
• 申請（專利權）人: 廈門大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/136;G06N3/04;G06N3/08;G06T5/30
• 代理公司: 廈門致群財富專利代理事務所(普通合伙) 35224
• 代理人: 劉兆慶

1.一種基于深度學習的胃癌病理切片分割算法，其特征在于，包括以下步驟：

S1、獲取胃部病理切片圖像，將胃部病理切片圖像劃分為數據集；

S2、對數據集的胃部病理切片圖像進行預處理，得到圖像塊，對圖像塊進行0-360°旋轉、平移及翻轉的數據增強；

S3、構建FPA-Net分割模型，FPA-Net分割模型具有用于深度學習的特征金字塔模塊及空洞空間金字塔池化模塊；

S4、將S2中的圖像塊輸入FPA-Net分割模型中，得到分割結果。

2.如權利要求1所述的一種基于深度學習的胃癌病理切片分割算法，其特征在于：所述步驟S2中的預處理具體為對胃部病理切片進行裁切并通過設定0.3-0.8的閾值進行篩選，得到圖像塊。

3.如權利要求1所述的一種基于深度學習的胃癌病理切片分割算法，其特征在于：所述步驟S4的具體步驟如下：

S41、輸入圖像塊，通過特征金字塔模塊自下而上的路徑對圖像塊逐層進行卷積和池化操作，得到多尺度特征圖；

S42、將多尺度特征圖輸入空洞空間金字塔池化模塊，空洞空間金字塔池化模塊，通過并行執行不同膨脹系數的空洞卷積及全局池化操作，得到具有多感受野特征圖并在通道方向上進行融合，得到多尺度感受野特征圖；

S43、將多尺度感受野特征圖輸入特征金字塔模塊，通過特征金字塔模塊自上而下的路徑對多尺度感受野特征圖進行上采樣操作后，與步驟S41中多尺度特征圖通過卷積壓縮后進行橫向連接，融合得到不同尺度的融合特征圖；

S44、將不同尺度的融合特征圖進行上采樣操作后，得到同尺度的融合特征圖，將同尺度的融合特征圖相連接并進行卷積，再進行上采樣操作，輸出得到分割結果。

4.如權利要求3所述的一種基于深度學習的胃癌病理切片分割算法，其特征在于：所述特征金字塔模塊具有自下而上的路徑及自上而下的路徑，自下而上的路徑上設有卷積層及池化層，自上而下的路徑上設有上采樣層及1×1卷積層，通過卷積層及池化層采集圖像塊的多尺度特征圖，上采樣層對多尺度感受野特征圖進行上采樣操作后與多尺度特征圖輸入1×1卷積層壓縮通道后進行橫向連接。

5.如權利要求3所述的一種基于深度學習的胃癌病理切片分割算法，其特征在于：所述步驟S42中的空洞空間金字塔池化模塊設有深度可分離卷積單元，深度可分離卷積單元包括深度卷積及逐點卷積，通過深度卷積對多尺度特征圖進行卷積后輸入逐點卷積進行融合。

6.如權利要求5所述的一種基于深度學習的胃癌病理切片分割算法，其特征在于：所述深度卷積包含1個1×1卷積層及3個3×3卷積層，3個3×3卷積層分別采用膨脹系數為12、24及36的空洞卷積。

7.如權利要求6所述的一種基于深度學習的胃癌病理切片分割算法，其特征在于：所述空洞卷積的具體公式如下：

其中，y表示輸出特征圖，x表示輸入特征圖，w表示卷積核，k表示卷積核的位置，r表示空洞卷積的膨脹系數。