[發(fā)明專利]一種切片圖像處理方法及模型訓(xùn)練方法和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011213252.4
• 申請(qǐng)日: 2020-11-03
• 公開(kāi)（公告）號(hào): CN112330627A
• 公開(kāi)（公告）日: 2021-02-05
• 發(fā)明（設(shè)計(jì)）人: 周丕軒;郝昀超;李志寧
• 申請(qǐng)（專利權(quán)）人: 廣州信瑞醫(yī)療技術(shù)有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/10
• 代理公司: 北京超凡宏宇專利代理事務(wù)所(特殊普通合伙) 11463
• 代理人: 衡滔

1.一種切片圖像處理方法，其特征在于，包括：

獲取切片圖像；

將所述切片圖像輸入至訓(xùn)練好的圖像分區(qū)識(shí)別模型中，得到區(qū)域分割后的分區(qū)圖像；

將所述分區(qū)圖像輸入至訓(xùn)練好的圖像病變分類模型中，得到所述切片圖像對(duì)應(yīng)的標(biāo)識(shí)；其中，所述標(biāo)識(shí)表征所述切片圖像的病理類別。

2.根據(jù)權(quán)利要求1所述的切片圖像處理方法，其特征在于，在所述獲取切片圖像之后，所述方法還包括：

將所述切片圖像進(jìn)行預(yù)處理，生成第一切片圖像；其中，對(duì)所述切片圖像進(jìn)行預(yù)處理用于改變所述切片圖像的數(shù)據(jù)量；

相應(yīng)的，所述將所述切片圖像輸入至訓(xùn)練好的圖像分區(qū)識(shí)別模型中，包括：

將所述第一切片圖像輸入至所述訓(xùn)練好的圖像分區(qū)識(shí)別模型中。

3.一種模型訓(xùn)練方法，其特征在于，包括：

獲取第一訓(xùn)練樣本數(shù)據(jù)；其中，所述第一訓(xùn)練樣本數(shù)據(jù)包括已標(biāo)記的切片圖像以及未標(biāo)記的切片圖像；所述已標(biāo)記的切片圖像為通過(guò)將標(biāo)注有不同顏色的切片圖像賦予不同的灰度值后得到的；不同的顏色表征不同的組織區(qū)域；相同顏色的區(qū)域賦予相同的灰度值；

將所述已標(biāo)記的切片圖像以及所述未標(biāo)記的切片圖像輸入至構(gòu)建的圖像分區(qū)識(shí)別模型中進(jìn)行訓(xùn)練，得到訓(xùn)練好的圖像分區(qū)識(shí)別模型；其中，所述訓(xùn)練好的圖像分區(qū)識(shí)別模型用于將輸入的切片圖像進(jìn)行分割。

4.根據(jù)權(quán)利要求3所述的模型訓(xùn)練方法，其特征在于，在所述獲取第一訓(xùn)練樣本數(shù)據(jù)之后，所述方法還包括：

將所述未標(biāo)記的切片圖像進(jìn)行預(yù)處理，生成第一切片圖像；其中，對(duì)所述未標(biāo)記的切片圖像進(jìn)行預(yù)處理用于改變所述未標(biāo)記的切片圖像的數(shù)據(jù)量；

相應(yīng)的，所述將所述已標(biāo)記的切片圖像以及所述未標(biāo)記的切片圖像輸入至構(gòu)建的圖像分區(qū)識(shí)別模型中進(jìn)行訓(xùn)練，包括：

將所述已標(biāo)記的切片圖像以及所述第一切片圖像輸入至所述構(gòu)建的圖像分區(qū)識(shí)別模型中進(jìn)行訓(xùn)練。

5.一種模型訓(xùn)練方法，其特征在于，包括：

獲取第二訓(xùn)練樣本數(shù)據(jù)；其中，所述第二訓(xùn)練樣本數(shù)據(jù)包括區(qū)域分割后的第一分區(qū)圖像以及原切片圖像帶有的表征所述原切片圖像的病理類別的標(biāo)識(shí)數(shù)據(jù)集；

將所述第一分區(qū)圖像以及所述標(biāo)識(shí)數(shù)據(jù)集輸入至構(gòu)建的圖像病變分類模型中進(jìn)行訓(xùn)練，得到訓(xùn)練好的圖像病變分類模型；其中，所述訓(xùn)練好的圖像病變分類模型用于根據(jù)輸入的切片圖像，輸出與其對(duì)應(yīng)的概率最大的標(biāo)識(shí)。

6.一種切片圖像處理裝置，其特征在于，包括：

獲取模塊，用于獲取切片圖像；

第一處理模塊，用于將所述切片圖像輸入至訓(xùn)練好的圖像分區(qū)識(shí)別模型中，得到區(qū)域分割后的分區(qū)圖像；

第二處理模塊，用于將所述分區(qū)圖像輸入至訓(xùn)練好的圖像病變分類模型中，得到所述切片圖像對(duì)應(yīng)的標(biāo)識(shí)；其中，所述標(biāo)識(shí)表征所述切片圖像的病理類別。

7.一種模型訓(xùn)練裝置，其特征在于，包括：

獲取模塊，用于獲取第一訓(xùn)練樣本數(shù)據(jù)；其中，所述第一訓(xùn)練樣本數(shù)據(jù)包括已標(biāo)記的切片圖像以及未標(biāo)記的切片圖像；所述已標(biāo)記的切片圖像為通過(guò)將標(biāo)注有不同顏色的切片圖像賦予不同的灰度值后得到的；不同的顏色表征不同的組織區(qū)域；相同顏色的區(qū)域賦予相同的灰度值；

處理模塊，用于將所述已標(biāo)記的切片圖像以及所述未標(biāo)記的切片圖像輸入至構(gòu)建的圖像分區(qū)識(shí)別模型中進(jìn)行訓(xùn)練，得到訓(xùn)練好的圖像分區(qū)識(shí)別模型；其中，所述訓(xùn)練好的圖像分區(qū)識(shí)別模型用于將輸入的切片圖像進(jìn)行分割。

8.一種模型訓(xùn)練裝置，其特征在于，包括：

獲取模塊，用于獲取第二訓(xùn)練樣本數(shù)據(jù)；其中，所述第二訓(xùn)練樣本數(shù)據(jù)包括區(qū)域分割后的第一分區(qū)圖像以及原切片圖像帶有的表征所述原切片圖像的病理類別的標(biāo)識(shí)數(shù)據(jù)集；

處理模塊，用于將所述第一分區(qū)圖像以及所述標(biāo)識(shí)數(shù)據(jù)集輸入至構(gòu)建的圖像病變分類模型中進(jìn)行訓(xùn)練，得到訓(xùn)練好的圖像病變分類模型；其中，所述訓(xùn)練好的圖像病變分類模型用于根據(jù)輸入的切片圖像，輸出與其對(duì)應(yīng)的概率最大的標(biāo)識(shí)。