[發(fā)明專利]一種基于級(jí)聯(lián)卷積網(wǎng)絡(luò)的數(shù)字病理圖像分割方法及其模型

有效

• 申請(qǐng)?zhí)枺?/td>: 202011408765.0
• 申請(qǐng)日: 2020-12-03
• 公開(kāi)（公告）號(hào): CN112529908B
• 公開(kāi)（公告）日: 2022-10-04
• 發(fā)明（設(shè)計(jì)）人: 姜志國(guó);孫樹(shù)嬌;鄭鈺山;張浩鵬;謝鳳英
• 申請(qǐng)（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06V10/80;G16H70/60
• 代理公司: 北京慕達(dá)星云知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11465
• 代理人: 符繼超

1.一種基于級(jí)聯(lián)卷積網(wǎng)絡(luò)的數(shù)字病理圖像分割方法，其特征在于，包括以下步驟：

輸入待分割的病理圖像，通過(guò)采樣獲取高分辨率特征圖和低分辨率特征圖，根據(jù)當(dāng)前低分辨率特征圖獲取對(duì)低分辨率特征圖的分割能力概率P；對(duì)比分割能力概率P與測(cè)試閾值Trd的大小，若分割能力概率P大于測(cè)試閾值Trd，則通過(guò)訓(xùn)練好的低分辨率分割模型進(jìn)行圖像分割，若分割能力概率P小于等于測(cè)試閾值Trd，則通過(guò)訓(xùn)練好的高分辨率分割模型進(jìn)行圖像分割，獲取分割結(jié)果；

其中，通過(guò)訓(xùn)練好的低分辨率分割模型進(jìn)行圖像分割的方法包括：

對(duì)當(dāng)前低分辨率特征圖提取特征信息，直接獲得低分辨率分割結(jié)果，再上采樣得到最終分割結(jié)果；

通過(guò)訓(xùn)練好的高分辨率分割模型進(jìn)行圖像分割的方法包括：

S1.根據(jù)當(dāng)前低分辨率特征圖獲取低分辨率特征圖的權(quán)重α₂，以及高分辨率特征圖的權(quán)重α₁；

S2.根據(jù)所獲得的權(quán)重α₁和權(quán)重α₂分別對(duì)高分辨率特征圖和低分辨率特征圖進(jìn)行加權(quán)融合；

S3.對(duì)加權(quán)融合后的特征圖提取并融合淺層信息和深層信息，獲得最終分割結(jié)果，其中對(duì)加權(quán)融合后的特征圖進(jìn)行下采樣完成淺層信息的提取，對(duì)完成下采樣后的特征圖進(jìn)行上采樣完成深層信息的提取。

2.根據(jù)權(quán)利要求1所述的一種基于級(jí)聯(lián)卷積網(wǎng)絡(luò)的數(shù)字病理圖像分割方法，其特征在于，S1的具體內(nèi)容包括：

對(duì)低分辨率特征圖進(jìn)行特征處理，將特征處理后的低分辨率特征圖經(jīng)過(guò)2×2池化層進(jìn)行下采樣，然后對(duì)下采樣后的特征圖進(jìn)行全局平均池化得到1×1×c維的數(shù)組，再進(jìn)行整平操作得到1×c維的數(shù)組，后續(xù)經(jīng)過(guò)全連接層，得到兩個(gè)輸出，最后經(jīng)過(guò)softmax函數(shù)得到權(quán)重α₁和權(quán)重α₂；

其中，c為通道數(shù)。

3.根據(jù)權(quán)利要求1所述的一種基于級(jí)聯(lián)卷積網(wǎng)絡(luò)的數(shù)字病理圖像分割方法，其特征在于，S2的具體內(nèi)容包括：

對(duì)高分辨率特征圖進(jìn)行特征處理，對(duì)特征處理后的高分辨率特征圖的每個(gè)值乘以權(quán)重α₁完成對(duì)高分辨率特征圖的加權(quán)，對(duì)特征處理后低分辨率特征圖的每個(gè)值乘以權(quán)重α₂完成對(duì)低分辨率特征圖的加權(quán)，對(duì)加權(quán)后的高分辨率特征圖和低分辨率特征圖進(jìn)行求和獲取融合后的特征圖，并對(duì)求和后的特征圖進(jìn)行特征處理。

4.根據(jù)權(quán)利要求2或3中任意一項(xiàng)所述的一種基于級(jí)聯(lián)卷積網(wǎng)絡(luò)的數(shù)字病理圖像分割方法，其特征在于，特征處理具體方法為進(jìn)行卷積。

5.根據(jù)權(quán)利要求1所述的一種基于級(jí)聯(lián)卷積網(wǎng)絡(luò)的數(shù)字病理圖像分割方法，其特征在于，對(duì)高分辨率分割模型的訓(xùn)練方法為：

(1)輸入對(duì)應(yīng)位置的高分辨率病理圖像與低分辨率病理圖像，并進(jìn)一步獲取高分辨率特征圖與低分辨率特征圖；

(2)根據(jù)當(dāng)前低分辨率特征圖獲取低分辨率特征圖的權(quán)重α₂，以及高分辨率特征圖的權(quán)重α₁，其中α₁+ α₂＝1；

(3)將低分辨率特征圖和高分辨率特征圖進(jìn)行加權(quán)融合，得到融合后的特征圖；

(4)將融合后的特征圖進(jìn)行卷積操作，得到低分辨率的分割結(jié)果與高分辨率的分割結(jié)果；

(5)損失函數(shù)包括低分辨率的Dice Loss和高分辨率的Dice Loss的加和，通過(guò)模型在驗(yàn)證集上的效果來(lái)選取最終的訓(xùn)練模型。