[發(fā)明專利]一種基于級聯(lián)卷積網絡的數(shù)字病理圖像分割方法及其模型

有效

• 申請?zhí)枺?/td>: 202011408765.0
• 申請日: 2020-12-03
• 公開（公告）號: CN112529908B
• 公開（公告）日: 2022-10-04
• 發(fā)明（設計）人: 姜志國;孫樹嬌;鄭鈺山;張浩鵬;謝鳳英
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06V10/80;G16H70/60
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

本發(fā)明公開了一種基于級聯(lián)卷積網絡的數(shù)字病理圖像分割方法及其模型，該方法為：輸入待分割的病理圖像，通過采樣獲取高分辨率特征圖和低分辨率特征圖，根據(jù)當前低分辨率特征圖獲取低分辨率特征圖的分割能力概率；對比分割能力概率與測試閾值的大小，若分割能力概率大于測試閾值，則通過訓練好的低分辨率分割模型進行圖像分割，若分割能力概率小于等于測試閾值，則通過訓練好的高分辨率分割模型進行圖像分割，獲取分割結果；該模型包括第一注意力模塊、閾值比較模塊、低分辨率分割模型和高分辨率分割模型，其中高分辨率分割模型包括級聯(lián)控制模塊。本發(fā)明有效減少了高分辨率的數(shù)字病理圖像處理過程中的計算量，使數(shù)字病理圖像分割更加快速高效。

技術領域

本發(fā)明涉及數(shù)字圖像處理技術領域，更具體的說是涉及一種基于級聯(lián)卷積網絡的數(shù)字病理圖像分割方法及其模型。

背景技術

隨著計算機與顯微成像技術的快速發(fā)展，數(shù)字病理圖像的獲取也越來越便捷與快速，大量數(shù)字病理圖像數(shù)據(jù)使得基于深度學習的數(shù)字病理圖像分割方法研究成為大量研究人員關注的熱點。

數(shù)字病理圖像的分割即在病理全切片圖像中分割出癌癥區(qū)域，在病理圖像的分割任務中，最常用的分割網絡有FCN、U-Net等，這些網絡都是在一個固定的分辨率下進行圖像的分割，然而，病理圖像分辨率很大，處理起來速度較慢，所以研究病理圖像的快速分割方法有重要的意義。

現(xiàn)有的級聯(lián)分割主要通過以下兩種方法進行：(a)基于多個互相獨立的分辨率網絡來進行訓練測試，雖然可以達到減少計算量，加快速度的最終目的，但是訓練過程中訓練兩個網絡模型，增加了訓練的時間；測試過程中，對兩個網絡分別進行測試，雖然總時間減少了，但是非端到端的網絡使用起來增加了不便性。(b)將多個分辨率的圖像作為輸入，但是多個分辨率的圖像特征之間沒有進行有效的結合，同等對待，多個分辨率的輸入增加了網絡的計算量，不利用于網絡的高效分割。

因此，如何提供一種快速高效的基于級聯(lián)卷積網絡的數(shù)字病理圖像分割方法是本領域技術人員亟需解決的問題。

發(fā)明內容

有鑒于此，本發(fā)明提供了一種基于級聯(lián)卷積網絡的數(shù)字病理圖像分割方法及其模型，目的在于有效減少高分辨率的數(shù)字病理圖像處理過程中的計算量，使數(shù)字病理圖像分割更加快速高效。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術方案：

一種基于級聯(lián)卷積網絡的數(shù)字病理圖像分割方法，包括以下步驟：

輸入待分割的病理圖像，通過采樣獲取高分辨率特征圖和低分辨率特征圖，根據(jù)當前低分辨率特征圖獲取對低分辨率特征圖的分割能力概率P；對比分割能力概率P與測試閾值Trd的大小，若分割能力概率P大于測試閾值Trd，則通過訓練好的低分辨率分割模型進行圖像分割，若分割能力概率P小于等于測試閾值Trd，則通過訓練好的高分辨率分割模型進行圖像分割，獲取分割結果；

其中，通過訓練好的低分辨率分割模型進行圖像分割的方法包括：

對當前低分辨率特征圖提取特征信息，獲得最終分割結果；

通過訓練好的高分辨率分割模型進行圖像分割的方法包括：

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

S2.根據(jù)所獲得的權重α₁和權重α₂分別對高分辨率特征圖和低分辨率特征圖進行加權融合；

S3.對加權融合后的特征圖提取并融合淺層信息和深層信息，獲得最終分割結果。

優(yōu)選的，S1的具體內容包括：