[發明專利]一種病理切片圖像病變分級分類檢測方法

在審

• 申請號: 202310578843.9
• 申請日: 2023-05-22
• 公開（公告）號: CN116597218A
• 公開（公告）日: 2023-08-15
• 發明（設計）人: 張淼;鄒春柳;蔣萍;趙虹博;王艷;沈毅
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06V20/70;G06V10/80;G06N3/0464;G06N3/08
• 代理公司: 哈爾濱龍科專利代理有限公司 23206
• 代理人: 呂洪娟

1.一種病理切片圖像病變分級分類檢測方法，其特征在于所述方法包括如下步驟：

步驟一：將高分辨率的完整切片掃描圖規則裁剪，利用基于歸一化互信息配準的自動化標簽標注方法對裁剪后的圖像標注標簽，生成數據集；

步驟二：以DenseNet121為基準網絡，對DenseNet121網絡進行改進，引入焦點損失函數平衡多個組織樣本之間的權重，用于組織識別的多分類任務訓練；

步驟三：在步驟二改進后的DenseNet121中的每一個稠密塊和轉換層中間加入混合注意力模塊，增強網絡對病理圖像中病變區域的空間和通道特征的權重，并將局部監督函數加入到修改后網絡的損失函數中，用于同時檢測網絡的整體分類性能和局部增強效果；

步驟四：用步驟二中基于結構優化的改進網絡學習切片組織形態，用步驟三中基于局部注意力監督的改進網絡學習病變組織特征，將步驟二和步驟三中的兩個改進網絡系統結合，形成針對病變的分級分類檢測方案。

2.根據權利要求1所述的病理切片圖像病變分級分類檢測方法，其特征在于所述步驟一的具體步驟如下：

步驟一一：先將一張已經完成人工標記的完整的切片掃描圖裁剪為若干子圖，降低輸入圖像的分辨率，在對子圖進行標注之前先按照四角匹配方式計算子圖邊緣四個點的R、G、B三個通道與切片掃描圖原圖中滑動窗口大小的R、G、B三個通道的NMI：

其中，下標R表示R通道，NMI(X；Y)為隨機變量X和隨機變量Y的歸一化互信息，H(X)為隨機變量X的信息熵，H(Y)為隨機變量Y的信息熵，I(X；Y)為隨機變量X和隨機變量Y的互信息，P(x,y)為隨機變量X和隨機變量Y的聯合概率分布函數，P(x)、P(y)分別為隨機變量X和隨機變量Y的邊緣概率分布函數；同理計算出G、B兩個通道的NMI值：

步驟一二：采用廣度與深度相結合的動態步距搜索法，即先進行一次廣度搜索，以較大的步距進行搜索，一次搜索過程保存盡可能多的相似匹配結果，如果一次搜索中不能得出相應的匹配圖，則縮小步距，人工篩選出最接近與拍攝圖的匹配結果，再以此結果為原點進行第二次深度搜索；

步驟一三：將搜索后得到的匹配結果保存，并將每一幅子圖在掃描圖原圖上的位置信息保存，根據得到的位置信息和標簽信息，獲取子圖所屬的標簽；按照多分類和二分類任務需要，將所有的子圖隨機劃分為訓練集、驗證集和測試集，并生成在切片原圖上所篩選的子圖可視化信息。

3.根據權利要求1所述的病理切片圖像病變分級分類檢測方法，其特征在于所述步驟二的具體步驟如下：

步驟二一：將DenseNet121中稠密塊的層數改為3個6層稠密塊，去掉最后一層稠密塊，并將最后的全連接層改為多分類任務需求大小；

步驟二二：引入焦點損失函數作為改進網絡的損失函數：

FL(p_t)＝-α_t(1-p_t)^γlog(p_t)

其中，FL(p_t)表示參數p_t的焦點損失函數，α_t為調節因子，p_t為：

p為二分類模型中圖像被判別為前景的概率，γ是調質因子(1-p_t)^γ的參數。