[发明专利]由全卷积神经网络加速细胞学图像分类的图像预处理

权利要求书

1.一种用于通过使用完全卷积网络(FCN)对在测试图像上成像的多个细胞进行分类的方法，所述FCN具有多个卷积层，每个卷积层具有各自的步幅值，所述FCN在具有优化的用于针对图像并行计算多个卷积乘积的硬件配置的专用处理器上实现，所述方法包括：

将所述测试图像分割成背景和多个感兴趣区域(ROI)，单个ROI包括与所述多个细胞中的剩余细胞分离的一个或多个连接的单个细胞；

压缩所述测试图像以形成压缩的测试图像，包括：

在第一约束条件下重新排列所述ROI用于将所述ROI更紧密地打包在一起，所述第一约束条件为任何相邻的两个重新排列的ROI在测试图像的x方向和y方向中的每一个方向上分开的像素距离不小于根据所述卷积层的步幅值确定的最小距离，其中，单个ROI通过执行一个或多个几何操作而重新排列，而不调整单个ROI的大小，所述一个或多个几何操作包括重新定位单个ROI；以及

用边界包围整个重新排列的ROI以形成所述压缩的测试图像，其中，所述边界是所述压缩的测试图像的周边并且在第二约束条件下被选择，所述第二约束条件为由所述压缩的测试图像占据的第一像素数量小于所述测试图像占据的第二像素数量；以及

通过使用所述FCN处理所述压缩的测试图像而不是原始的测试图像来对多个细胞进行分类，以减少完成多个细胞的分类所需的时间，而不需要重新优化所述硬件配置。

2.根据权利要求1所述的方法，其中，所述最小距离d_min由下式给出：其中，N是所述卷积层的总数，且是第i个卷积层的步幅值。

3.根据权利要求1所述的方法，还包括：

在所述测试图像被压缩之前，用所述测试图像中的空白背景代替所述背景，以在多个细胞的分类中最小化由于所述背景造成的干扰。

4.根据权利要求1所述的方法，其中，所述边界是矩形边界。

5.根据权利要求4所述的方法，其中，所述矩形边界具有以像素为单位测量的宽度和长度，所述宽度和长度中的每一个被选择为足以包围所有重新排列的ROI的最小程度。

6.根据权利要求4所述的方法，其中，所述矩形边界具有以像素为单位测量的宽度和长度，所述宽度和长度中的每一个被选择为足以包围所有重新排列的ROI的最小程度，同时满足在处理所述压缩的测试图像中所述FCN的一个或多个图像大小要求。

7.根据权利要求1所述的方法，其中：

将所述测试图像分割成所述背景和所述ROI包括确定所述测试图像上每个所述ROI的位置和轮廓；并且

所述ROI的重新排列包括：

利用网格单元对所述测试图像进行网格化以形成网格化图像，其中，单独的ROI被马赛克化以在网格化图像上形成相对应的ROI网格，由此在所述网格化图像上形成多个ROI网格；

根据ROI网格尺寸的降序，在重新定位后的ROI网格不重叠的第三约束条件下，将所述网格化图像上的ROI网格逐个重新定位；以及

在利用定向位移在所述网格化图像上重新定位相对应的ROI网格时，利用相同的定向位移在测试图像上重新定位所述单个ROI。

8.根据权利要求7所述的方法，其中，所述网格单元是最小网格单元。