[发明专利]针对病理图像的语义分割方法和电子设备

权利要求书

1.一种针对病理图像的语义分割方法，其特征在于，采用轻量级语义分割网络对病理图像进行语义分割，包括：接收待处理的病理图像；对所述病理图像进行标准化处理；将所述经过标准化处理后的病理图像输入所述轻量级语义分割网络，得到语义类别结果；判断所述语义类别结果是否为多个，若是，则经过非极大值抑制操作后输出语义类别；否则，输出语义类别。

2.根据权利要求1所述的一种针对病理图像的语义分割方法，其特征在于，所述轻量级语义分割网络，训练过程包括：获取携带有标注信息的小样本图像；对所述小样本图像进行数据增强，扩充为新的样本集；对所述样本集中的样本图像进行主成分分析标准化处理；将经过标准化处理的样本图像输入深度学习网络，深度学习网络输出语义类别结果；所述深度学习网络采用深监督方法计算损失，对网络参数进行更新，直到损失函数的输出达到预设值，即得到轻量级语义分割网络。

3.根据权利要求2所述的一种针对病理图像的语义分割方法，其特征在于，所述深度学习网络的处理过程包括：所述深度学习网络接收经过标准化处理的样本图像；分阶段依次对所述样本图像进行特征提取，包括阶段1、阶段2、......、阶段n，每个阶段输出对应特征图；分别对阶段2、......、阶段n输出特征图进行转换操作，上采样到相同大小，生成对应的转换层1、......、转换层n-1；将所述转换层1、......、转换层n-1进行堆叠操作，生成第一多尺度融合层；所述第一多尺度融合层通过跳跃连接与阶段1输出的特征图进行堆叠操作，生成第二多尺寸融合层；所述第二多尺度融合层经过转换操作，上采样到原样本图像大小，并输出语义类别结果。

4.根据权利要求3所述的一种针对病理图像的语义分割方法，其特征在于，所述每个阶段对应相同分辨率的一系列连续的特征图。

5.根据权利要求3所述的一种针对病理图像的语义分割方法，其特征在于，所述分阶段依次对所述样本图像进行特征提取，还包括将样本图像中关键区域的像素级特征转换为易于分类的高语义特征。

6.根据权利要求3所述的一种针对病理图像的语义分割方法，其特征在于，所述分别对阶段2、......、阶段n输出特征图进行转换操作，上采样到相同大小，在此过程中通过压缩特征图数进行参数控制，同时使用卷积操作对上采样后的特征图进行去噪。

7.根据权利要求3所述的一种针对病理图像的语义分割方法，其特征在于，所述转换操作包括：采用1*1卷积核将输入对象的通道特征进行耦合，使得特征图数量减半后再上采样；采用3*3卷积核结合特征图的领域空间特征，消除上采用影响并滤除噪声；经过批标准化，使得特征图的每个像素值靠近标注正态分布。

8.根据权利要求1所述的一种针对病理图像的语义分割方法，其特征在于，所述深度学习网络采用深监督方法计算损失，对网络参数进行更新，是指：根据所述阶段1和每个转换层预测结果的损失计算损失平均值；根据所述损失平均值对网络参数进行更新。

9.一种电子设备，包括处理器；以及存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-8中任一项所述的针对病理图像的语义分割方法。

10.一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1-8中任一项所述的针对病理图像的语义分割方法。