[发明专利]图像质量评价方法

权利要求书

1.图像质量评价方法，用于评价病理图像的质量，其特征在于，包括：

判断所述病理图像是经扫描获得的数字病理图像还是通过安装在显微镜上的显微摄像头在高倍视野下对位于显微镜镜头下的病理切片的画面进行采集获得的实时采集图像；

当所述病理图像是数字病理图像时，先判断图像的成像质量，如果成像质量差，则结束图像质量评价，输出判断结果；否则，再判断图像的内容质量，对数字病理图像进行第二图像采样，输入高倍质量判断模型进行内容质量判断，高倍质量判断模型输出判断结果；

当所述病理图像是实时采集图像时，将采集到的实时采集图像输入高倍质量判断模型进行内容质量判断，高倍质量判断模型输出判断结果；所述采集到的实时采集图像与高倍质量判断模型的训练样本大小相适应；

所述数字病理图像的成像质量判断方法，具体包括：对所述数字病理图像进行第一图像采样，采集m1倍率下的低倍图像样本，将所述低倍图像样本切分为多张大小相同的切分图像，将多张大小相同的切分图像输入低倍质量判断模型进行成像质量判断，低倍质量判断模型输出每张切分图像的成像质量评分，根据成像质量评分，判断低倍图像样本的成像质量，输出判断结果。

2.根据权利要求1所述的图像质量评价方法，其特征在于，所述低倍质量判断模型进行质量判断的方法包括：

在所得每张切分图像的质量评分中取最小值，如果此最小值小于阈值a，则将数字病理图像判为扫描质量不合格；否则，为扫描质量合格。

3.根据权利要求1所述的图像质量评价方法，其特征在于，所述数字病理图像的内容质量判断方法，具体包括：对所述数字病理图像进行第二图像采样，从m2倍率下随机采集多个设定大小的高倍图像样本，将所述高倍图像样本输入高倍质量判断模型进行内容质量判断，输出判断结果。

4.根据权利要求3所述的图像质量评价方法，其特征在于，所述高倍质量判断模型进行质量判断的方法包括：

将所述多个高倍图像样本输入高倍质量判断模型，高倍质量判断模型输出每张高倍图像样本的质量评分，将所得的质量评分取平均值，若所得平均值小于阈值b1，则将数字病理图像判断为内容质量合格；否则，为内容质量不合格。

5.根据权利要求1所述的图像质量评价方法，其特征在于，所述实时采集图像的内容质量判断方法，具体包括：对所述实时采集图像进行图像采集，将采集的实时采集图像输入高倍质量判断模型进行内容质量判别，高倍质量判断模型输出图像的质量评分，若所述实时采集图像评分小于阈值b3，则将所述实时采集图像判断为内容质量合格；否则，为内容质量不合格。

6.根据权利要求2所述的图像质量评价方法，其特征在于，所述低倍质量判断模型的训练过程包括：

S10，采集训练数据：

获取若干张数字病理全场图，对所述数字病理全场图进行低倍采样，获得放大倍率为m1的数字病理图像，将获得的数字病理图像调整为同样大小，将每张数字病理图像切分为n1张相同大小的子图像，将所有子图像根据成像质量分为低倍正样本和低倍负样本；

S11，训练深度学习模型：

建立卷积神经网络作为第一切片质量判断器，采用低倍正样本和低倍负样本进行训练，获得低倍质量判断模型。

7.根据权利要求3或4或5所述的图像质量评价方法，其特征在于，所述高倍质量判断模型的训练过程包括：

S20，采集训练数据：

获取若干张数字病理全场图，对所述数字病理全场图进行高倍采样，获得放大倍率为m2的数字病理图像，将每张数字病理图像切分为n2张相同大小的切分图像，将所有切分图像根据内容质量分为高倍正样本和高倍负样本；

S21，训练深度学习模型：

建立卷积神经网络作为第二切片质量判断器，采用高倍正样本和高倍负样本进行训练，获得高倍质量判断模型。