[发明专利]一种基于深度哈希的病理全切片检索方法

说明书

本发明公开了一种基于深度哈希的病理全切片检索方法，包括：哈希数据库的建立：输入查询图像，得到带标签的图像块，将带标签的图像块输入至卷积神经网络中，通过切片级损失函数对CNN网络框架进行训练，将所有的训练图像转化为相应的二值编码，得到哈希数据库；检索结果的确定：利用CNN网络框架提取测试图像的二值编码，通过哈希数据库检索得到与测试图像二值编码相近的编码，进而返回对应的图像，采用非极大值抑制的方法对返回的图像进行融合，得出检索结果。本发明利用图像块的切片标签信息，在损失函数中加入了一个切片级抑制项，使得来自相同切片的图像在特征空间中具有更大的区分度。

技术领域

本发明属于数字图像处理技术领域，更具体的说是涉及一种基于深度哈希的病理全切片检索方法。

背景技术

数字病理图像分析是当前癌症诊断中重要的辅助诊断方法，数字病理图像是指经过染色处理的病理切片在显微镜下成像后得到的数字图像。基于内容的图像检索可以在数据库中查找与目标患者相似的病理图像及其病例，为医生诊断提供丰富的辅助信息，近年来关于病理图像的检索成为研究领域的热点。在之前的研究中传统的检索方法主要是针对小规模的数据集，提取出图像的特征描述子，例如SIFT、HOG、GIST特征等等，再采用语义分析模型对特征进行分析处理，但是这种方法只能适应于特定的图像，鲁棒性较差，并且在处理速度上也达不到要求。近年来随着卷积神经网络(CNN)和哈希方法在病理图像检索上的应用，使得检索方法在鲁棒性和处理速度上有了比较大的提升。具体地，在训练阶段通过CNN对大规模病理全切片数据集进行训练，把分割之后的图像块映射到二值特征空间，进而得到训练集的哈希表，在测试阶段，通过训练完成的CNN结构得到测试图像相应的二值编码特征，最后通过比较此编码与训练集编码的汉明距离得到检索结果。

现有技术以PDRH算法为代表，其流程图如图1所示。PDRH算法设计了一个15层的卷积神经网络，对所有训练集中的图像进行训练，该网络采用了针对图像检索的复数级(pairwise level)损失函数，输入图像经过一系列卷积层后，在输出层被压缩为32位的列向量，此损失函数使得带有同一标签的图像在输出层的特征空间内尽量靠近，并且使得该编码的每一位的绝对值接近1，然后通过一个符号函数把32位特征转换为相应的二值编码，以此得到训练集的二值编码列表。在测试时通过训练好的CNN输出测试图像的二值编码，在哈希表上返回与测试图像编码汉明距离最近的编码，并依次返回相应的图像。

现有技术PDRH算法基于图像块层面的检索，对于图像块的切片信息采取忽视的策略，在放回结果中可能出现大量的来自同一切片和同一区域的冗余结果(如图3(a))；虽然PDRH算法可以取得良好的检索精度，但是提供的诊断信息是很有限的，不能够充分的利用已有的诊断信息数据。

因此，如何提供一种基于深度哈希的病理全切片检索方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于深度哈希的病理全切片检索方法，利用图像块的切片标签信息，在损失函数中加入了一个切片级抑制项，使得来自相同切片的图像在特征空间中具有更大的区分度。

为了实现上述目的，本发明采用如下技术方案：

一种基于深度哈希的病理全切片检索方法，包括：

(1)哈希数据库的建立：

输入查询图像，得到带标签的图像块，将带标签的图像块输入至卷积神经网络中，通过切片级损失函数对CNN网络框架进行训练，将所有的训练图像转化为相应的二值编码，得到哈希数据库；

(2)检索结果的确定：

利用CNN网络框架提取测试图像的二值编码，通过哈希数据库检索得到与测试图像二值编码相近的编码，进而返回对应的图像，采用非极大值抑制的方法对返回的图像进行融合，得出检索结果。

具体的，查询图像采用224×224像素的图像。