[发明专利]基于深度学习模型的病理图像标注方法及系统在审

专利信息
申请号: 202010343399.9 申请日: 2020-04-27
公开(公告)号: CN111583203A 公开(公告)日: 2020-08-25
发明(设计)人: 王磊;徐文龙;韩国堃;李娜 申请(专利权)人: 齐鲁工业大学
主分类号: G06T7/00 分类号: G06T7/00;G06T7/136;G06T7/62;G06K9/62;G06N3/04;G06N3/08
代理公司: 济南圣达知识产权代理有限公司 37221 代理人: 黄海丽
地址: 250353 山东*** 国省代码: 山东;37
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 深度 学习 模型 病理 图像 标注 方法 系统
【权利要求书】:

1.基于深度学习模型的病理图像标注方法,其特征是,包括:

获取待标注的病理图像;

设定滑动窗口的尺寸,将滑动窗口在待标注病理图像进行之字形移动;基于训练好的深度学习模型,计算移动前的滑动窗口内图像块的病理类别;

滑动窗口移动后,计算移动后的滑动窗口内图像块的病理类别;

依据移动前和移动后滑动窗口内图像块病理类别的一致性,输出移动前和移动后滑动窗口内图像块病理类别。

2.如权利要求1所述的方法,其特征是,所述方法输出移动前和移动后滑动窗口内图像块病理类别步骤之后,还包括:

当滑动窗口之字形移动完毕后,将相同病理类别的图像块的面积区域进行统计,根据相同病理类别的图像块的面积区域与待标注病理图像面积的比值大小,标注当前待标注病理图像的图像类别。

3.如权利要求1所述的方法,其特征是,基于训练好的深度学习模型,计算移动前的滑动窗口内图像块的病理类别;具体步骤包括:

将移动前滑动窗口内的图像块,输入到训练好的深度学习模型中,深度学习模型输出图像块的所归属病理类别。

4.如权利要求1所述的方法,其特征是,基于训练好的深度学习模型,计算移动前的滑动窗口内图像块的病理类别;具体步骤包括:

将移动前滑动窗口内的第一图像块,输入到训练好的深度学习模型中,深度学习模型输出第一图像块的所归属第一病理类别;

在滑动窗口每次移动前,滑动窗口进行上下左右四个方向的滑动,分别将上下左右滑动后滑动窗口的图像块定义为第二图像块、第三图像块、第四图像块和第五图像块;

将第二图像块、第三图像块、第四图像块和第五图像块,分别输入到训练好的深度学习模型中,深度学习模型分别输出第二图像块、第三图像块、第四图像块和第五图像块各自所归属的第二病理类别、第三病理类别、第四病理类别和第五病理类别;

如果第一、第二、第三、第四和第五病理类别中,数量最多的病理类别即为第一图像块的病理类别。

5.如权利要求1所述的方法,其特征是,依据移动前和移动后滑动窗口内图像块病理类别的一致性,输出移动前和移动后滑动窗口内图像块病理类别,包括:

如果移动前滑动窗口内图像块的病理类别,与移动后滑动窗口内图像块的病理类别一致,则将移动前和移动后滑动窗口内的图像块的病理类别均标注为当前病理类别。

6.如权利要求1所述的方法,其特征是,依据移动前和移动后滑动窗口内图像块病理类别的一致性,输出移动前和移动后滑动窗口内图像块病理类别,包括:

如果移动前滑动窗口内图像块的病理类别,与移动后滑动窗口内图像块的病理类别不一致,则将移动前和移动后滑动窗口内的图像块的交集区域不做任何标注,将移动前和移动后滑动窗口内的图像块的非交集区域分别标注为各自图像块对应的类别。

7.如权利要求2所述的方法,其特征是,当滑动窗口之字形移动完毕后,将相同病理类别的图像块的面积区域进行统计,根据相同病理类别的图像块的面积区域与待标注病理图像面积的比值大小,标注当前待标注病理图像的图像类别;具体包括:

相同病理类别的图像块的面积区域与待标注病理图像面积的比值大于等于设定阈值时,表示当前待标注病理图像的图像类别即为大于等于设定阈值的图像块所对应的病理类别。

8.基于深度学习模型的病理图像标注系统,其特征是,包括:

获取模块,其被配置为:获取待标注的病理图像;

第一计算模块,其被配置为:设定滑动窗口的尺寸,将滑动窗口在待标注病理图像进行之字形移动;基于训练好的深度学习模型,计算移动前的滑动窗口内图像块的病理类别;

第二计算模块,其被配置为:滑动窗口移动后,计算移动后的滑动窗口内图像块的病理类别;

输出模块,其被配置为:依据移动前和移动后滑动窗口内图像块病理类别的一致性,输出移动前和移动后滑动窗口内图像块病理类别。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于齐鲁工业大学,未经齐鲁工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010343399.9/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code