[发明专利]病理图片的处理方法

权利要求书

1.一种病理图片的处理方法，其特征在于，所述方法包括如下步骤：

步骤1：使用显微镜摄像头分别采集位于显微镜下的若干块细胞涂片病理图像，得到病理图像数据集；

步骤2：分别对每一张病理图像增强处理，扩充病理图像的数量，然后对病理图像中的细胞所在位置、细胞类型及对应的置信度使用标注工具进行标注；

步骤3：构建病理图像检测模型，将病理图像输入病理图像检测模型内生成病理图像特征图，并利用不同尺度的特征图对病理图像进行检测和识别；

步骤4：训练病理图像检测模型，通过随机梯度下降法对病理图像检测模型进行训练得到病理图像模型，将待检测的病理图像输入训练好的病理图像模型进行分析对比，得到病理图像的细胞所在位置、细胞类别及对应的置信度。

2.根据权利要求1所述的一种病理图片的处理方法，其特征在于：所述步骤2中，对每一张病理图像增强处理的方法包括对病理图像进行水平翻转、垂直翻转、添加随机噪声和随机旋转处理，扩充病理图像样本的数据集，使用标注工具为标签制作工具LabelImg；所述的标注信息包括病理图像中的细胞所在位置标注框的坐标、细胞类型标签、对应的置信度数值和保存病理图像路径信息。

3.根据权利要求2所述的一种病理图片的处理方法，其特征在于：所述步骤3中，病理图像检测模型包括特征提取网络、空间金字塔网络和多尺度预测层，特征提取网络经空间金字塔网络与多尺度预测层连接，所述特征提取网络包括4个处理模块，并且处理模块与处理模块首尾相接，每个处理模块的输入端设置有1×1卷积层和2×2平均池化层，用于对病理图像特征图降维，在处理模块后特征图维度为13×13、26×26和52×52时，这三个尺度的病理图像特征图通过卷积核的方式实现局部的特征交互，进而构成多尺度预测层；在多尺度预测层中插入空间金字塔网络实现特征金字塔网络。

4.根据权利要求3所述的一种病理图片的处理方法，其特征在于：空间金字塔网由3个空间箱构成，在每个空间箱内分别把病理图像特征图分成13×13、19×19和5×5块，经过最大池化层后再拼接。

5.根据权利要求1所述的一种病理图片的处理方法，其特征在于：所述步骤4中训练的消耗函数为：

Loss＝Error_coord+Error_iou+Error_cls

其中Error_coord、Error_iou和Error_cls分别表示预测包围盒的误差、IOU误差和分类误差；λ_coord为坐标误差权重；S²是将输入图像分割为的网格数，B是每个网格生成的包围框数；如果等于1，则第j个包围框在第i网格内覆盖了目标；否则等于0；为预测边界框的中心坐标值及其宽度和高度，(x_i,y_i,w_i,h_i)为真实的边界框的中心坐标值及其宽度和高度；λ_noobj为对边界框进行预测时置信度损失的权重；c_i为预测的置信度；为真实的置信度；p_i(c)是在网格i内目标属于c的真实概率，是预测的概率。

6.根据权利要求2所述的一种病理图片的处理方法，其特征在于：所述步骤4中的检测过程为：

将图像大小调整为416×416，然后将图像分割成S×S个网格，如果目标的中心位于网格单元中，则在该网格中执行检测过程；每个网格单元分别预测B个包围框、包围框的置信度得分和物体的类别信息概率C，置信度Confidence得分由公式获得；置信度Confidence得分等于表示真实包围框和预测包围框之间的交并比；预测包围框的坐标标记为(x,y,w,h)；其中x和y表示预测包围框的中点坐标，w和h表示预测包围框的长和宽；如果网格单元中没有对象，则应为0,否则为1；对上一步中获得的预测包围框坐标(x,y,w,h)使用logistic归一化处理；通过对图像中满足置信度Confidence阈值的区域采用非极大值抑制算法处理；通过非极大值抑制的处理结果，获取标定预测包围框所对应的坐标范围和类别信息。