[发明专利]一种基于深度学习的葡萄胎切片图像处理方法及装置

权利要求书

1.一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，步骤如下：

S1，获取葡萄胎切片扫描图像；

S2，将葡萄胎切片扫描图像切为尺寸为size1和size2的切块；

S3，将size1切块输入深度卷积网络1，得到size1切块水肿标签，根据切块标签得到切片图片的水肿分布热度图；

S4，将size2切块输入深度卷积网络2，得到size2切块增生标签，根据切块标签得到切片图片的增生分布热度图。

2.如权利要求1所述的一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，步骤S1中，所述葡萄胎切片扫描图像由显微镜拍摄的所有图片拼接得到。

3.如权利要求1所述的一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，步骤S3、S4中，深度卷积网络1是经过人工标注的葡萄胎水肿切块图像数据集训练得到的用于水肿切块分类的网络，深度卷积网络2是经过人工标注的葡萄胎增生切块图像数据集训练得到的用于增生切块分类的网络。

4.如权利要求1所述的一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，步骤S3、S4中，分布热度图的生成步骤为：

S3-1，以记录为水肿或增生标签的每张切块的中心点作为散点，在整张切片图片中形成离散的散点数据图；

步骤一，将训练图片以尺寸size切成若干训练图片切块。尺寸size的计算公式(4)为：

其中，s_i为每个水肿或增生连通域的最小外接矩阵较长边的长度，M为水肿或增生连通域的个数，D为小于1的可调参数；

步骤二，计算训练图片切块中水肿或增生区域面积占训练图片切块总面积的比值，若比值超过特定阈值threshold，则该训练图片切块标签为水肿或增生切块，否则该训练图片切块标签为非水肿或增生切块；

阈值threshold采用公式(5)进行计算：

其中，P为训练图片切块中水肿或增生区域面积占训练图片切块总面积的比值，N为训练图片切块的张数，pi为第i张训练图片切块中水肿或增生区域面积占训练图片切块总面积的比值；

步骤三，将标签为水肿和非水肿切块或增生和非增生切块作为深度卷积网络的训练数据集，最终训练得到深度卷积网络1和深度卷积网络2。

5.一种基于深度学习的葡萄胎切片图像处理装置，其特征在于，包括：

显微镜，用于放大葡萄胎切片的微小结构；

切片扫描模块，用于获取葡萄胎切片在显微镜下的葡萄胎切片扫描图像；

切片切块模块，将葡萄胎切片扫描图像切为尺寸为size1和size2的切块；

水肿分布热度图获取模块，将size1切块输入深度卷积网络1，得到size1切块水肿标签，根据切块标签得到切片图片的水肿分布热度图；

增生分布热度图获取模块，将size1切块输入深度卷积网络1，得到size1切块增生标签，根据切块标签得到切片图片的增生分布热度图；

6.如权利要求6所述的一种基于深度学习的葡萄胎切片图像处理装置，其特征在于，所述葡萄胎切片扫描图像由显微镜拍摄的所有图片拼接得到。

7.如权利要求6所述的一种基于深度学习的葡萄胎切片图像处理装置，其特征在于，所述深度卷积网络1是经过人工标注的葡萄胎水肿切块图像数据集训练得到的用于水肿切块分类的网络，所述深度卷积网络2是经过人工标注的葡萄胎增生切块图像数据集训练得到的用于增生切块分类的网络，。

8.如权利要求6所述的一种基于深度学习的葡萄胎切片图像处理装置，其特征在于，所述分布热度图的生成步骤为：

步骤一，以记录为水肿或增生标签的每张切块的中心点作为散点，在整张切片图片中形成离散的散点数据图；

步骤二，为整张切片图片中的每个散点创建单热点灰度区；

步骤三，所有的单热点灰度区重叠、组合成整张切片图片的分布热度图。

9.如权利要求8所述的一种基于深度学习的葡萄胎切片图像处理装置，其特征在于，所述深度卷积网络1和深度卷积网络2的训练步骤为：

步骤一，将训练图片以尺寸size切成若干训练图片切块。尺寸size的计算公式(4)为：

其中，s_i为每个水肿或增生连通域的最小外接矩阵较长边的长度，M为水肿或增生连通域的个数，D为小于1的可调参数；

步骤二，计算训练图片切块中水肿或增生区域面积占训练图片切块总面积的比值，若比值超过特定阈值threshold，则该训练图片切块标签为水肿或增生切块，否则该训练图片切块标签为非水肿或增生切块；

阈值threshold采用公式(5)进行计算：

其中，P为训练图片切块中水肿或增生区域面积占训练图片切块总面积的比值，N为训练图片切块的张数，pi为第i张训练图片切块中水肿或增生区域面积占训练图片切块总面积的比值；

步骤三，将标签为水肿和非水肿切块或增生和非增生切块作为深度卷积网络的训练数据集，最终训练得到深度卷积网络1和深度卷积网络2。