[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

1.一种葡萄胎切片图像处理方法，其特征在于，步骤如下：

S1，将葡萄胎切片图像的切片水肿分布图、切片增生分布图分别输入不同尺度的金字塔池化层，得到葡萄胎切片图像的特征向量；

S2，将步骤S1中得到的特征向量输入全连接神经网络，输出葡萄胎切片的分类结果。

2.如权利要求1所述的一种葡萄胎切片图像处理方法，其特征在于，还包括步骤S3：

根据葡萄胎切片图像、切片水肿分布图、切片增生分布图得到水肿可视化切片图像、增生可视化切片图像、水肿区域截图、增生区域截图，将所述水肿可视化切片图像、增生可视化切片图像、水肿区域截图、增生区域截图和S2中得到的葡萄胎切片分类结果显示输出。

3.如权利要求2所述的一种葡萄胎切片图像处理方法，其特征在于，包括：

所述水肿可视化切片图像是将葡萄胎切片图像中的水肿区域标注第一颜色得到，所述增生可视化切片图像是将葡萄胎切片图像中的水肿区域标注第二颜色得到；

所述水肿区域截图是通过将切片水肿分布图按尺寸size切块得到，切块像素均值最小的1～10个切块对应的切块图像为水肿区域截图，所述增生区域截图是通过将切片增生分布图按尺寸size切块得到，切块像素均值最小的1～10个切块对应的切块图像为增生区域截图。

4.如权利要求1所述的一种葡萄胎切片图像处理方法，其特征在于，步骤S1中，将切片水肿分布图切成1²,...,(n₁-1)²,n₁²的网格图，将切片增生分布图切成1²,...,(n₂-1)²,n₂²的网格图(n₁≠n₂)，对每一块网格图进行均值池化得到个特征值，共计得到个特征值的特征向量。

5.如权利要求1所述的一种葡萄胎切片图像处理方法，其特征在于，步骤S2中，将特征向量作为全连接神经网络全连接神经网络的输入。全连接神经网络包括输入层、中间层和输出层，输入层为金字塔池化层输出的个特征值的特征向量，中间层为m个神经元，输出层为表示网络分类结果的三个输出神经元，网络输出结果包括葡萄胎、非葡萄胎和疑似葡萄胎三个类别。

6.一种葡萄胎切片图像处理装置，其特征在于，包括：

特征向量生成模块，用于将切片水肿分布图、切片增生分布图输入金字塔池化层，得到特征向量；

网络分类结果生成模块，用于将所述特征向量输入全连接网络，输出葡萄胎切片的分类结果。

7.如权利要求6所述的一种葡萄胎切片图像处理装置，其特征在于，还包括可视化模块：

根据葡萄胎切片图像、切片水肿分布图、切片增生分布图得到水肿可视化切片图像、增生可视化切片图像、水肿区域截图、增生区域截图，将所述水肿可视化切片图像、增生可视化切片图像、水肿区域截图、增生区域截图和S2中得到的葡萄胎切片分类结果显示输出。

8.如权利要求7所述的一种葡萄胎切片图像处理装置，其特征在于，包括：

所述水肿可视化切片图像是将葡萄胎切片图像中的水肿区域标注第一颜色得到，所述增生可视化切片图像是将葡萄胎切片图像中的水肿区域标注第二颜色得到；

所述水肿区域截图是通过将切片水肿分布图按尺寸size切块得到，切块像素均值最小的1～10个切块对应的切块图像为水肿区域截图，所述增生区域截图是通过将切片增生分布图按尺寸size切块得到，切块像素均值最小的1～10个切块对应的切块图像为增生区域截图。