[发明专利]基于图卷积的胃癌病理图像分割网络结构

说明书

本发明涉及一种基于图卷积的胃癌病理图像分割网络结构，在UNet网络分割识别的基础上，加一个反应全局信息的分类分支，采用分支判断和图卷积相结合，通过分类分支进行全局特征类别信息的判断，以及图卷积其优秀的特征选取和融合功能，这样可以有效的减少假阳性，得到真正的阳性区域。相比于其他分割网络来说，由于分类分支的加入，分割结果会更加的准确，可以有效的减少假阳性，防止误导医生，同时可以有效地提升医生的诊断速度。

技术领域

本发明涉及一种图像识别技术，特别涉及一种基于图卷积的胃癌病理图像分割网络结构。

背景技术

现如今，胃癌成为全世界发病率排名前列的癌症，及时发现并准确的诊断出胃病(低级别瘤变、高级别瘤变和癌变)是有效控制胃癌比率上升的方式。在胃病理诊断中，快速的找到病灶并对病灶类别判定能够大大提升医生的诊断效率。

当下对于胃癌病理分割来说，基本都是基于全卷积创建的网络模型进行分割，如U-Net、Deeplab系列模型等，这些方法都是利用卷积层来提取特征，再通过提取的特征得到最终的病灶分割结果。然而卷积层从结构上面来看是局部连接，只能用来学习局部信息，很难学习输入图像的这些整体全局信息，所以在判断图像的整体类别上面有所欠缺，从而可能导致出现假阳性或者导致漏检。胃癌病理图像上面分割出大量的假阳性或者漏检很容易误导医生，并且影响医生的使用体验。

发明内容

本发明是针对胃癌病理分割所用模型识别全局性差的问题，提出了一种基于图卷积的胃癌病理图像分割网络结构，能够准确有效的用于胃癌病理图像中病灶区域的分割，得到一张病理切片后可以快速准确的定位出病灶区域，有效减少医生寻找病灶区域花费的时间，从而大大提升医生诊断速度。

本发明的技术方案为一种基于图卷积的胃癌病理图像分割网络结构，包括UNet网络、图结构、全连层结构、类别限制模块；

UNet网络：病理图像经过UNet网络的encoder下采样进行编码特征提取，再经过UNet网络的decoder上采样一层层解码部分提取的特征，得到UNet网络分割结果；

图结构：将UNet网络每层上采样提取的部分特征作为分类分支构建为图结构，图结构作为图卷积的输入，再次进行特征筛选，筛选后的所有特征图再经过缩放为相同大小的特征图；

全连层结构:图结构输出的所有大小一致的特征图进行融合以后，送入全连层，得到分支融合分类结果；

类别限制模块：UNet网络识别分割结果和分支融合分类结果进行结合，分支融合分类结果为阴性0时，最终分割结果中不包含阳性区域；分支融合分类结果为阳性1时，最终分割结果为UNet网络识别分割结果。

本发明的有益效果在于：本发明基于图卷积的胃癌病理图像分割网络结构，在UNet网络模型上能够加一个反应全局信息的分类分支去辨别图像是阴性还是阳性，可以对分割结果有一定辅助作用，当此分类分支显示为阴性时，分割结果则为全阴性；当分类分支显示为阳性时，分割结果保持不变。这样可以有效的减少假阳性，得到真正的阳性区域。相比于其他分割网络来说，由于分类分支的加入，分割结果会更加的准确，可以有效的减少假阳性，防止误导医生，同时可以有效地提升医生的诊断速度。

附图说明

图1为本发明基于图卷积的胃癌病理图像分割网络结构图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。