[发明专利]一种基于深度学习的病理图片肝癌扩散检测方法及系统

权利要求书

1.一种基于深度学习的病理图片肝癌扩散检测方法，该方法利用深度学习建立的检测模型实现肝癌扩散检测，其特征在于：包括以下步骤：

将数字病理切片图像的血管进行标注；

在标注区域的不同倍率下进行滑动切割，所述滑动切割用于将标注区域划分成若干个小区域；所述滑动切割的切割方法包括：

在最高倍率下统计血管标注区域的直径大小，以此为不同倍率下最终的图像切割大小；

沿着横向方向进行滑动切割，切割获得的图像是以标注区域直径大小相同的矩形图像，水平滑动的距离是标注区域直径大小的三分之一；

沿着纵向方向进行滑动切割，切割获得的图像是以标注区域直径大小相同的矩形图像，纵向滑动的距离是标注区域直径大小的三分之一；

将不同倍率下的切割图像输入到由深度学习建立的检测模型中检测血管是否为肝癌扩散血管，所述检测模型通过对图像进行特征提取，检测出血管内是否包含癌细胞像素点；

将检测的血管结果在原始数字病理切片图像上进行图像化展示；

所述深度学习建立检测模型的方法包括：

在不同图像细粒度上级联图像的特征；

将图像特征传递到预测层，首先进行下采样，模型的depth不断加深，weight和 height不断缩小，然后进行上采样，并在上采样的过程中与下采样weight和height相同的时候进行级联，将低层的特征和高层的特征进行融合，提高模型的分类和位置准确度；

对图像进行预测，输出检测框的位置（Xleft，Ytop，Width，Height）和分类类别，即检测出血管的位置坐标，并判断其为正常血管还是带有肝癌扩散的血管区域；

所述模型的损失函数包括三个部分，检测框置信度损失，检测框的位置损失，以及分类损失，其中置信度损失为，计算公式为：

位置损失函数为,表示其位置与实际标签的位置差，其计算公式为：

其中，A表示为预测的x,y,w,h计算得到的面积，B由ground true计算得到的目标的面积；

而为检测框的分类损失：

所以整体的损失函数L为：

为权衡系数，取0.8；

所述检测结果通过非极大值抑制筛选出最终的检测区域。