[发明专利]基于深度学习的病理切片分析方法、电子设备及可读存储介质

说明书

本发明公开了一种基于深度学习的病理切片分析方法、电子设备及可读存储介质，所述方法包括以下步骤：S1，对病理切片进行预处理，提取预处理图像中的多级特征，利用多级特征对病理切片进行细胞核分割和细胞核分类；S2，统计病理切片中非正常细胞核的数量，若该数量小于细胞核总数的5％，则认为该切片为正常切片，否则认为是疑似非正常切片；S3，对疑似非正常切片进行细胞核聚集区域划分，提取细胞核聚集区域特征；S4，基于细胞核聚集区域特征对疑似非正常切片进行分类，得到最终分类结果；本发明能够对病理切片中的细胞核进行准确分割，进而获得的病理切片分类结果更加准确。

技术领域

本发明属于计算机视觉技术领域，涉及一种基于深度学习的病理切片分析方法、电子设备及可读存储介质。

背景技术

近年来随着扫描技术的高速发展，尤其是全视野数字切片的出现，极大地促进了组织病理学图像自动分析在计算机领域的发展，目前，以深度学习为代表的人工智能技术成为最热门的研究领域之一，将其与组织病理学图像分析相结合吸引了无数科研人员的目光。

对细胞核信息进行包括分割、分类等的自动化分析，对病理切片的自动化诊断有着重要意义，其中，细胞核分割任务在整个组织病理学图像自动化分析中占据重要位置，同时细胞核分割也是一个难点，受限于病理切片的制作工艺，细胞核重叠、接触现象无法避免，且细胞核周围的杂质、细胞质区域等都会对细胞核分割造成影响，如果能够在此基础上，将细胞核准确分割开来，并获得其轮廓信息，将能够有效地帮助病理医生提取细胞核信息，并进行有效诊断；细胞核的分类和分割都只是在病理切片上对细胞核信息进行提取，如果能够利用这些信息作进一步分析，得到了整个病理切片的分类信息，极大地减轻病理医生的诊断压力。

发明内容

为了达到上述目的，本发明实施例提供一种基于深度学习的病理切片分析方法，能够对病理切片中的细胞核进行准确分割，并结合像素点分类结果和细胞核聚集区域特征实现病理切片的准确分类。

本发明实施例还提供一种电子设备及可读存储介质。

本发明所采用的技术方案是，基于深度学习的病理切片分析方法，具体包括以下步骤：

S1，使用比尔-朗伯转换法和稀疏矩阵分解法对RGB格式的病理切片进行颜色归一化处理；

S2，使用DPU-Net网络的编码器提取颜色归一化处理后切片中的特征图像，并基于特征图像对病理切片进行细胞核分割和细胞核分类，将病理切片初步分为正常切片和疑似非正常切片；

S3，对疑似非正常切片进行细胞核聚集区域划分，提取细胞核聚集区域的特征；

S4，以细胞核聚集区域特征为输入，使用宽度学习模型对疑似非正常切片进行最终分类。

进一步的，所述DPU-Net网络包括编码器和解码器；

所述编码器包括依次连接的特征提取层和四个双流连接模块，所述特征提取层包括依次连接的卷积层、归一化层和激活层，所述双流连接模块包括依次连接的三组归一化层、激活层和卷积层，双流连接模块的处理过程如下：

y＝PC([x[bw:],F(x)[bw:],x[:bw]+F(x)[:bw]])

其中PC(·)表示均值池化操作及卷积操作，y表示输出结果，x表示输入特征，F(x)表示中间变量，+表示残差学习中的叠加操作，[·]表示密集连接；

解码器包括与双流连接模块对应的四个UP Block模块和Softmax层，所述UPBlock模块包括依次连接的上采样层和两组卷积层、归一化层和激活层。

进一步的，所述S2中病理切片初步分类过程如下：

S2-1，对特征图像进行细胞核分割，将其初步划分为细胞核内部区域、细胞核外部区域和细胞核边界区域；