[发明专利]基于DCT频率自适应选择的数字病理全切片分割方法

说明书

本发明公开了一种基于DCT频率自适应选择的数字病理全切片分割方法，包括以下步骤：基于CNN‑based网络架构将训练样本中的所有全切片分别分割成若干个图像块，并对每个图像块进行JPEG解码操作，得到DCT编码；对DCT编码进行数据重排和频率自适应选择得到DCT压缩编码块；利用DCT压缩编码块对预先构建的CNN分类模型进行训练；基于训练好的CNN分类模型对待检测全切片中所有图像块的DCT压缩编码块进行分类预测，得到待检测全切片范围的预测结果图。本发明利用JPEG压缩图像解码过程的中间结果离散余弦(DCT)编码块，经过自适应的频率选择得到DCT压缩编码块代替原图像块进行网络的训练、预测，使输入数据量得到大幅度削减，使所需的分类模型的尺寸更小、推理速度更快。

技术领域

本发明涉及数字病理全切片图像处理技术领域，更具体的说是涉及一种基于DCT频率自适应选择的数字病理全切片分割方法。

背景技术

癌症是现代人类健康的重要威胁，在医学领域，基于组织切片的病理学诊断是癌症诊断的“金标准”。随着扫描仪成像技术的发展，数字病理全切片图像因其易于保存、易于传输等优点被迅速普及，加速了癌症远程诊断的发展，与此同时基于深度学习的计算机辅助诊断算法也逐渐成为了该领域的一个研究热点。

与自然图像有所区别，数字病理全切片图像本身具有的超高像素尺寸，使其在处理过程中受限于计算机硬件水平。如图1所示，现有算法对数字病理全切片图像的分割主要分为两种主流思路，一者先将其分割为若干个图像块分别利用卷积神经网络(convolutional neural network,CNN)进行特征提取以获得局部特征进行标签预测，而后按原空间顺序排布单张图像块的标签配合适当的上采样形成分割掩膜结果。而此种方法只能生成图像块级别的分割结果使得边界较为模糊，同时又需对成千上万张图像块进行预测，CPUs与GPUs传输间的带宽限制分析的速度。另一者则利用全卷积网络(fullyconvolutional network，FCN)采用滑窗法对每一窗口的图像进行像素级别的预测，直接能够得到和输入尺寸大小相同的分割掩膜图。但由于此种方法需要通过大量的交叠区域来保证窗口边界分割的平滑和准确，进而造成计算的冗余和耗时的增加。

图1中的框架是现有解决数字病理全切片图像分割中最为高效的一种方法，该方案主要问题描述如下：在整个自动分析流程中，基于CNN的数字病理全切片图像分块预测，其产生的成千上万个图像块在CPUs上预处理后传输到GPUs上进行加速预测的过程中受到带宽的极大限制，实际工程中严重拖慢了计算机自动分析的时间，使现有方法的运行效率远不能满足医生使用需要；为了尽量缩减分析时长，现有算法大多依赖GPU计算，使得自动分析应用部署成本居高不下，难以在医疗经济落后的地区广泛普及。因此，如何提高计算机的分析速度是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于DCT频率自适应选择的数字病理全切片分割方法，在CNN-based分割思路下，利用JPEG压缩图像解码过程的中间结果离散余弦(DCT)编码块，经过自适应的频率选择得到DCT压缩编码块代替原图像块进行网络的训练、预测，使输入数据量得到大幅度削减，使所需的分类模型的尺寸更小、推理速度更快。

为了实现上述目的，本发明采用如下技术方案：

一种基于DCT频率自适应选择的数字病理全切片分割方法，包括以下步骤：

基于CNN-based网络架构将训练样本中的所有全切片分别分割成若干个图像块，并对每个图像块进行JPEG解码操作，得到DCT编码；

对DCT编码进行数据重排和频率自适应选择得到DCT压缩编码块；

利用DCT压缩编码块对预先构建的CNN分类模型进行训练；

基于训练好的CNN分类模型对待检测全切片中所有图像块的DCT压缩编码块进行分类预测，得到待检测全切片范围的预测结果图。