[发明专利]基于深度学习的病理切片图像质量评级方法及系统

权利要求书

1.一种基于深度学习的病理切片图像质量评级方法，其特征在于：

包括以下过程：

获取待评价的病理切片图像；

将获取到的病理切片图像切分为多张子图像；

根据切分后的子图像和预设检测模型，得到病理切片图的气泡检测结果；

根据切分后的子图像和预设分割模型，得到刀痕、裂隙和褶皱区域的分割结果；

将多张子图像上的气泡检测结果和刀痕、裂隙、褶皱区域分割结果，按照原始的切片图像进行拼接，得到完整病理切片图像的结果；

根据完整病理切片图像的结果，得到病理切片图像的质量级别。

2.如权利要求1所述的基于深度学习的病理切片图像质量评级方法，其特征在于：

预设检测模型为RetinaNet检测模型。

3.如权利要求2所述的基于深度学习的病理切片图像质量评级方法，其特征在于：

RetinaNet检测模型包括：残差网络、特征金字塔网络以及两个全卷积子网络，残差网络用于对图像进行特征提取，特征金字塔网络利用残差网络提取的特征构建多尺度特征，两个全卷积子网络分别负责分类和检测框回归。

4.如权利要求1所述的基于深度学习的病理切片图像质量评级方法，其特征在于：

预设分割模型为U-Net++分割模型。

5.如权利要求4所述的基于深度学习的病理切片图像质量评级方法，其特征在于：

U-Net++分割模型的连通域公式为：

其中，为卷积，为下采样，为上采样，x^i，j表示节点X^i，j的输出，i沿编码器索引下采样层，j沿跳接索引密集块的卷积层。

6.如权利要求4所述的基于深度学习的病理切片图像质量评级方法，其特征在于：

U-Net++分割模型的训练采用深度监督，在节点X^i，j，X^i，j，X^i，j，X^i，j的输出上设有1×1卷积和激活函数。

7.如权利要求4所述的基于深度学习的病理切片图像质量评级方法，其特征在于：

每个语义尺度定义一种混合分割损失，混合分割损失包括像素级交叉熵损失和Dice系数损失：

其中，P为预测结果，Y为像素级标签，p_n，c∈P和y_n，c∈Y分别表示第c类和第n个像素的目标标签和预测概率。

8.一种基于深度学习的病理切片图像质量评级系统，其特征在于：

包括：

数据获取模块，被配置为：获取待评价的病理切片图像；

图像切分模块，被配置为：将获取到的病理切片图像切分为多张尺寸更小的子图像；

气泡检测模块，被配置为：根据切分后的子图像和预设检测模型，得到病理切片图的气泡检测结果；

图像分割模块，被配置为：根据切分后的子图像和预设分割模型，得到刀痕、裂隙和褶皱区域的分割结果；

结果拼接模块，被配置为：将多张子图像上的气泡检测结果和刀痕、裂隙、褶皱区域分割结果，按照原始的切片图像进行拼接，得到完整病理切片图像的结果；

质量评级模块，被配置为：根据完整病理切片图像的结果，得到病理切片图像的质量级别。

9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于深度学习的病理切片图像质量评级方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于深度学习的病理切片图像质量评级方法中的步骤。