[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

说明书

本发明提供了一种基于深度学习的病理切片图像质量评级方法及系统，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；本发明能够实时监控病理切片图像的质量以及定位问题所在的区域，提供了评价切片质量的依据，从而保障了病理诊断的准确性。

技术领域

本发明涉及医学图像处理技术领域，特别涉及一种基于深度学习的病理切片图像质量评级方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。

病理切片制片过程中包含脱水、浸蜡、切片染色等过程，在生成切片中难免会存在气泡、褶皱、刀痕等问题，这些问题会影响诊断医师的阅片效果，从而对诊断结果造成一定影响，因此对于病理切片质量的把控是十分重要的。

发明人发现，现有的病理切片图像的质量评级一般是将图像输入到深度学习网络中进行特征提取，然后根据提取的特征进行评价，单一评价模型往往无法实现图像输入特征的完整提取，同时由于完整的病理切片图像像素基本在亿级，一般的方法采用下采样缩小图像尺寸，因此丢失了大量关键信息，从而使得最终的评级结果准确性较低。

发明内容

为了解决现有技术的不足，本发明提供了一种基于深度学习的病理切片图像质量评级方法及系统，能够实时监控病理切片图像的质量以及定位问题所在的区域，提供了评价切片质量的依据，从而保障了病理诊断的准确性。

为了实现上述目的，本发明采用如下技术方案：

本发明第一方面提供了一种基于深度学习的病理切片图像质量评级方法。

一种基于深度学习的病理切片图像质量评级方法，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尺寸更小的子图像；

具体的，将完整病理切片图像按照预设的长宽进行裁切，保留相邻子图像间一定的重叠部分，以免漏检部分问题区域；

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；

具体的，对于子图像重叠部分的检测框，保留面积较大的检测框，对于重叠部分的分割掩码，保留其并集；

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。

本发明第二方面提供了一种基于深度学习的病理切片图像质量评级系统。

一种基于深度学习的病理切片图像质量评级系统，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；

具体的，将完整病理切片图像按照预设的长宽进行裁切，保留相邻子图像间一定的重叠部分，以免漏检部分问题区域；

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；