本发明专利技术公开了全视野病理切片图像分类方法、装置、设备及存储介质，包括：获取待分类全视野病理切片图像；将所述待分类全视野病理切片图像输入预先构建的全视野病理切片图像特征向量提取模型，输出全视野病理切片图像特征向量；将所述全视野病理切片图像特征向量输入预先构建的全视野病理切片图像分类模型，输出全视野病理切片图像分类结果。本发明专利技术能够提高全视野病理切片图像分类的正确率。全视野病理切片图像分类的正确率。全视野病理切片图像分类的正确率。
【技术实现步骤摘要】
全视野病理切片图像分类方法、装置、设备及存储介质
[0001]本专利技术属于图像处理
，具体涉及全视野病理切片图像分类方法、装置、设备及存储介质。
技术介绍
[0002]癌症作为当代致死率最高的疾病之一，近年来呈现快速增长趋势。病理切片是医生诊断癌症肿瘤的金标准。传统的癌症分类方法由经验丰富的病理医生通过对苏木精和伊红(H&E)染色过的全视野病理切片进行甄别，海量的视觉筛查工作耗费医生大量时间和精力。
[0003]随着计算机视觉智能分析的发展，基于深度学习的癌症全视野病理切片图像分类方法被提出，降低了人工提取特征的要求，利用深度神经网络自动学习病例特点，对复杂多样的癌症切片进行检测分类。基于卷积神经网络的全视野病理分类方法，由于完全使用卷积神经网络缺少周围空间特征信息；基于残差网络的乳腺癌分类方法，不能够捕捉网络中多尺度特征信息，因此残差网络不善于探索新的特征。综上，基于深度学习全视野病理切片图像分类方法缺少周围空间特征信息、多尺度特征信息等问题，导致模型特征提取仅利用当前区域特征信息、当前尺度信息，周围空间特征信息，多尺度维度信息无法提供辅助判断作用，造成分类错误，影响正确率。
技术实现思路
[0004]针对现有技术中存在的问题，本专利技术提供了全视野病理切片图像分类方法、装置、设备及存储介质，能够提高全视野病理切片图像分类的正确率。
[0005]为了解决上述技术问题，本专利技术通过以下技术方案予以实现：
[0006]一种全视野病理切片图像分类方法，包括：
[0007]获取待分类全视野病理切片图像；
[0008]将所述待分类全视野病理切片图像输入预先构建的全视野病理切片图像特征向量提取模型，输出全视野病理切片图像特征向量；
[0009]将所述全视野病理切片图像特征向量输入预先构建的全视野病理切片图像分类模型，输出全视野病理切片图像分类结果。
[0010]进一步地，所述全视野病理切片图像特征向量提取模型的构建方法为：
[0011]获取全视野病理切片图像以及全视野病理切片图像标签类别，对所述全视野病理切片图像进行预处理；
[0012]将预处理后的全视野病理切片图像以及全视野病理切片图像标签类别分为训练集和验证集；
[0013]利用训练集训练多尺度卷积神经网络，得到所述全视野病理切片图像特征向量提取模型，所述全视野病理切片图像特征向量提取模型输出全视野病理切片图像特征向量。
[0014]进一步地，所述对所述全视野病理切片图像进行预处理，具体包括：
[0015]将全视野病理切片图像切割成若干小图像；
[0016]对每个所述小图像进行灰度化处理；
[0017]计算灰度化处理后的小图像中无效像素占比；
[0018]选取小图像中无效像素占比小于预设阈值的小图像作为输入数据。
[0019]进一步地，所述全视野病理切片图像特征向量提取模型的构建方法还包括：
[0020]将验证集输入训练好的所述全视野病理切片图像特征向量提取模型，输出验证集对应的全视野病理切片图像特征向量；
[0021]将验证集对应的全视野病理切片图像特征向量与期望输出的全视野病理切片图像特征向量进行比对，若比对后的正确率小于第一预设正确率，则用训练集继续训练多尺度卷积神经网络，直到比对后的正确率不小于第一预设正确率。
[0022]进一步地，所述全视野病理切片图像分类模型的构建方法为：
[0023]利用全视野病理切片图像标签类别和全视野病理切片图像特征向量提取模型输出的全视野病理切片图像特征向量作为输入数据，并采用周围空间区域感知选择策略和空间区域特征融合策略训练卷积神经网络，得到空间区域特征向量；
[0024]将空间区域特征向量输入SVM分类器，输出全视野病理切片图像的预测结果标签；
[0025]将预测结果标签与真实标签进行比对，若比对后的正确率小于第二预设正确率，则用全视野病理切片图像标签类别和全视野病理切片图像特征向量提取模型输出的全视野病理切片图像特征向量继续训练卷积神经网络，直到比对后的正确率不小于第二预设正确率，得到全视野病理切片图像分类模型。
[0026]进一步地，所述多尺度卷积神经网络包含卷积层47层，平均池化层11层，最大池化层4层，特征连接层15层；卷积层用于提取全视野病理切片图像特征，平均池化层与最大池化层用于扩大卷积核感受野，特征连接层用于进行全视野病理切片图像特征向量拼接。
[0027]一种全视野病理切片图像分类装置，包括：
[0028]获取模块，用于获取待分类全视野病理切片图像；
[0029]全视野病理切片图像特征向量输出模块，用于将所述待分类全视野病理切片图像输入预先构建的全视野病理切片图像特征向量提取模型，输出全视野病理切片图像特征向量；
[0030]全视野病理切片图像分类结果输出模块，用于将所述全视野病理切片图像特征向量输入预先构建的全视野病理切片图像分类模型，输出全视野病理切片图像分类结果。
[0031]一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种全视野病理切片图像分类方法的步骤。
[0032]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现一种全视野病理切片图像分类方法的步骤。
[0033]与现有技术相比，本专利技术至少具有以下有益效果：首先获取待分类全视野病理切片图像以及全视野病理切片图像标签类别，对全视野病理切片图像进行预处理；预处理是将全视野病理切片图像切割成若干小图像并进行灰度化处理，选取小图像中无效像素占比小于预设阈值的小图像作为输入数据。将预处理后的全视野病理切片图像以及全视野病理切片图像标签类别分为训练集和验证集；利用训练集训练多尺度卷积神经网络，得到全视
野病理切片图像特征向量提取模型，全视野病理切片图像特征向量提取模型输出全视野病理切片图像特征向量。利用验证集验证多尺度卷积神经网络，输出验证集对应的全视野病理切片图像特征向量；将验证集对应的全视野病理切片图像特征向量与期望输出的全视野病理切片图像特征向量进行比对，若比对后的正确率小于第一预设正确率，则用训练集继续训练多尺度卷积神经网络，直到比对后的正确率不小于第一预设正确率。利用全视野病理切片图像标签类别和全视野病理切片图像特征向量提取模型输出的全视野病理切片图像特征向量作为输入数据，并采用周围空间区域感知选择策略和空间区域特征融合策略训练卷积神经网络，得到空间区域特征向量；将空间区域特征向量输入SVM分类器，输出全视野病理切片图像的预测结果标签；将预测结果标签与真实标签进行比对，若比对后的正确率小于第二预设正确率，则用全视野病理切片图像标签类别和全视野病理切片图像特征向量提取模型输出的全视野病理切片图像特征向量继续训练卷积神经网络，直到比对后的正确率不小于第二预设正确率，得到全视野病理切片图像分类模本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种全视野病理切片图像分类方法，其特征在于，包括：获取待分类全视野病理切片图像；将所述待分类全视野病理切片图像输入预先构建的全视野病理切片图像特征向量提取模型，输出全视野病理切片图像特征向量；将所述全视野病理切片图像特征向量输入预先构建的全视野病理切片图像分类模型，输出全视野病理切片图像分类结果。2.根据权利要求1所述的一种全视野病理切片图像分类方法，其特征在于，所述全视野病理切片图像特征向量提取模型的构建方法为：获取全视野病理切片图像以及全视野病理切片图像标签类别，对所述全视野病理切片图像进行预处理；将预处理后的全视野病理切片图像以及全视野病理切片图像标签类别分为训练集和验证集；利用训练集训练多尺度卷积神经网络，得到所述全视野病理切片图像特征向量提取模型，所述全视野病理切片图像特征向量提取模型输出全视野病理切片图像特征向量。3.根据权利要求2所述的一种全视野病理切片图像分类方法，其特征在于，所述对所述全视野病理切片图像进行预处理，具体包括：将全视野病理切片图像切割成若干小图像；对每个所述小图像进行灰度化处理；计算灰度化处理后的小图像中无效像素占比；选取小图像中无效像素占比小于预设阈值的小图像作为输入数据。4.根据权利要求2所述的一种全视野病理切片图像分类方法，其特征在于，所述全视野病理切片图像特征向量提取模型的构建方法还包括：将验证集输入训练好的所述全视野病理切片图像特征向量提取模型，输出验证集对应的全视野病理切片图像特征向量；将验证集对应的全视野病理切片图像特征向量与期望输出的全视野病理切片图像特征向量进行比对，若比对后的正确率小于第一预设正确率，则用训练集继续训练多尺度卷积神经网络，直到比对后的正确率不小于第一预设正确率。5.根据权利要求2所述的一种全视野病理切片图像分类方法，其特征在于，所述全视野病理切片图像分类模型的构建方法为：利用全视野病理切片图像标签类别...
【专利技术属性】
技术研发人员：刘博，王展，孙焰明，苏玉萍，张钰，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。