一种荧光染色切片的区域识别方法技术

一种荧光染色切片的区域识别方法

【技术实现步骤摘要】
一种荧光染色切片的区域识别方法、系统和电子设备


[0001]本专利技术涉及切片图像检测
，特别是指一种荧光染色切片的区域识别方法
、
系统和电子设备
。

技术介绍

[0002]目前，现有的荧光染色切片的感兴趣区域识别，大都采用传统算法，容易漏掉感兴趣，也容易多出来感兴趣区域
。
因为传统检测算法利用了图像的形态特征
(
如：轮廓
)
，光学密度特征
(
如：显微成像下的亮度
、
颜色和反射率等
)、
层次结构特征
(
如：如染料和目标之间的层次关系
)、
阈值处理等，这在明场观察下可能是一个解决方案，但是在暗场，由于荧光染色下，将会把其他的干扰信息引入
。
参考图
11
的切片成像图，其中标签
、
玻璃边缘
、
马克笔
、
染料都可能是一个干扰物，会对检测结构造成影响
。

技术实现思路

[0003]本专利技术的主要目的在于克服现有技术中的检测方法的上述缺陷，提出一种荧光染色切片的区域识别方法
、
系统和电子设备，能提高感兴趣区域目标获取的准确度
、
实现零额外成本的基础上对感兴趣区域扫描的提速
。
[0004]本专利技术采用如下技术方案：
[0005]一种荧光染色切片的区域识别方法，其特征在于，包括：r/>[0006]对荧光染色切片进行扫描得到明场地图和暗场地图，将暗场地图填充至明场地图得到暗场宏观图；将所述暗场宏观图输入训练好的深度学习检测模型，输出所述荧光染色切片的感兴趣区域的坐标信息
。
[0007]优选的，预先对所述荧光染色切片的图像进行评估计算确定增益值，基于该增益值对所述荧光染色片进行扫描得到所述暗场地图
。
[0008]优选的，所述评估计算确定所述增益值具体为：
[0009]基于当前的增益值，在所述荧光染色切片的图像中间区域选择若干个视野；
[0010]对所述若干个视野进行黑像素点占比计算；
[0011]将计算得到的所述黑像素点占比与设定阈值进行比较，当计算得到的所述黑像素点占比大于设定阈值时，则采用当前的所述增益值，若否，增大当前的所述增益值
。
[0012]优选的，所述黑像素点占比计算具体为：先对所述图像进行加权平均法的灰度值处理：
[0013]FOB
gray
＝
(0.299*FOV
R
+0.587*FOV
G
+0.114*FOV
B
)
[0014]其中，
FOV
R
为
FOV
图像的
R
通道信息
、FOV
G
为
FOV
图像的
G
通道信息
、FOV
B
为
FOV
图像的
B
通道信息；
[0015]再进行黑色像素统计和计算，得到黑色像素占比计算公式：
[0016][0017]其中，
δ
(i
n
,j
n
)
为一个函数，当图像的位置信息
(i
n
,j
n
)
灰度值等于0时，
δ
(i
n
,j
n
)
＝0，否则为1；表示对图像的全部像素点求和，
n
表示第
n
个视野；
w
n
代表第
n
个视野的宽度信息；
h
m
代表第
n
个视野的高度信
。
[0018]优选的，所述训练好的深度学习检测模型为采用
YOLOv5
模型的框架进行训练得到，其包括有
Backbone
层
、Neck
层和
Head
层；所述
Backbone
层用于对输入的所述暗场宏观图进行特征提取得到特征图；所述
Neck
层特征图用于对特征图进行多尺度特征融合，生成具有多尺度信息的特征图；所述
Head
层对具有多尺度信息的特征图进行检测和回归预测输出所述荧光染色切片的感兴趣区域的坐标信息
。
[0019]优选的，对所述
YOLOv5
模型进行训练前，采用不同型号的扫描仪对同一荧光染色切片进行扫描处理得到不同的所述暗场宏观图作为训练集的图像
。
[0020]优选的，所述深度学习检测模型采用
Faster R
‑
CNN
模型或
SSD
模型或
Nanodet
模型
。
[0021]优选的，还包括有基于
PyTorch
对所述训练好的深度学习检测模型进行模型转换至
TorchScript
以部署于应用端
、
本地端或者云端
。
[0022]一种荧光染色切片的区域识别系统，其特征在于，包括：
[0023]扫描装置，对荧光染色切片进行扫描得到明场地图和暗场地图，将暗场地图填充至明场地图得到暗场宏观图；
[0024]深度学习检测模型，用于输入所述暗场宏观图，输出所述荧光染色切片的感兴趣区域的坐标信息
。
[0025]一种电子设备，包括：
[0026]一个或多个处理器；
[0027]存储装置，用于存储一个或多个程序，
[0028]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如所述的一种荧光染色切片的区域识别方法
。
[0029]由上述对本专利技术的描述可知，与现有技术相比，本专利技术具有如下有益效果：
[0030]本专利技术中，对荧光染色切片进行扫描得到明场地图和暗场地图，将暗场地图填充至明场地图得到暗场宏观图；再将暗场宏观图输入训练好的深度学习检测模型，输出所述荧光染色切片的感兴趣区域的坐标信息，在零额外成本的基础上实现对感兴趣区域扫描的提速，还能提高感兴趣区域目标获取的准确度
。
[0031]本专利技术中，预先对荧光染色切片的图像进行评估计算确定增益值，基于该增益值对荧光染色片进行扫描得到暗场地图
,
以满足图像的对比度需求，确保图像质量符合要求
。
[0032]本专利技术中，采用
YOLOv5
模型进行训练得深度学习检测模型，对算力的依赖小，进而可以得到高帧率的运算，同时兼容不同应用端部署，适合当前的使用场景
。
附图说明
[0033本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种荧光染色切片的区域识别方法，其特征在于，包括：对荧光染色切片进行扫描得到明场地图和暗场地图，将暗场地图填充至明场地图得到暗场宏观图；将所述暗场宏观图输入训练好的深度学习检测模型，输出所述荧光染色切片的感兴趣区域的坐标信息
。2.
如权利要求1所述的一种荧光染色切片的区域识别方法，其特征在于，预先对所述荧光染色切片的图像进行评估计算确定增益值，基于该增益值对所述荧光染色片进行扫描得到所述暗场地图
。3.
如权利要求2所述的一种荧光染色切片的区域识别方法，其特征在于，所述评估计算确定所述增益值具体为：基于当前的增益值，在所述荧光染色切片的图像中间区域选择若干个视野；对所述若干个视野进行黑像素点占比计算；将计算得到的所述黑像素点占比与设定阈值进行比较，当计算得到的所述黑像素点占比大于设定阈值时，则采用当前的所述增益值，若否，增大当前的所述增益值
。4.
如权利要求3所述的一种荧光染色切片的区域识别方法，其特征在于，所述黑像素点占比计算具体为：先对所述图像进行加权平均法的灰度值处理：
FOV
gray
＝
(0.299*FOV
R
+0.587*FOV
G
+0.114*FOV
B
)
其中，
FOV
R
为
FOV
图像的
R
通道信息
、FOV
G
为
FOV
图像的
G
通道信息
、FOV
B
为
FOV
图像的
B
通道信息；再进行黑色像素统计和计算，得到黑色像素占比计算公式：其中，
δ
(i
n
，
j
n
)
为一个函数，当图像的位置信息
(i
n
，
j
n
)
灰度值等于0时，
δ
(i
n
，
j
n
)
＝0，否则为1；表示对图像的全部像素点求和，
n
表示第
n
个视野；
w

【专利技术属性】
技术研发人员：李梓琦，张伟贤，曾佳瑜，郑守双，
申请(专利权)人：麦克奥迪实业集团有限公司，
类型：发明
国别省市：