【技术实现步骤摘要】
本专利技术涉及图像处理，特别涉及一种病理切片图像分析方法、系统、可读存储介质及计算机。
技术介绍
1、随着人们生活水平的提高和信息化技术的飞速发展，数字化诊断病理组织切片已经成为病理诊断的一个重要发展方向。
2、现有的病理切片分析，通常是由病理学医生使用 he 病理图像来人工区分正常细胞和肿瘤细胞，并对组织切片中的癌变区域进行定位，然而，人工检测病理全切片图像对于病理学医生而言，需要在显微镜下仔细寻找兴趣区域，进而实现对癌变区域的定位标记，该方式会导致病理学医生的阅片效率低，操作繁琐以及时间成本太高，难以对病理切片进行精确标注，从而使得病理学医生无法对病理切片进行有效的分析等问题。
技术实现思路
1、基于此，本专利技术的目的是提供一种病理切片图像分析方法、系统、可读存储介质及计算机，以至少解决上述技术中的不足。
2、本专利技术提出一种病理切片图像分析方法，包括：
3、获取原始病理切片图像，并对所述原始病理切片图像进行超像素处理，以得到对应的超像素分割图像；
4、对所述超像素分割图像进行采样处理，以得到对应的采样图像，并根据所述采样图像确定对应的癌变区域图像，其中，对所述超像素分割图像进行采样处理，以得到对应的采样图像，并根据所述采样图像确定对应的癌变区域图像的步骤包括：
5、获取若干数字切片，将各所述数字切片拆分为训练集和测试集，其中，所述数字切片包含正常数字切片和肿瘤数字切片；
6、构建各所述数字切片的兴趣区
7、将所述训练集的正负样本数据对残差网络模型进行模型训练，以得到初步分类模型，并利用所述测试集的正负样本数据对所述初步分类模型进行模型测试，以得到分类优化模型；
8、对所述超像素分割图像进行采样处理，以得到对应的采样图像，并利用所述分类优化模型预测出所述采样图像的癌变概率，以得到初步癌变图像；
9、设定图像筛选阈值，并根据所述图像筛选阈值对所述初步癌变图像进行图像筛选，以得到对应的癌变区域图像；
10、构建图像训练优化模型，并将所述癌变区域图像输入至所述图像训练优化模型中，以确定所述癌变区域图像中细胞核的核区域；
11、对所述核区域进行细胞核分割，并对细胞核分割后的核区域进行后处理操作，得到所述癌变区域图像的细胞核轮廓信息；
12、根据所述细胞核轮廓信息进行形态处理，并根据形态处理结果生成所述原始病理切片图像对应的分析报告。
13、进一步的，所述获取原始病理切片图像，并对所述原始病理切片图像进行超像素处理，以得到对应的超像素分割图像的步骤包括：
14、获取原始病理切片图像，并对所述原始病理切片图像进行特征提取，以形成所述原始病理切片图像的高维特征图像；
15、将所述高维特征图像以网格形式划分为若干超像素区域，并为各所述超像素区域分配聚类中心，计算出所述聚类中心的预设邻域内像素点的梯度值，并将所述梯度值最小的像素点更新为新聚类中心；
16、计算出各所述超像素区域与所述新聚类中心的高维距离和空间距离，并根据所述高维距离和所述空间距离构建的最终聚类距离更新所述新聚类中心，根据更新后的新聚类中心进行迭代处理，以输出对应的超像素分割图。
17、进一步的，所述构建图像训练优化模型的步骤包括：
18、利用图像分割模型对含有肿瘤细胞的病理切片图像进行图像分割，以分别得到所述含有肿瘤细胞的病理切片图像所对应的像素标签以及染色图像、模型输出图像及其对应的染色分割图像；
19、将所述含有肿瘤细胞的病理切片图像输入至卷积神经网络模型中，并利用所述像素标签对所述卷积神经网络模型进行训练得到训练模型；
20、利用所述训练模型对所述模型输出图像进行图像预测，并利用图像预测结果对所述训练模型进行优化，以得到图像训练优化模型。
21、进一步的，所述核区域包括核内区域、核边界区域以及核外区域，所述对所述核区域进行细胞核分割，并对细胞核分割后的核区域进行后处理操作，得到所述癌变区域图像的细胞核轮廓信息的步骤包括：
22、将所述核内区域和所述核边界区域进行作差处理，并对作差处理后的区域进行邻域连通，以得到若干邻域；
23、对各所述邻域进行腐蚀处理，并将腐蚀处理后的邻域依次进行圆滑操作和膨胀处理，以得到所述癌变区域图像的细胞核轮廓以及细胞核的内部图像。
24、进一步的，所述梯度值的计算公式为：
25、；
26、式中，分别表示像素点的坐标值，表示在坐标上的特征向量；
27、所述高维距离的计算公式为：
28、；
29、式中，表示像素点的特征向量，表示新聚类中心的特征向量；
30、所述空间距离的计算公式为：
31、；
32、式中，表示像素点的坐标值，表示新聚类中心的坐标值；
33、所述最终聚类距离的计算公式为：
34、；
35、；
36、式中，表示聚类中心之间的距离，表示每个超像素区域的初始大小，为一个超参数，用于表示高维距离和空间距离的相对重要性程度，当越大，所得到的超像素分割图的超像素更紧凑，当越小，所得到的超像素分割图的超像素更不规律，表示最终聚类距离。
37、本专利技术还提出一种病理切片图像分析系统，包括：
38、超像素处理模块，用于获取原始病理切片图像，并对所述原始病理切片图像进行超像素处理，以得到对应的超像素分割图像；
39、采样处理模块，用于对所述超像素分割图像进行采样处理，以得到对应的采样图像，并根据所述采样图像确定对应的癌变区域图像，其中，所述采样处理模块包括：
40、切片拆分单元，用于获取若干数字切片，将各所述数字切片拆分为训练集和测试集，其中，所述数字切片包含正常数字切片和肿瘤数字切片；
41、随机采样单元，用于构建各所述数字切片的兴趣区域，并在所述兴趣区域内随机提取采样点，以得到所述训练集的正负样本数据和所述测试集的正负样本数据；
42、模型处理单元，用于将所述训练集的正负样本数据对残差网络模型进行模型训练，以得到初步分类模型，并利用所述测试集的正负样本数据对所述初步分类模型进行模型测试，以得到分类优化模型；
43、采样处理单元，用于对所述超像素分割图像进行采样处理，以得到对应的采样图像，并利用所述分类优化模型预测出所述采样图像的癌变概率，以得到初步癌变图像；
44、图像筛选单元，用于设定图像筛选阈值，并根据所述图像筛选阈值对所述初步癌变图像进行图像筛选，以得到对应的癌变区域图像；
45、模型构建模块，用于构建图像训练优化模型，并将所述癌变区域图像输入至所述图像训练优化模型中，以确定所述癌变区域图像中细胞核的核区域；本文档来自技高网...
【技术保护点】
1.一种病理切片图像分析方法，其特征在于，包括：
2.根据权利要求1所述的病理切片图像分析方法，其特征在于，所述获取原始病理切片图像，并对所述原始病理切片图像进行超像素处理，以得到对应的超像素分割图像的步骤包括：
3.根据权利要求1所述的病理切片图像分析方法，其特征在于，所述构建图像训练优化模型的步骤包括：
4.根据权利要求1所述的病理切片图像分析方法，其特征在于，所述核区域包括核内区域、核边界区域以及核外区域，所述对所述核区域进行细胞核分割，并对细胞核分割后的核区域进行后处理操作，得到所述癌变区域图像的细胞核轮廓信息的步骤包括：
5.根据权利要求2所述的病理切片图像分析方法，其特征在于，所述梯度值的计算公式为：
6.一种病理切片图像分析系统，其特征在于，包括：
7.根据权利要求6所述的病理切片图像分析系统，其特征在于，所述超像素处理模块包括：
8.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5任一所述的病理切片图像分析方法。
9.一种计算
...【技术特征摘要】
1.一种病理切片图像分析方法，其特征在于，包括：
2.根据权利要求1所述的病理切片图像分析方法，其特征在于，所述获取原始病理切片图像，并对所述原始病理切片图像进行超像素处理，以得到对应的超像素分割图像的步骤包括：
3.根据权利要求1所述的病理切片图像分析方法，其特征在于，所述构建图像训练优化模型的步骤包括：
4.根据权利要求1所述的病理切片图像分析方法，其特征在于，所述核区域包括核内区域、核边界区域以及核外区域，所述对所述核区域进行细胞核分割，并对细胞核分割后的核区域进行后处理操作，得到所述癌变区域图像的细胞核轮廓信息的步骤包括：
【专利技术属性】
技术研发人员：樊绍锋，钟云昊，周晨，欧阳奔奔，
申请(专利权)人：江西医至初医学病理诊断管理有限公司，
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。