【技术实现步骤摘要】
本专利技术涉及数字图像处理，更具体地说，本专利技术涉及一种基于对比学习的多颜色域病理制片伪影检测方法。
技术介绍
1、近年，在我国乳腺癌、结直肠癌和肺癌等均显著出上升趋势。在临床上，肿瘤可通过多种途径检测，如x射线检查、彩超检查、核磁共振检查和组织病理检查等，其中组织病理检查被公认为肿瘤诊断的金标准。
2、组织病理检查是指，病理医生通过显微镜观察观察放大后的病理组织切片。然而，数字病理扫描仪的快速发展，使得病理切片能持久化为高分辨率数字图像。在很多医院病理科室的日常工作中，组织病理切片数字化已经成为必不可少的环节。同时，数字化后的病理图像也被广泛应用于病理学科读片交流会、教学和考试等工作中。数字化后的组织病理切片也运用于计算机辅助诊断系统的研究中，促进了组织病理学科的应用发展。
3、在病理切片的制作过程中，可能会因工作人员的失误引入意料之外的制片伪影，如折叠、裂隙、松散、刀痕和组织气泡等。一方面，这些伪影会导致掩盖或破坏原有的组织区域，进而影响病理医生的阅片和诊断。另一方面，也会影响cad的性能，甚至造成严重的诊断误判。
4、在当前病理的质控流程中，对病理切片中的伪影检测，多数医院会安排人员在显微镜下进行抽查，抽查的病理全切片比例一般不超过一半。一方面，医院每日的送检切片较多，质控成本较高且工作人员不够；另一方面，显微镜下检测的效果差且存在主观性差异。
5、随着深度学习技术的发展，研究者们已经开发出多种算法来自动化地识别和分类病理图像中的伪影。这些算法通常基于卷积神经网络（conv
技术实现思路
1、为了克服现有技术的不足，本专利技术提供了一种基于对比学习的多颜色域病理制片伪影检测方法，具有伪影识别精度高的优点。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于对比学习的多颜色域病理制片伪影检测方法，包括如下步骤：
3、步骤1、利用病理全切片裁切算法，将所有全切片图像裁切为若干子图像块；
4、步骤2、设计并实现第一特征提取器；
5、步骤3、对于步骤2中筛选出的病理子图像块，利用opencv工具将rgb颜色域图像转换为hsv和lab颜色域图像；
6、步骤4、设计第二特征提取器，从步骤3中获取的三种颜色域病理图像中提取关键特征；
7、步骤5、构建孪生网络结构，并引入联合损失函数；
8、步骤6、在测试阶段，重复步骤1和2的操作，获取原始的rgb颜色域图像，将获取的图像送入经过步骤4训练的第二特征提取器，并由分类器进行处理，最终获取病理图像块的分类预测结果。
9、作为本专利技术的一种优选技术方案，所述步骤1中，具体步骤为：
10、步骤1.1、定义好需要导入的文件夹路径，同时，安装并配置好openslide工具，随后加载病理全切片图像；
11、步骤1.2、在图像预处理阶段，利用openslide的read_region方法来获取所需的子图像块。
12、作为本专利技术的一种优选技术方案，所述步骤1.2中，需要传入坐标参数、等级参数、区域大小参数，其中所述坐标参数以元组形式指定，包含x和y坐标，确定图像块在全切片中的位置；所述等级参数为指定病理全切片的金字塔层级；所述区域大小参数为定义需要获取的图像块的像素尺寸，包括但不限于256*256像素、512*512像素、1024*1024像素。
13、作为本专利技术的一种优选技术方案，所述步骤2包括如下步骤：
14、步骤2.1、设计第一特征提取器，采用mobilenetv2作为网络主体，在imagenet上对mobilenetv2进行预训练并保存权重参数文件；
15、步骤2.2、修改mobilenetv2的网络结构，将激活函数relu替换为 leaky relu函数，在3*3深度可分离卷积和1*1卷积之间加入eca注意力模块；
16、步骤2.3、将预先训练好的模型参数迁移到经过优化的模型架构中，并在包含有效和无效病理全切片的完整数据集上进行进一步的精细调整；
17、步骤2.4、经过精细调整后，模型的第一个特征提取器能够高效地识别并区分有效与无效的图像块，然后将有效的图像块缓存到指定文件目录中。
18、作为本专利技术的一种优选技术方案，所述步骤3中，具体步骤为：
19、步骤3.1、从步骤2中筛选出的所有rgb颜色域图像块开始，确保有一组高质量的图像块作为基础；
20、步骤3.2、在深度学习算法的dataset类中，重新定义一个子类；
21、步骤3.3、在新定义的dataset子类的__getitem__方法中，利用opencv库的cvtcolor函数，将rgb图像转换为hsv和lab颜色域图像；
22、步骤3.4、在__getitem__方法的返回值中，同时包含原始的rgb图像对象、转换后的hsv图像对象以及lab图像对象。
23、作为本专利技术的一种优选技术方案，所述步骤4的具体做法为：
24、步骤4.1、引入第二特征提取器ghostnetv2，并将其分类器部分独立出来；
25、步骤4.2、将经过步骤3处理得到的三种颜色域的病理图像作为输入，送入独立的ghostnetv2特征提取器。
26、作为本专利技术的一种优选技术方案，所述步骤5中，具体步骤为：
27、步骤5.1、对获取到的三个特征向量，进行两两比较，计算余弦相似度；
28、步骤5.2、将步骤4.1独立出的分类器拼接到rgb颜色域分支，将该分支得到的特征输出到分类器中，并利用交叉熵损失函数进行约束；
29、步骤5.3、根据前述步骤中得到的相似度损失函数和交叉熵损失函数，构建联合的损失函数约束网络的训练；
30、步骤5.4、将已经部构建的网络模型，输入实际的数据，并执行十折交叉验证，选择验证中最好一折的模型保存下来。
31、作为本专利技术的一种优选技术方案，所述步骤5.1中，具体的损失函数计算公式如下：
本文档来自技高网...
【技术保护点】
1.一种基于对比学习的多颜色域病理制片伪影检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于对比学习的多颜色域病理制片伪影检测方法，其特征在于：所述步骤1中，具体步骤为：
3.根据权利要求2所述的一种基于对比学习的多颜色域病理制片伪影检测方法，其特征在于：所述步骤1.2中，需要传入坐标参数、等级参数、区域大小参数，其中所述坐标参数以元组形式指定，包含x和y坐标，确定图像块在全切片中的位置；所述等级参数为指定病理全切片的金字塔层级；所述区域大小参数为定义需要获取的图像块的像素尺寸，包括但不限于256*256像素、512*512像素、1024*1024像素。
4.根据权利要求1所述的一种基于对比学习的多颜色域病理制片伪影检测方法，其特征在于：所述步骤2包括如下步骤：
5.根据权利要求1所述的一种基于对比学习的多颜色域病理制片伪影检测方法，其特征在于：所述步骤3中，具体步骤为：
6.根据权利要求1所述的一种基于对比学习的多颜色域病理制片伪影检测方法，其特征在于：所述步骤4的具体做法为：
7.根据
8.根据权利要求7所述的一种基于对比学习的多颜色域病理制片伪影检测方法，其特征在于：所述步骤5.1中，具体的损失函数计算公式如下：
9.根据权利要求7所述的一种基于对比学习的多颜色域病理制片伪影检测方法，其特征在于：所述步骤5.2中，交叉熵损失函数公式如下：
10.根据权利要求1所述的一种基于对比学习的多颜色域病理制片伪影检测方法，其特征在于：所述步骤6包括如下步骤：
...【技术特征摘要】
1.一种基于对比学习的多颜色域病理制片伪影检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于对比学习的多颜色域病理制片伪影检测方法，其特征在于：所述步骤1中，具体步骤为：
3.根据权利要求2所述的一种基于对比学习的多颜色域病理制片伪影检测方法，其特征在于：所述步骤1.2中，需要传入坐标参数、等级参数、区域大小参数，其中所述坐标参数以元组形式指定，包含x和y坐标，确定图像块在全切片中的位置；所述等级参数为指定病理全切片的金字塔层级；所述区域大小参数为定义需要获取的图像块的像素尺寸，包括但不限于256*256像素、512*512像素、1024*1024像素。
4.根据权利要求1所述的一种基于对比学习的多颜色域病理制片伪影检测方法，其特征在于：所述步骤2包括如下步骤：
5.根据权利...
【专利技术属性】
技术研发人员：郑魁，丁维龙，朱伟，
申请(专利权)人：上海派影医疗科技有限公司，
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。