基于图像处理的动物病理图像数据增强分析方法与流程
本发明涉及数字病理学与医学图像处理,尤其涉及基于图像处理的动物病理图像数据增强分析方法。
背景技术:
1、数字病理学通过全切片扫描与图像分析实现动物组织病变的精准评估,是兽医临床诊断、药物毒理评价及实验动物质量控制的核心手段。h&e染色组织切片的图像质量直接决定后续定量分析的可靠性,而数据增强则是突破动物病理样本稀缺瓶颈、提升深度学习模型泛化能力的关键环节。
2、现有染色归一化技术多依赖像素统计特性或生成式风格迁移,未追溯染色剂浓度、温度、时间、仪器型号等实验条件根源,导致跨批次/跨机构图像存在系统性色差且缺乏物理可解释性;传统增强策略对全图施加统一几何或颜色变换,易破坏细胞核质比、组织结构拓扑等关键病理语义,且无法针对正常组织与病变区域实施差异化处理。由此,本发明提出基于图像处理的动物病理图像数据增强分析方法,通过构建实验条件-图像表观-染色深度的多元映射关系实现溯源式自适应归一化,基于多尺度结构特征匹配将组织划分为一致性特征、特有关键特征与特有非关键特征并执行分层切割与增强,在保持正常组织结构稳定的同时定向强化关键病理边缘与染色细节,有效提升动物病理图像质量与后续模型训练效率,为少样本场景下的高精度分析提供标准化数据支撑。
技术实现思路
1、本发明的目的是要提供基于图像处理的动物病理图像数据增强分析方法。
2、为达到上述目的,本发明是按照以下技术方案实施的:
3、本发明包括以下步骤:
4、对哺乳动物h&e染色组织切片的全切片图像进行伪影检测生成伪影掩膜,处理获得有效组织区域图像;
5、从公共数据库获取同科同器官源位置的参考切片数据,计算实验条件变化量、表观特征变化量和染色深度变化量,拟合获得第一映射关系和第二映射关系,结合当前切片的实验条件对有效组织区域图像进行染色归一化获得归一化图像;
6、提取归一化图像的多尺度结构特征,与公共数据库匹配确定一致性特征区域和特有特征区域,计算特有特征区域的特征质量指数,结合公共数据库的批注情况划分特有关键特征区域与特有非关键特征区域;
7、按照差异化切割规则分别将一致性特征区域、特有关键特征区域、特有非关键特征区域切块,将特有非关键特征切块执行标准增强获得第一增强切块;
8、将一致性特征切块和特有关键特征切块输入病理语义感知增强网络进行自适应增强获得第二增强切块,按照拼接条件将第一标准增强切块、第二增强切块与归一化图像对应位置进行替换式拼接获得增强动物病理图像;
9、将增强动物病理图像输入少样本结构标注网络获得增强动物病理图像的标注信息;
10、所述参考切片数据包括实验条件、表观特征和染色深度;
11、所述标准增强包括随机水平翻转、随机垂直翻转、90°整数倍旋转、hsv颜色空间随机扰动及高斯噪声添加。
12、进一步的,所述获得有效组织区域图像的方法,包括:
13、对全切片图像进行伪影检测:采用基于灰度共生矩阵与局部二值模式融合的算法对折叠、撕裂、气泡、刀痕区域进行像素级标注,生成伪影掩膜;
14、将伪影掩膜覆盖区域从全切片图像中排除,获得有效组织区域图像。
15、进一步的,所述获得归一化图像的方法,包括:
16、从公共数据库获取与目标动物属于同科同器官源位置的参考切片数据,计算不同参考切片间的实验条件变化量、表观特征变化量和染色深度变化量;所述染色深度通过光学密度计算;
17、对实验条件变化量和表观特征变化量进行最小二乘拟合确定待估计映射矩阵,建立第一映射关系;
18、对实验条件变化量和染色深度变化量进行岭回归估计确定待估计映射向量,建立第二映射关系;
19、提取当前切片的实验条件,从公共数据库选取同科同属同器官源位置的推荐实验条件计算实验条件偏差,根据第一映射关系和第二映射关系预测当前切片的表观特征偏差和染色深度偏差;
20、根据表观特征偏差对有效组织区域图像执行自适应颜色变换获得颜色归一化图像,根据染色深度偏差对颜色归一化图像的整体对比度进行gamma补偿获得归一化图像。
21、进一步的,所述划分特有关键特征区域与特有非关键特征区域的方法,包括:
22、将归一化图像划分为若干结构区域,并提取各结构区域的多尺度结构特征;所述多尺度结构特征包括细胞级特征、组织级特征和关系级特征;
23、计算各结构区域的多尺度结构特征向量与公共数据库标准动物切片模板均值的马氏距离,当马氏距离小于距离第一距离阈值时,将对应结构区域划分为一致性特征区,反之,将对应结构区域划分为特有特征区域;
24、计算特有特征区域多尺度结构特征向量与公共数据库同科哺乳动物已批注区域结构特征向量的欧氏距离,当欧氏距离小于第二距离阈值时,将特有特征区域与批注信息匹配,根据匹配结果计算特有特征区域的批注置信度;所述匹配结果包括关联疾病性质和批注频次;
25、计算特有特征区域的特征质量指数,当批注置信度与特征质量指数的乘积大于关键性阈值时,将对应特有特征区域划分为特有关键特征区域,反之划分为特有非关键特征区域;所述特征质量指数分别与分辨率评分、边缘清晰度评分正相关,与信息熵负相关。
26、进一步的,所述分别将一致性特征区域、特有关键特征区域、特有非关键特征区域切块的方法,包括:
27、将一致性特征区域按照组织学结构单元的自然边界进行切割,切块尺寸固定值为,相邻切块间设置50%重叠,单一切块内一致性特征像素占比大于80%,获得一致性特征切块集合;所述切块尺寸固定值范围为128×128像素至1024×1024像素;优选的,切块尺寸固定值为256×256像素或512×512像素;
28、将特有关键特征区域以关键结构外接矩形扩展10%边距后切割,切块尺寸自适应值通过最小外接矩形拟合确定,关键特征像素占比大于30%,切块边界避开伪影掩膜标记区域,获得特有关键特征切块集合;
29、将特有非关键特征区域按照固定网格无重叠切割,固定网格尺寸为,剔除伪影掩膜标记区域后剩余部分直接输出,获得特有非关键特征切块集合;所述固定网格尺寸范围为256×256像素至2048×2048像素;优选的,固定网格尺寸范围为256×256像素;
30、所述切块尺寸自适应值的确定方法为:对特有关键特征区域执行最小外接矩形拟合获得矩形宽度与高度,以预设边距扩展比例0.1向外扩展,得到扩展后宽度和扩展后高度,取扩展后尺寸的最大值作为基准边长,向上取整至预设尺寸档位集合中的最小可用档位作为。
31、进一步的,所述获得第二增强切块的方法,包括:
32、将一致性特征切块和特有关键特征切块输入病理语义感知增强网络,依次经共享编码层、结构保持层、边缘-锚点增强层、染色增强层、伪影消除层、生成式增强层和解码层处理,输出第二增强切块;所述第二增强切块包括一致性第二增强切块和关键第二增强切块;
33、所述病理语义感知增强网络通过结构保持损失、边缘保持损失、病理语义损失与对抗损失的加权组合进行约束。
34、进一步的,所述获得增强动物病理图像的方法,包括:
35、按照病理拓扑连续性约束、关键特征嵌入约束与伪影填补规则将第一标准增强切块、第二增强切块与归一化图像对应位置进行替换式拼接获得增强动物病理图像;
36、所述病理拓扑连续性约束包括:相邻一致性特征切块的重叠边界像素差异小于像素差异阈值,反之,则执行基于距离权重的线性融合;
37、所述关键特征嵌入约束包括:特有关键特征切块嵌入背景时,边界梯度差异小于梯度差异阈值;
38、所述伪影填补规则包括:伪影掩膜标记区域由邻域非伪影像素的径向基函数插值填补。
39、进一步的,所述获得增强动物病理图像的标注信息的方法,包括:
40、将增强动物病理图像输入少样本结构标注网络,通过分割分支、回归分支与拓扑分支输出病理结构级标注,获得增强动物病理图像的标注信息;所述少样本结构标注网络采用episodic training策略,在潜空间通过原型相似度进行结构标注;所述病理结构级标注包括细胞核轮廓、细胞质轮廓、腺体形状、血管分支拓扑、间质密度分布、细胞间连接关系;
41、所述少样本结构标注网络通过分割损失、回归损失和拓扑损失提升模型的标注精度。
42、本发明的有益效果是:
43、本发明是基于图像处理的动物病理图像数据增强分析方法,与现有技术相比,本发明具有以下技术效果:
44、本发明通过构建第一映射关系、第二映射关系,基于当前切片与推荐实验条件的偏差预测表观特征偏差与染色深度偏差,实现溯源式自适应染色归一化,使跨批次的系统性色差得到物理可解释的校正,提升归一化稳定性与可复现性;
45、本发明通过将归一化图像划分为一致性特征区域、特有关键特征区域与特有非关键特征区域,使增强策略具备病理语义感知能力,避免对全图施加无差别变换;
46、本发明通过设定差异化切割约束,确保切块在尺寸、重叠率及特征占比上符合各自增强需求,为分层处理提供结构化的输入单元,通过设置拼接条件消除切块边界效应,保证增强后全切片图像的组织结构连续性与视觉自然性;
47、本发明对特有非关键特征执行标准增强、对一致性特征与特有关键特征输入病理语义感知增强网络进行自适应增强,实现非关键区域常规扩增、关键区域定向强化、一致性区域结构保持的协同优化,在扩充样本多样性的同时防止关键病理结构畸变;
48、本发明通过将增强图像输入少样本结构标注网络,在无需大量人工标注的条件下输出细胞、腺体、血管等结构级标注信息,显著降低兽医病理学家的标注负担,为下游定量分析提供高质量的带标注数据集。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com