基于全卷积神经网络的病理切片图像癌症区域分割系统的制作方法

技术特征：
1.一种基于全卷积神经网络的病理切片图像癌症区域分割系统，其特征在于，包括：组织区域提取模块、样本数据构建模块、样本数据扩充模块、分割网络构建模块、网络训练模块、癌症区域识别模块；所述组织区域提取模块用于提取病理切片图像中的组织区域，得到组织区域的掩码，去除空白背景；所述样本数据构建模块用于将提取的组织区域与病理切片图像中标注的癌症区域结合，对全视野的病理切片图像进行切割，获得训练用的样本数据；所述样本数据扩充模块用于采用图像增强对样本数据进行扩充；所述分割网络构建模块用于构建以resnet50为编码器的unet分割网络，将编码器resnet50的第一级编码器的卷积单元替换成组合卷积单元，所述组合卷积单元设有多种不同大小卷积核的卷积，提取输入图像中不同尺度的信息，并在解码器部分引入特征融合模块，充分利用每一级解码器输出的信息；将每级解码器输出的特征图进行上采样操作后经过参数不同的卷积，并在通道上拼接得到整体特征图t；整体特征图t分别经过一个最大池化层和一个平均池化层得到两个向量v1和v2，两个向量v1和v2通过一个共享参数的多层感知机后相加得到一个向量c；将sigmoid函数应用于向量c并和整体特征图t相乘得到包含通道注意力信息的特征图t’；将整体特征图t和特征图t’相加之后经过输出卷积模块得到最终的分割结果；所述网络训练模块用于将所述分割网络在经过数据增强的数据集上训练并调优；所述癌症区域识别模块用于采用训练好的模型并基于网格处理算法对整张病理切片图像进行预测，识别其中的癌症区域。2.根据权利要求1所述的基于全卷积神经网络的病理切片图像癌症区域分割系统，其特征在于，所述组织区域提取模块用于提取病理切片图像中的组织区域，具体步骤包括：将原病理切片图像从rgb颜色空间转化至hsv颜色空间；采用大津算法得到转换后的hsv图像的s分量的分割阈值；基于分割阈值对图像进行二值化处理，得到组织区域的掩码。3.根据权利要求1所述的基于全卷积神经网络的病理切片图像癌症区域分割系统，其特征在于，所述对全视野的病理切片图像进行切割，获得训练用的样本数据，具体步骤包括：将所述组织区域的掩码与原始标注的癌症区域掩码按位相与,得到整张病理切片图像组织区域的最终标注掩码；将原病理切片和最终标注掩码同时进行切割获得图像块及其标注。4.根据权利要求1所述的基于全卷积神经网络的病理切片图像癌症区域分割系统，其特征在于，所述样本数据扩充模块用于采用图像增强对样本数据进行扩充，具体步骤包括：将病理切片图像本身及其标注图像进行图像变换，所述图像变换包括水平翻转、随机角度旋转、颜色变化、噪声干扰和模糊中的任意一种或多种。5.根据权利要求1所述的基于全卷积神经网络的病理切片图像癌症区域分割系统，其特征在于，所述组合卷积单元采用4种不同大小的卷积，包括3*3,5*5,7*7和1*1的卷积核，
输入图像分别经过这4种卷积，之后将4个卷积结果在通道上拼接，作为最后整个组合卷积的输出。6.根据权利要求1所述的基于全卷积神经网络的病理切片图像癌症区域分割系统，其特征在于，所述输出卷积模块包括一个3*3的卷积和sigmoid激活函数。7.根据权利要求1所述的基于全卷积神经网络的病理切片图像癌症区域分割系统，其特征在于，所述多层感知机包括一层1*1卷积层、relu激活函数和另一层1*1卷积层，用于压缩信息，生成通道上的注意力结果。8.根据权利要求1所述的基于全卷积神经网络的病理切片图像癌症区域分割系统，其特征在于，所述癌症区域识别模块用于采用训练好的模型并基于网格处理算法对整张病理切片图像进行预测，识别其中的癌症区域，具体步骤包括：采用网格算法将整张病理切片图像分块形成网格，每个网格作为一个预测样本；采用滑动窗口每次取网格中的图像块输入分割网络获得分割结果；将每个滑动窗口的分割结果进行拼接，得到整张病理切片图像的分割结果。

技术总结
本发明公开了一种基于全卷积神经网络的病理切片图像癌症区域分割系统，该系统的实现包括：提取病理切片图像中组织区域的掩码，去除空白背景；将组织区域与病理切片图像中标注的癌症区域结合，对全视野的病理切片图像切割获得训练样本数据；对样本数据进行扩充；构建以Resnet50为编码器的Unet分割网络，将第一级编码器的卷积单元替换成组合卷积单元，提取输入图像中不同尺度的信息，在解码器引入特征融合模块，充分利用每一级解码器输出的信息；分割网络在经过数据增强的数据集上训练并调优；采用网格处理算法对整张病理切片图像进行预测，识别其中的癌症区域。本发明在特征提取阶段引入多尺度信息，提高了对癌症区域的分割精度。度。度。


技术研发人员：唐杰 肖鸿昭 宋弘健 李清华 胡俊承 王丽萍
受保护的技术使用者：桂林医学院
技术研发日：2022.02.28
技术公布日：2022/4/1