一种利用深度学习技术分割病理图片中肾髓质皮质的方法与流程

技术特征：
1.一种利用深度学习技术分割病理图片中肾髓质皮质的方法，其特征在于，具体包括如下步骤：1)数据预处理步骤：将样本数据集进行脱敏处理，由专业病理图片标注人员进行标注处理，将样本数据集中的病理图片划分成皮质区域、髓质区域和干扰区域；2)模型构建步骤：将显著目标检测网络u2net引入病理图像的分割任务中，网络u2net的网络结构采用两层嵌套的u型结构，从而从不同尺度的特征中捕获上下文信息；网络u2net中通过在跳跃连接阶段加入轻量级卷积注意力模块cbam来预防全局信息的损失；其中，改进的u2net网络结构与基础unet网络保持一致，分别进行4次下采样和4次上采样；3)模型推理步骤：将裁切后的小图批量输入模型的分割模块中，每张输入图片会对应得到一张预测的得分掩码图，再根据图片的裁切位置将分割掩码图进行拼接，然后根据opencv提供的findcontours()函数对分割得到的区域进行轮廓的提取，最终获得一张完整病理图片中所包含的髓质、皮质、干扰区域的轮廓；其中，模型利用非对称卷积模块asymmetric convolution block(acb)，将基础的3
×
3卷积模块进行替换，将非对称卷积块和batch normal层一起融合进3
×
3方形卷积中形成新的卷积模块，以实现轻量化模型，并加快模型推理速度。2.根据权利要求1所述的一种利用深度学习技术分割病理图片中肾髓质皮质的方法，其特征在于：步骤1)中具体步骤如下：101)以256像素的步长在病理图片的宽高方向进行稀疏采样，从而获得皮质区域、髓质区域、干扰区域的样本点的位置；102)以获得的样本点为中心，以1024
×
1024像素的裁切窗口在整张病例图片上进行裁切，获得训练的数据集；103)根据标注的髓质、皮质、干扰区域获得与步骤102)中相对应图片的标签。3.根据权利要求1所述的一种利用深度学习技术分割病理图片中肾髓质皮质的方法，其特征在于：所述模型采用深度学习特征与hog手工特征相融合的方式来抗染色带来的干扰；其中，hog通过灰度化图像采用gamma矫正法对输入图像进行颜色空间的标准化，调节图像的对比度、降低图像局部的阴影和光照变化所造成的影响，有效抑制病理染色的干扰。4.根据权利要求1所述的一种利用深度学习技术分割病理图片中肾髓质皮质的方法，其特征在于：新的卷积模块将3
×
3卷积、1
×
3卷积、3
×
1卷积以及batch normalization参数合并在3
×
3卷积模块中。

技术总结
本发明公开了一种利用深度学习技术分割病理图片中肾髓质皮质的方法，具体包括如下步骤：1)数据预处理步骤、2)模型构建步骤、3)模型推理步骤；本发明提供解决目前人工诊断或者传统图像处理时效性差的一种利用深度学习技术分割病理图片中肾髓质皮质的方法。分割病理图片中肾髓质皮质的方法。分割病理图片中肾髓质皮质的方法。


技术研发人员：汪太平 郭万鹏
受保护的技术使用者：杭州医派智能科技有限公司
技术研发日：2022.04.12
技术公布日：2022/7/19