[发明专利]一种基于UNET的宫颈病理组织分割方法

权利要求书

1.一种基于UNET的宫颈病理组织分割方法，其特征在于：包括扫描拼接、降噪、区域划分、UNET模型训练及辅助诊断五个步骤，其步骤如下：

步骤一、扫描拼接：用光学显微镜扫描样本涂片，然后将生成的视野图像拼接成一个全景图Ic；

步骤二、降噪：对Ic做降噪预处理；

步骤三、区域划分：将Ic中的每个感兴趣独立前景区域Ai提取出来，保存Ai及其在Ic中的相对位置；

步骤四、UNET模型训练：统计所有样本中的Ai，按6:2:2的比例随机分配到训练集、验证集和测试集中，然后传递给UNET模型进行学习，最终获得可靠分割模型M；

步骤五、辅助诊断：将模型M应用于临床，辅助病理医生诊断宫颈疾病。

2.根据权利要求1所述的基于UNET的宫颈组织图像分割方法，其特征在于：所述步骤一的具体方法是在10X显微物镜下，对每个样本进行全片自动扫描与拼接，生成分辨率可变的逻辑全景图Ic，其宽度取值范围为30000～40000像素，高度取值范围为20000～30000像素。

3.根据权利要求1所述的基于UNET的宫颈组织图像分割方法，其特征在于：所述步骤二的具体方法是对Ic依次进行模糊和锐化操作，用以去除制片染色过程中产生的部分噪声。

4.根据权利要求1所述的基于UNET的宫颈组织图像分割方法，其特征在于：所述步骤三的具体方法还包括如下步骤：

a、对Ic的行和列进行1/32下采样，生成低分辨率全景图If，并将其灰度化为Ig；

b、以背景灰度均值为阈值从Ig提取轮廓，采用平均灰度计算图像的二值化阈值，利用二值化阈值T对图像进行前景和背景分割，获得标记图，并提取相应的区域轮廓；阈值分割公式如下：

其中f(x,y)为灰度图像，g(x,y)为阈值运算后得二值图像；

c、计算Ig中每个轮廓的面积，长度和宽度，采用阈值法去除面积、长度或宽度较小的干扰轮廓，保留感兴趣轮廓；首先对g(x,y)进行贴标签每一个不同的标签代表不同的连通域，然后统计每一个连通域的面积，第k个连通域面积S_k的计算公式如下：

其中，L为连通域的个数，为第k个连通域

之后消除面积小于预设阈值Area的连通域，小面积连通域消除处理的计算公式如下：

d、为每个轮廓生成一个蒙版，利用蒙版从Ic中提取待处理区域Ai并记录每个Ai在全景图中的绝对位置Pi。第k个轮廓蒙版M_k的提取公式如下：

第k个图像区域A_k的提取公式如下：

A_k＝I_c*M_k

e、对不同的区域以并行的方式进行处理。设一个样本通过本发明生成N个区域，43可并行工作的处理核有M个，若以串行方式处理If所需时间为T，则理想情况下并行处理所需时间可缩短为T/M。

5.根据权利要求1所述的基于UNET的宫颈组织图像分割方法，其特征在于：所述步骤四的具体方法包括如下步骤:

①对已经标注好的训练集中的每个Ai，增加一个通道存放标注数据，原始数据有红、绿、蓝三个彩色通道，通过本步骤处理之后增加一个黄色表示的标注数据通道；

②对经上一步处理后的每个Ai，分别通过仿射变换、相似变换和刚体变换进行数据增强，得到数据集Di仿射变换计算式为：

其中

相似变换的计算式为:

其中

刚体变换的计算式为：

其中

③UNET网络以并行方式接收并学习每个Di所包含的特征数据，循环进行50轮次迭代训练，生成最终的诊断模型M；训练前网络各层参数的初化化计算式为：b_i^l＝0，其中n^l-1为前一网络层参数个数，训练时将上一步得到的所有训练样本的Di经归一化后做为输入数据，经50轮迭代后完成首训，通过验证集和测试集的运行结果决定是否需要继续训练和优化。

6.根据权利要求1所述的基于UNET的宫颈组织图像分割方法，其特征在于：所述步骤五的具体方法包括如下步骤：

步骤1、将样本涂片放入载物台，依次自动执行权利要求1中的步骤一、二和三，得到N个感兴趣区域图像{Ai|0iN}，将每个Ai做为输入让模型M处理，然后保存生成的分割类别和轮廓信息；

步骤2、在If中用绿色描绘每个Ai中的正常组织轮廓，黄色描绘低级别病变组强织轮廓，橙红描绘高级别病变组织轮廓，色描绘癌变组织轮廓；

步骤3、将Ir显示在屏幕上，供病理医生参考，当使用者点击放大时，依据放大倍数k对Ic进按行、列分别进行k/2下采样，生成Ik，然后依照Ir和Ik的放大倍率关系计算每个分割结果轮廓在Ik中的对应坐标并按同样的类别颜色描绘及显示。