[发明专利]基于多尺度深度学习的乳腺癌图像识别方法、装置及介质

权利要求书

1.一种基于多尺度深度学习的乳腺癌图像识别方法，其特征在于，包括：

获取第一尺度图像及第二尺度图像；

对所述第一尺度图像及第二尺度图像进行预处理，以得到第一图块集及第二图块集，所述预处理包括降采样、色彩空间转换及感兴趣区域提取；

将所述第一图块集及第二图块集分别输入预先训练的第一识别网络及第二识别网络，以得到第一概率集及第二概率集；所述第一识别网络及第二识别网络为卷积神经网络；

基于所述第一概率集及第二概率集得到第一概率热图及第二概率热图，并将所述第一概率热图及第二概率热图转换为第一二值图像及第二二值图像；

提取所述第一二值图像及第二二值图像的连通域特征，以得到第一特征集合及第二特征集合，并将所述第一特征集合及第二特征集合合并为目标特征集合；

将所述目标特征集合输入预先训练的随机森林分类器进行预测，以得到预测结果。

2.如权利要求1所述的基于多尺度深度学习的乳腺癌图像识别方法，其特征在于，对所述第一尺度图像及第二尺度图像进行预处理，以得到第一图块集及第二图块集，具体包括：

对所述第一尺度图像及第二尺度图像进行降采样处理，以得到当前降采样图像，并记录当前降采样系数；

将所述当前降采样图像的色彩空间由RGB空间转换为HSV空间，并通过阈值分割提取当前感兴趣区域；

针对所述当前降采样图像，在所述当前感兴趣区域内逐像素地取得像素坐标，基于所述当前降采样系数得到所述像素坐标在所述第一尺度图像及第二尺度图像中的映射坐标；

以所述映射坐标为中心，在所述第一尺度图像及第二尺度图像中提取预设大小的图像块，以得到第一图块集及第二图块集。

3.如权利要求2所述的基于多尺度深度学习的乳腺癌图像识别方法，其特征在于，所述第一概率集及第二概率集包括多个图像块的癌变概率，基于所述第一概率集及第二概率集得到第一概率热图及第二概率热图，具体包括：

依据所述图像块在所述当前降采样图像上所对应的像素坐标，将所述图像块的癌变概率填充至该像素坐标，以得到所述第一概率热图及第二概率热图。

4.如权利要求3所述的基于多尺度深度学习的乳腺癌图像识别方法，其特征在于，获取第一尺度图像及第二尺度图像之前，所述图像识别方法还包括：

获取样本图像，基于所述样本图像训练所述第一识别网络、第二识别网络及随机森林分类器。

5.如权利要求4所述的基于多尺度深度学习的乳腺癌图像识别方法，其特征在于，获取样本图像，基于所述样本图像训练所述第一识别网络及第二识别网络，具体包括：

获取样本图像，所述样本图像包括两个尺度下的乳腺组织病理图像；

对所述样本图像进行降采样处理，以得到样本降采样图像，并记录样本降采样系数；

将所述样本降采样图像的色彩空间由RGB空间转换为HSV空间，并通过阈值分割提取样本感兴趣区域；

根据医生对乳腺组织病理图像的标注及所述样本感兴趣区域，对两个尺度下的乳腺组织病理图像进行病变与正常的图像块提取，以得到样本图像块数据集；

基于所述样本图像块数据集训练得到所述第一识别网络及第二识别网络。

6.如权利要求5所述的基于多尺度深度学习的乳腺癌图像识别方法，其特征在于，基于所述样本图像训练随机森林分类器，具体包括：

针对所述样本降采样图像，在所述样本感兴趣区域内逐像素地取得样本像素坐标，基于所述样本降采样系数得到所述样本像素坐标在所述样本图像中的样本映射坐标；

以所述样本映射坐标为中心，在所述样本图像中提取预设大小的图像块，以得到所述样本图像块数据集；

将所述样本图像块数据集输入所述第一识别网络及第二识别网络，以得到样本概率集；

基于所述样本概率集得到样本概率图，并将所述样本概率图转换为样本二值图像；

基于所述样本二值图像以得到样本特征集合，并将所述样本特征集合与样本图像进行配对作为数据对；

基于所述样本特征集合训练得到所述随机森林分类器。