[发明专利]一种病理图像处理方法及装置

权利要求书

1.一种病理图像处理方法，其特征在于，包括：

基于语义分割模型分割病理图像，得到第一分割结果，所述语义分割模型基于深度学习网络；

基于粒子滤波分割病理图像，得到第二分割结果，具体地：第一步，随机选取70％的ICPR2012的数据集用于学习目标细胞的特征；其中，所述目标细胞为有丝分裂细胞；第二步，将粒子均匀的分布在剩余30％的ICPR2012的数据集中每一张的病理图像上，计算每个粒子的重要性概率密度，所有粒子的重要概率密度之和为1；第三步，通过加权平均的方法计算目标细胞的像素坐标；第四步，进行重要性重采样，即将较多的粒子分布于重要性概率密度较高的地方，较少的粒子放在重要性密度较低的地方，再计算目标细胞的像素坐标；将第二、三、四步反复循环，即完场目标细胞的动态识别分割；当30％的ICPR2012的数据集使用粒子滤波分割完后，将分割结果与标记的结果进行对比验证，再将ICPR2014和AMIDA13的数据集使用粒子滤波进行分割得到第二分割结果；

计算所述第一分割结果和所述第二分割结果，得到平均值和对应的第三分割结果；

基于分类网络处理所述第三分割结果，得到最终分割结果。

2.根据权利要求1所述的一种病理图像处理方法，其特征在于，所述深度学习网络包括U-Net网络。

3.根据权利要求1所述的一种病理图像处理方法，其特征在于，所述分类网络包括Xception网络。

4.根据权利要求1至3任一项所述的一种病理图像处理方法，其特征在于，所述基于分类网络处理所述第三分割结果，包括：

基于分类网络和特征筛选，处理所述第三分割结果以降低假阳率。

5.根据权利要求4所述的一种病理图像处理方法，其特征在于，所述病理图像为乳腺癌的细胞图像，对应的，

所述第一分割结果、第二分割结果和第三分割结果为细胞的识别和图像分割。

6.一种病理图像处理装置，其特征在于，包括：

第一分割模块，用于基于语义分割模型分割病理图像，得到第一分割结果，所述语义分割模型基于深度学习网络；

第二分割模块，用于基于粒子滤波分割病理图像，得到第二分割结果，具体地：第一步，随机选取70％的ICPR2012的数据集用于学习目标细胞的特征；其中，所述目标细胞为有丝分裂细胞；第二步，将粒子均匀的分布在剩余30％的ICPR2012的数据集中每一张的病理图像上，计算每个粒子的重要性概率密度，所有粒子的重要概率密度之和为1；第三步，通过加权平均的方法计算目标细胞的像素坐标；第四步，进行重要性重采样，即将较多的粒子分布于重要性概率密度较高的地方，较少的粒子放在重要性密度较低的地方，再计算目标细胞的像素坐标；将第二、三、四步反复循环，即完场目标细胞的动态识别分割；当30％的ICPR2012的数据集使用粒子滤波分割完后，将分割结果与标记的结果进行对比验证，再将ICPR2014和AMIDA13的数据集使用粒子滤波进行分割得到第二分割结果；

第三分割模块，用于计算所述第一分割结果和所述第二分割结果，得到平均值和对应的第三分割结果；

第四分割模块，基于分类网络处理所述第三分割结果，得到最终分割结果。

7.根据权利要求6所述的一种病理图像处理装置，其特征在于，所述深度学习网络包括U-Net网络。

8.根据权利要求6所述的一种病理图像处理装置，其特征在于，所述分类网络包括Xception网络。

9.根据权利要求6至8任一项所述的一种病理图像处理装置，其特征在于，所述基于分类网络处理所述第三分割结果，包括：

基于分类网络和特征筛选，处理所述第三分割结果以降低假阳率。

10.根据权利要求9所述的一种病理图像处理装置，其特征在于，所述病理图像为乳腺癌的细胞图像，对应的，

所述第一分割结果、第二分割结果和第三分割结果为细胞的识别和图像分割。