[发明专利]一种基于JPEG压缩编码的数字病理全切片图像快速分析方法

说明书

本发明公开了一种基于JPEG压缩编码的数字病理全切片图像快速分析方法，首先对从远端获取的图像块的JPEG压缩编码进行解码，获得DCT编码矩阵；然后对DCT编码矩阵依次进行空间下采样和频域下采样从而获得全切片图像压缩编码矩阵，最后采用全切片图像压缩编码矩阵构建全切片分析模型，利用构建好的全切片分析模型即可实现数字病理全切片的自动分析。本发明直接利用JPEG压缩图像解码过程的中间结果生成图片压缩编码矩阵，大幅削减了全切片分块特征提取的计算量，提高了分析速度。

技术领域

本发明涉及图像分析技术领域，更具体的说是涉及一种基于JPEG压缩编码的数字病理全切片图像快速分析方法。

背景技术

目前，癌症是人类健康的一大威胁，在医学领域，对于数字病理图像的诊断是癌症诊断过程中至关重要的步骤。医生通过对组织切片扫描得到的数字病理图像进行查看来对癌症进行诊断，并且通过数字病理图像中癌症区域的面积、占比等指标对患者指定相应的治疗方案。随着计算机与显微成像技术的快速发展，数字病理图像的获取更加便捷与快速，适用于数字病理全切片图像的计算机自动分析算法成为近年来该方向的一个研究热点。

在算法方面，数字病理图像分辨率远高于自然场景图像，现有计算机视觉算法难以直接处理整张病理图像。现有算法为了处理整张切片，大多采用全切片图像分块处理的方式获取局部特征，达到数据压缩的目的，然后在局部特征的基础上建立模型形成全切片级别的分析结果。其中最常用的局部信息提取模型是卷积神经网络(convolutionalneural network,CNN)。

在应用场景方面，切片数字化技术的不断成熟，基于互联网云平台的数字病理切片会诊、交流平台快速发展，也迫使数字病理计算机自动分析算法向适用于大数据云平台的方向转型。受云端与客户端通信效率限制，当前数字病理切片在云端以图像分块(Tile)配合JPEG压缩编码的形式存储，这也为基于分块CNN的自动算法提供了便利。现有计算机硬件条件无法直接用单一CNN模型直接处理高分辨率数字病理全切片图像，图像块首先以JPEG编码形式下载到服务器中，然后进行JPEG解码获取RGB格式图像块，其中包括霍夫曼反编码、ZigZag反变换、反量化、反离散余弦变换变换(IDCT)，YCbCr到RGB颜色空间反变换几个步骤，然后将RGB格式图像块输入到CNN特征提取网络提取该图像块的特征。使用以上流程提取全切片图像中所有图像块的特征后，按照图像块在全切片中的空间顺序排列成特征矩阵F，最后将F输入到全切片分析模型，完成对全切片的自动分析。

但是，在上述整个自动分析流程中，基于CNN的图像块特征提取环节(图1b)的计算量远大于全切片分析模型(图1d)的计算量，实际工程使用中前者的运行时间占全部分析时间的95％～99％左右，该部分产生的高算量严重拖慢了计算机自动分析的时间，使现有方法的运行效率远不能满足医生使用需要，而为了尽量缩减分析时长，现有算法大多依赖GPU计算，但同时大幅提高了自动分析应用部署成本。

因此，如何实现减少全切片分块特征提取的计算量，提高分析速度是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于JPEG压缩编码的数字病理全切片图像快速分析方法，直接利用JPEG压缩图像解码过程的中间结果，生成全切片图像压缩编码矩阵，代替基于CNN的全切片特征矩阵作为后续全切片分析模型的输入，从而大幅削减全切片分块特征提取的计算量，提高分析速度。

为了实现上述目的，本发明采用如下技术方案：

一种基于JPEG压缩编码的数字病理全切片图像快速分析方法，包括以下步骤：