[发明专利]基于深度学习的病理切片分析方法、电子设备及可读存储介质

权利要求书

1.基于深度学习的病理切片分析方法，其特征在于，具体包括以下步骤：

S1，使用比尔-朗伯转换法和稀疏矩阵分解法对RGB格式的病理切片进行颜色归一化处理；

S2，使用DPU-Net网络的编码器提取颜色归一化处理后切片中的特征图像，并基于特征图像对病理切片进行细胞核分割和细胞核分类，将病理切片初步分为正常切片和疑似非正常切片；

S3，对疑似非正常切片进行细胞核聚集区域划分，提取细胞核聚集区域的特征；

S4，以细胞核聚集区域特征为输入，使用宽度学习模型对疑似非正常切片进行最终分类。

2.根据权利要求1所述的基于深度学习的病理切片分析方法，其特征在于，所述DPU-Net网络包括编码器和解码器；

所述编码器包括依次连接的特征提取层和四个双流连接模块，所述特征提取层包括依次连接的卷积层、归一化层和激活层，所述双流连接模块包括依次连接的三组归一化层、激活层和卷积层，双流连接模块的处理过程如下：

y＝PC([x[bw:],F(x)[bw:],x[:bw]+F(x)[:bw]])

其中PC(·)表示均值池化操作及卷积操作，y表示输出结果，x表示输入特征，F(x)表示中间变量，+表示残差学习中的叠加操作，[·]表示密集连接；

解码器包括与双流连接模块对应的四个UP Block模块和Softmax层，所述UP Block模块包括依次连接的上采样层和两组卷积层、归一化层和激活层。

3.根据权利要求1所述的基于深度学习的病理切片分析方法，其特征在于，所述S2中病理切片初步分类过程如下：

S2-1，对特征图像进行细胞核分割，将其初步划分为细胞核内部区域、细胞核外部区域和细胞核边界区域；

S2-2，计算细胞核内部区域各像素点到细胞核外部区域的距离值，距离值为1表示该像素点为细胞核中心区域，距离值为0表示像素点为细胞核边界区域，距离值为(0，1)表示像素点为细胞核内部区域，将距离值为0的像素点作为分割线确定重叠细胞核的边界区域，完成细胞核分割；

S2-3，对特征图像中的各像素点进行分类，将其分为细胞核外部像素点、正常像素点和非正常像素点；

S2-4，统计细胞核分割结果中各细胞核边界区域内的正常像素点数量和非正常像素点数量，若正常像素点数量大于非正常像素点数量，则认为该细胞核为正常细胞核，否则认为是非正常细胞核；

S2-5，统计病理切片中非正常细胞核的数量，若非正常细胞核的数量小于细胞核总数的5％，则认为该病例切片为正常切片，否则即为疑似非正常切片。

4.根据权利要求1所述的基于深度学习的病理切片分析方法，其特征在于，所述S3使用DBSCAN聚类算法将疑似非正常切片划分为细胞核聚集区域，使用数学分析统计细胞核聚集区域的特征，所述特征包括细胞核平均面积、细胞核平均密度、细胞核密度大于50％的区域的面积占比、细胞核聚集区域数量和细胞核数量的区域特征。