[发明专利]一种基于多损失的胃癌病理切片图像分割方法和装置

摘要

本发明公开了一种基于多损失的胃癌病理切片图像分割方法和装置，属于医疗图像处理技术领域，首先由若干张全切片样本获得2048*2048大小的patch病理图和标记图，每张切片大概可以获得200个有效patch，集合成训练和测试样本，传入CLGCN网络进行训练，待模型收敛后，输入测试病理图，预测出对应的概率密度图，若某个像素点的概率值高于一定的水平，则预测为病变点，最后得到分割的patch图并进行全切片的拼接，由此得到一张完整的病理切片分割预测图。由于分割模型训练的过程中，增加了5个分类模块，以及最末端的多个损失的集合，训练的时候需要先对左侧4个分类模块做预训练，得到所有分类模块的初始参数，后在初始参数的基础之上，多个损失进行加权联合训练。

主权项

1.一种基于多损失的胃癌病理切片图像分割方法，其特征在于，包括以下步骤：1)对胃癌病理切片进行扫描得到原始数字病理切片图像，对原始数字病理切片图像进行切割成为原始切割图像，并分为训练集和测试集；2)针对训练集中的原始切割图像，划分出病变区域，将图像中病变区域的像素值标注为1，非病变区域的像素值标注为0；对原始切割图像是否有病变部位进行二次标注，将含有病变区域的图像标注为1，否则为0；同时，将图像由一维转换成二维，即将图像中标注为0的像素值转换成(1，0)，标注为1的像素值转换成(0，1)，形成三次标注；3)对标注后的切割图像进行数据集扩增处理，并输入GCN网络，GCN网络包含四条通路，针对四条通路，依次选择第二、三、四、五个卷积操作模块以及最后一条通路的第一个BR模块，分别连一个CB模块，并将从Score Map模块输出的结果输入至LB模块内；4)利用从GCN网络四条通路中的第二、三、四、五个卷积操作模块输出的特征图，对各自的CB模块进行预训练确定四个CB模块及四个卷积操作模块的初始参数，GCN网络最后一条通路的第一个BR模块连接的CB模块，即最后一个CB模块的初始参数由前面四个CB模块确定；5)利用LB模块计算总损失，根据总损失更新GCN网络的参数；6)重复步骤5)，每迭代一次训练样本，利用测试集中的原始切割图像对胃癌病理切片图像分割模型进行测试，直至收敛，生成胃癌病理切片图像分割模型；7)将待检测的数字病理图像输入胃癌病理切片图像分割模型中得到分割预测图，并将所有分割预测图进行拼接形成全切片的分割预测图。