[发明专利]一种数字病理图像的交互式标注精细化方法

权利要求书

1.一种数字病理图像的交互式标注精细化方法，其特征在于，包括以下步骤：

步骤1、获得样本数字病理图像，对样本数字病理图像进行预处理，获得与每张样本数字病理图像的组织区域相对应的尺寸及染色标准化后的Patch切片数据，Patch切片数据只有样本数字病理图像的良、恶性类别标注，没有病灶位置的标注；

步骤2、按照样本数字病理图像的类别给经过预处理后得到的Patch切片数据标上分类标签，将若干个相同分类的Patch切片数据组合为Patch包，每个Patch包的类别标签是其中包含的单一种类的Patch切片数据的标签；

步骤3、将Patch包中的所有Patch切片数据输入进Resnet弱监督分类模型中，先由Resnet网络做特征提取，再由全连接网络对Patch切片进行分类，经过Sigmoid激活函数后得到每个Patch切片是恶性的概率，Resnet弱监督分类模型选择Patch切片集合中概率最大的Patch切片，若该Patch切片是恶性的概率大于0.5，则整个Patch包的类别为恶性，否则整个Patch包的类别为良性，并用来和标签计算损失；

步骤4、获得实时输入的数字病理图像，对数字病理图像进行预处理，获得与数字病理图像的组织区域相对应的尺寸及染色标准化后的Patch切片数据；

步骤5、将步骤4获得的Patch切片数据输入通过步骤3训练好的Resnet弱监督分类模型中，获得每个patch切片的良恶性分类，根据patch切片的良恶性分类生成在原始的数字病理图像上的XML的矢量图标注，得到预标注病灶区域；

步骤6、在预标注病灶区域上，医生再进行人工标注，然后在人工标注病灶边缘线两侧设定N个像素的区域作为边缘收敛候选区域，计算边缘收敛候选区域内每个像素之间的梯度值，最后选择梯度最大处作为修正后的病灶边缘，获得精细化后的标注轮廓。

2.如权利要求1所述的一种数字病理图像的交互式标注精细化方法，其特征在于，步骤1中，对样本数字病理图像进行预处理包括以下步骤：

步骤101、对输入的样本数字病理图像在缩略图上使用大津法分割出组织区域，记录组织区域部分对应原始样本数字病理图像的坐标位置；

步骤102、从样本数字病理图像上按照一定尺寸在步骤101记录的坐标位置剪裁获得Patch切片数据；

步骤103、选取了若干张相同医院染色的数字病理图像作为标准染色空间的数据来源，将所有数字病理图像转换至LAB色彩空间，统计均值方差，将L、A、B三个通道的均值方差作为一个特征向量使用K-means聚类，并选择最大类的聚类中心作为标准染色空间；

步骤104、使用Reinhard算法将Patch切片数据的染色标准化到标准染色空间；

步骤105、对Patch切片数据进行过采样数据平衡和通过随即旋转、翻转、增加噪声的方式进行数据增强。

3.如权利要求1所述的一种数字病理图像的交互式标注精细化方法，其特征在于，步骤3中，在Resnet弱监督分类模型的损失函数中添加α因子和γ因子，其中，α因子用于平衡类别标签为良性的正样本及类别标签为恶性的负样本数据量，γ因子用于调节简单样本损失权重的大小，则Resnet弱监督分类模型的损失函数L为：式中，y表示样本的真实标签，y'表示样本的预测概率。

4.如权利要求1所述的一种数字病理图像的交互式标注精细化方法，其特征在于，步骤4中，对数字病理图像进行预处理包括以下步骤：

步骤401、对输入的数字病理图像在缩略图上使用大津法分割出组织区域，记录组织区域部分对应原始样本数字病理图像的坐标位置；

步骤402、从数字病理图像上按照一定尺寸在步骤401记录的坐标位置剪裁获得Patch切片数据；

步骤403、选取了若干张相同医院染色的数字病理图像作为标准染色空间的数据来源，将所有数字病理图像转换至LAB色彩空间，统计均值方差，将L、A、B三个通道的均值方差作为一个特征向量使用K-means聚类，并选择最大类的聚类中心作为标准染色空间；

步骤404、使用Reinhard算法将Patch切片数据的染色标准化到标准染色空间。

5.如权利要求1所述的一种数字病理图像的交互式标注精细化方法，其特征在于，步骤6中，使用拉普拉斯算子对边缘收敛候选区域进行边缘检测：对于图像分别在x方向和y方向求二阶偏导

合并之后，有：

式中，f(x,y)表示图像坐标为(x,y)处的像素值，使用拉普拉斯算子和边缘收敛候选区域做卷积运算得到边缘收敛候选区域的梯度图，从而计算边缘收敛候选区域内每个像素之间的梯度值，最后选择梯度最大处作为修正后的病灶边缘，获得精细化后的标注轮廓。