[发明专利]用于无染色病理切片高光谱图像采集及分割的装置及方法

摘要

用于无染色病理切片高光谱图像采集及分割的装置及方法，支架中部支有切片样品平台，通过计算机进行未染色病理切片高光谱图像的自动采集与处理得到病变区域分割结果；本发明基于组织病变所导致的光谱差异，使用个人电脑同步控制相关模块，采集未染色病理组织切片的光谱序列图像并预处理叠加生成对应的三维高光谱数据，并基于此数据结合目前流行的神经网络分类思想开发光谱分类算法进行病变区域的识别分割，加快了病理组织切片的识别速率及效率，避免了染色过程中可能引入的人工误差，降低了切片制作所需时间，且使用机器算法自动判别，降低了人工判别带来的主观性，可为病理医生检测病理切片提供较好的辅助。

主权项

1.采用无染色病理切片高光谱图像采集及分割装置进行图像采集及分割的方法，其特征在于，无染色病理切片高光谱图像采集及分割装置包括合金钢基板(104)，合金钢基板(104)上置有氙灯光源(105)，合金钢基板(104)上还垂直设置有固定支架(101)，固定支架(101)从上往下设置有高光谱图像采集模块(102)和样品平台(103)，高光谱图像采集模块(102)、样品平台(103)与氙灯光源(105)同轴心，高光谱图像采集模块(102)外接计算机(106)；/n所述的高光谱图像采集模块(102)包括CCD相机(110)，通过CCD相机(110)侧面USB接口外接计算机(106)，CCD相机(110)通过中继镜头(112)、中继镜头调节环(113)与液晶可调谐滤光器(114)相连并保持同轴心，液晶可调谐滤光器(114)通过侧面USB接口(115)与计算机(106)相连，液晶可调谐滤光器(114)下部通过C口对焦环(116)、光圈(117)与物镜(118)相连；/n包括以下步骤：/n步骤一、装置搭建：将未染色切片放置于样品平台(103)上并调整氙灯光源(105)照明范围使得切片光照均匀，并通过计算机(106)设置CCD相机(110)与液晶可调谐滤光器(114)的参数使得图像灰度清晰，同时调整中继镜头调节环(113)、C口对焦环(116)、光圈(117)使得切片与成像焦平面重合；/n步骤二、参数设置及训练样本数据采集：于计算机(106)上设置高光谱图像采集模块(102)的图像采集参数，包括采集模式、起始、终止波长、波长分辨率和曝光时间，开始采集获取未染色切片样本各光谱二维图像数据，在采集完成后保持同样的采集参数，分别采集无光照全黑背景及同光照参数下完全空白视野各光谱图像作为背景信息参考；/n步骤三：数据预处理，采用步骤二所得黑/白参考信息对各光谱图像进行预处理后按谱段序列叠加得三维高光谱矩阵，此矩阵z轴方向对应空间每点光谱信息，对各点光谱曲线作宽间隔导数法处理以突出特征；/n步骤四：判别神经网络的训练，选取步骤三所得训练样本切片病变/非病变区域宽间隔光谱曲线作为训练数据，训练光谱数据判别网络；具体过程如下：/n(1)建立判别神经网络模型/n输入信息代表着一个像素点的光谱信息，往右边接着是卷积层和最大池层用于计算一系列特征图片，特征图片分类后得到输出层；整个网络包含输入层，卷积层C1，最大池层S1，卷积层C2，最大池层S2，完整连接层F和输出层；输入层的样本尺寸为(n1,1)，其中n1是光谱通道数目；卷积层C1为第一个隐含层，其使用24个尺寸为k1×1的核函数过滤n1×1的输入数据；卷积层C1包含有24×n2×1个节点，其中n2＝n1-k1+1；输入层和卷积层C1之间有24×(k1+1)个可训练参数，最大池层S1是第二个隐含层，核函数的尺寸为(k2,1)，最大池层S1包含有24×n3×1个节点，其中n3＝n2/k2，这一层没有参数；卷积层C2包含有24×n4×1个节点，核函数为(k3,1)其中n4＝n3-k3+1，最大池层S1和卷积层C2之间有24×(k3+1)个可训练参数；最大池层S2包含有24×n5×1个节点，核函数尺寸(k4,1)，其中n5＝n4/k4，这一层没有参数；完整连接层F包含有n6个节点，这一层与最大池层S2之间有(24×n6+1)个训练参数；最后输出层含有n7个节点，这一层与完整连接层F之间有24×n6×1个节点，24×n6×1×n7个训练参数；建立上述参数的卷积神经网络分类器用于区分高光谱像素，其中n1是光谱通道数目，n7是所输出的数据类别数，n2、n3、n4、n5分别是特征图片的维数，n6是完整连接层的维数；/n(2)前向传播/n使用的深度卷积神经网络是5层结构，加上输入输出层也可看作7层，表示为(L+1)层，其中L＝6，在输入层包含有n1个输入单元，在输出层包含有n7个输出单元，隐含层为C1，S1，C2，S2和F层；假设x_i是第i层的输入第(i-1)层的输出，我们可以计算x_i+1为：/nx_i+1＝f_i(u_i) (公式3)/n其中/n /n 是第i层作用于输入数据的权重矩阵系数，b_i是第i层附加的贝叶斯向量，f_i(·)是第i层的激活函数，选择双曲线函数tanh(u)作为卷积层C1、C2和完整连接层F的激活函数，取最大值函数max(u)作为最大池层S1和S2的激活函数；采用分类器将数据进行多分类，输出类别为n7，n7个类标回归模型定义如下：/n /n输出层的输出向量y＝x_L+1表示在当前迭代所有类别的概率；/n(3)后向传播/n在后向传播阶段，训练得到的参数使用下降梯度法调整更新，通过使用最小化成本函数和计算成本函数偏导数来决定每一个参数，使用的损失函数定义如下：/n /n其中，m是训练样本量，Y是输出量；是第i次训练样本实际输出y⁽ⁱ⁾的第j次的值，向量尺寸是n7；第i个样本的期望输出Y⁽ⁱ⁾，标签的概率值为1，如果是其它类别，则概率值为0；1{j＝Y⁽ⁱ⁾}意味着，如果j等同于第i次训练样本的期望类标，它的值则为1；否则，它的值为0；在J(θ)的前面增加负号，使得计算更加便利；/n损失函数对u_i求偏导得到；/n /n其中°表示元素相乘；f′(u_i)可以简单地表示为/n /n因此，在每一次的迭代，都将执行更新，θ为神经网络中所有参数集，θ_i包含W_i和b_i：/n /n为了判断训练参数，α是学习因子，α＝0.01，并且/n /n由于θ_i包含W_i和b_i，并且/n /n其中：/n /n经过多次的迭代训练，成本函数的回归越来越小，这也意味着实际的输出与期望的输出越来越接近，当实际的输出与期望的输出差异足够小时，迭代停止，最终，训练好的深度卷积神经网络模型就可以用于高光谱的图像分类了；/n步骤五：未染色切片高光谱数据的采集及区域识别，根据步骤二的方式进行未染色切片高光谱数据的采集，根据步骤三的方式做相同的预处理，输入步骤四训练完毕的判别神经网络，得出每点病变/非病变判别结果，综合每点判别结果即可生成无染色切片的识别结果。/n