[发明专利]一种甲状腺肿瘤病理组织切片图像分类方法及其装置

权利要求书

1.一种甲状腺肿瘤病理组织切片图像分类方法，其特征在于，包括：

获取已分类的甲状腺肿瘤病理组织切片原始图像集；

在每张原始图像中自动截取若干张含有细胞的区域图像作为子图像集；

将子图像集全部或部分作为训练集；

构建初步卷积神经网络模型；

用训练集训练初步卷积神经网络模型，获得成熟卷积神经网络模型；

用成熟卷积神经网络模型对待分类的甲状腺肿瘤病理组织切片图像进行分类。

2.如权利要求1所述的甲状腺肿瘤病理组织切片图像分类方法，其特征在于，所述在每张原始图像中自动截取若干张含有细胞的区域图像作为子图像集的具体方法为：采用高斯拉普拉斯算子特征去匹配病理组织切片中的细胞核从而找到细胞的位置，然后通过检测到的细胞的坐标关系，在细胞较多的区域实施自动化截取。

3.如权利要求1所述的甲状腺肿瘤病理组织切片图像分类方法，其特征在于，所述在每张原始图像中自动截取若干张含有细胞的区域图像作为子图像集的具体方法包括步骤：

1)对原始图像每一个像素点f(x,y)用方差为σ的高斯核进行高斯滤波，去除原始图像中的噪点；

2)将原始图像每一个像素点f(x,y)与高斯核函数G(x,y,σ)求卷积：

L(x,y；σ)＝f(x,y)*G(x,y；σ)；

3)求其拉普拉斯变换:

4)遍历原始图像中每个点(x,y)，算出所对应的拉普拉斯变换的响应，设定第一阈值，找出响应值大于所述第一阈值的响应点，以这些响应点作为原始图像在尺度σ下的斑点集合；

5)设定第二阈值，以任意一个斑点为中心，在一定区域范围内计算斑点数，当斑点数大于所述第二阈值时，截取该一定区域范围作为子图像。

4.如权利要求1所述的甲状腺肿瘤病理组织切片图像分类方法，其特征在于，还包括对每张截取后获得的子图像进行翻转和/或旋转的数据扩增。

5.一种甲状腺肿瘤病理组织切片图像自动截取方法，其特征在于，所述方法采用高斯拉普拉斯算子特征去匹配病理组织切片中的细胞核从而找到细胞的位置，然后通过检测到的细胞的坐标关系，在细胞较多的区域实施自动化截取。

6.如权利要求5所述的甲状腺肿瘤病理组织切片图像自动截取方法，其特征在于，所述方法包括步骤：

1)对原始图像每一个像素点f(x,y)用方差为σ的高斯核进行高斯滤波，去除原始图像中的噪点；

2)将原始图像每一个像素点f(x,y)与高斯核函数G(x,y,σ)求卷积：

L(x,y；σ)＝f(x,y)*G(x,y；σ)；

3)求其拉普拉斯变换:

4)遍历原始图像中每个点(x,y)，算出所对应的拉普拉斯变换的响应，设定第一阈值，找出响应值大于所述第一阈值的响应点，以这些响应点作为原始图像在尺度σ下的斑点集合；

5)设定第二阈值，以任意一个斑点为中心，在一定区域范围内计算斑点数，当斑点数大于所述第二阈值时，截取该一定区域范围作为子图像。

7.如权利要求6所述的甲状腺肿瘤病理组织切片图像分类方法，其特征在于，还包括步骤6)通过更改σ，求得多尺度下的斑点集合，从而获得多尺度下的子图像。

8.一种用于甲状腺肿瘤病理组织切片图像分类的装置，其特征在于，包括：模型构建模块和模型使用模块；

其中，所述模型构建模块包括：

第一图像自动截取单元：用于获取已分类的甲状腺肿瘤病理组织切片原始图像集并自动截取若干张含有细胞的区域图像作为第一子图像集；

训练集形成单元：用于从子图像集中形成训练集，优选还可进一步对训练集进行自动化扩增；

训练单元：用于对初步卷积神经网络模型进行训练，从而获得成熟卷积神经网络模型；

其中，所述模型使用模块包括：

第二图像自动截取单元：用于获取待分类的甲状腺肿瘤病理组织切片原始图像，并自动截取若干张含有细胞的区域图像作为第二子图像集；

分类单元：用所述成熟卷积神经网络模型对第二子图像集进行分类。