[发明专利]一种基于深度学习的肺部病理图像分类与分割方法

权利要求书

1.一种基于深度学习的肺部病理图像分类与分割方法，其特征在于包括以下步骤:

步骤S1：输入肺部病理图像；

步骤S2：使用滑动窗口对病理图像进行切分获得图像块；

步骤S3：使用病灶类型分类模型依次对前景图像块进行分析，识别前景图像块内组织区域的病灶类型；

步骤S4：输出病灶类型结果；

步骤S5：根据病灶类型结果选择对应的病灶区域分割模型；

步骤S6：使用病灶区域分割模型依次对前景图像块内的病灶区域进行分割，得到病灶区域分割结果；

步骤S7：输出病灶区域分割结果。

2.根据权利要求1所述的一种基于深度学习的肺部病理图像的分类与分割方法，其特征在于，步骤S2包括：利用滑动窗口将病理学图像切分为尺寸相同的图像块，通过图像块筛选算法保留含有组织区域的前景图像块，过滤背景图像块。

3.根据权利要求2所述的图像块筛选算法，其特征在于，步骤包括：计算每张图像块的灰度二值图像，使用Canny边缘轮廓检测算法提取出图像块的边缘轮廓，计算图像块中属于边缘轮廓的像素区域数量，将数量占比大于等于0.01％的图像块分类为目标图像块，小于0.01％的图像块为背景图像块，大于0.01％的图像块为前景图像块。

4.根据权利要求1所述的一种基于深度学习的肺部病理图像的分类与分割方法，其特征在于S3中，利用病灶类型分类模型对前景图像块中的病灶类型进行分类，得到前景图像块的病灶类型识别结果。

5.根据权利要求1所述的一种基于深度学习的肺部病理图像的分类与分割方法，其特征在于S3中，所述病灶类型分类模型包含5层；

图像块输入到模型，首先是第一层，第一层包含卷积层、浓稠深度可分离模块和池化层；第二层包括卷积层、浓稠深度可分离模块和池化层；第三层包括卷积层、浓稠深度可分离模块；第四层包括全连接层、激活层和Dropout层；第五层是输出层，利用Softmax分类器输出结果。

6.根据权利要求1所述的一种基于深度学习的肺部病理图像的分类与分割方法，其特征在于S3中，所述病灶类型分类模型的参数通过对病灶类型识别数据集进行深度学习训练得到。

7.根据权利要求6所述的病灶类型识别数据集，其特征在于，病灶类型识别数据集的制作步骤为：提取部分的肺部病理图像作为训练数据集，使用滑动窗口切分与图像块筛选算法得到前景图像块，通过对所有前景图像块依次标记病灶类型，得到带有病灶类型标记的前景图像块，建立病灶类型识别数据集。

8.根据权利要求5所述的病灶类型识别数据集，其特征在于，所述标记前景图像块的病灶类型有5类，将肺部病理图像中的病灶类型分为5类，病灶类型分别为：(a)正常、(b)肺鳞癌、(c)肺腺癌、(d)肺大细胞癌、(e)肺小细胞癌。

9.根据权利要求1所述的一种基于深度学习的肺部病理图像的分类与分割方法，其特征在于S4中，输出病灶类型结果的步骤包括：判断预测的病灶类型中正常的前景图像块在前景图像块中的占比，如果占比超过95％，则病灶类型结果为正常。如果占比小于95％，统计前景图像块的预测病灶类型中肺鳞癌、肺腺癌、肺大细胞癌、肺小细胞癌四种病灶的数量。若该四种病灶中数量最多的病灶与四种病灶数量的总和比值超过80％，则病灶类型结果为该种病灶，若不满足则病灶类型结果为正常。

10.根据权利要求1所述的一种基于深度学习的肺部病理图像的分类与分割方法，其特征在于S5中，所述病灶区域分割模型采用编码-解码(encoding-decoding)结构对前景图像块进行病灶区域分割，其中解码过程对前景图像块进行特征抽取，解码过程将特征信息进行逐层恢复与像素分类，得到前景图像块病灶区域分割结果。