[发明专利]一种基于深度学习的葡萄胎切片图像处理方法及装置

权利要求书

1.一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，步骤如下：

S1，将葡萄胎切片图像切块，得到切块一，将切块一输入图像分割网络1，得到葡萄胎切片的切块绒毛标签图，将所有切块绒毛标签图融合得到切片绒毛标签图；

S2，将葡萄胎切片图像切块，得到切块二，将切块二输入图像分割网络2，得到葡萄胎切片的切块增生标签图，将所有切块增生标签图融合得到切片增生标签图；

S3，根据切片绒毛标签图得到绒毛区域，将切片增生标签图中绒毛区域之外的增生区域剔除，最终得到切片增生分布图。

2.如权利要求1所述的一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，所述葡萄胎切片图像通过扫描仪扫描获得。

3.如权利要求1所述的一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，图像分割网络1是经过人工标注的葡萄胎绒毛切块标签图像的数据集训练得到的用于绒毛区域分割的网络，图像分割网络2是经过人工标注的葡萄胎增生切块标签图像的数据集训练得到的用于增生区域分割的网络。

4.如权利要求1所述的一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，包括：

步骤S1中，葡萄胎切片图像切块是将切片以间隔s1切成若干尺寸为size1的切块，上下左右相邻的两个切块有sizel×(sizel-s1)的面积重合，size1为3000×3000～18000×18000的像素尺寸。

步骤S2中，葡萄胎切片图像切块是将切片以间隔s2切成若干尺寸为size2的切块，上下左右相邻的两个切块有size2×(size2-s2)的面积重合，size2为1500×1500～9000×9000的像素尺寸。

5.如权利要求1所述的一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，步骤S1、S2中，图像分割网络1、图像分割网络2均为基于卷积网络的图像分割网络。

6.如权利要求1所述的一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，包括：

步骤S1中，切块绒毛标签图融合得到切片绒毛标签图是将所有切块绒毛标签图按原先切块在切片中对应位置进行拼接，上下左右相邻切块的重合部分按多个切块图像的重合部分像素均值拟合。

步骤S2中，切块增生标签图融合得到切片增生标签图是将所有切块增生标签图按原先切块在切片中对应位置进行拼接，上下左右相邻切块的重合部分按多个切块图像的重合部分像素均值拟合。

7.如权利要求1所述的一种基于深度学习的葡萄胎切片图像处理方法，其特征在于，步骤S3中，绒毛区域和非绒毛区域分别为切片绒毛标签图中像素值为0和255的区域，增生区域和非增生区域分别为切片增生标签图中像素值为0和255的区域，将切片增生标签图中对应的绒毛区域之外的增生区域像素值变为255，得到切片增生分布图。

8.一种基于深度学习的葡萄胎切片图像处理装置，其特征在于，包括：

切片绒毛标签图生成模块，用于将葡萄胎切片图像切块，得到切块一，将切块一输入图像分割网络1，得到萄萄胎切片的切块绒毛标签图，将所有切块绒毛标签图融合得到切片绒毛标签图；

切片增生标签图生成模块，用于将葡萄胎切片图像切块，得到切块二，将切块二输入图像分割网络2，得到葡萄胎切片的切块增生标签图，将所有切块增生标签图融合得到切片增生标签图；

增生分布图生成模块，用于根据切片增生标签图、切片绒毛标签图得到切片增生分布图。

9.如权利要求8所述的一种基于深度学习的葡萄胎切片图像处理装置，其特征在于，所述葡萄胎切片图像通过扫描仪扫描获得。

10.如权利要求8所述的一种基于深度学习的葡萄胎切片图像处理装置，其特征在于，图像分割网络1是经过人工标注的葡萄胎绒毛切块标签图像的数据集训练得到的用于绒毛区域分割的网络，图像分割网络2是经过人工标注的葡萄胎增生切块标签图像的数据集训练得到的用于增生区域分割的网络。