[发明专利]基于多分辨率的全视野病理切片图像肿瘤快速定位方法

权利要求书

1.一种基于多分辨率的全视野病理切片图像肿瘤快速定位方法，其特征在于，包括：构建图像块训练集；

利用所述图像块训练集，获得两个分类模型；

先后使用两个分类模型对全视野病理切片进行预测，获得定位结果。

2.根据权利要求1所述的基于多分辨率的全视野病理切片图像肿瘤快速定位方法，其特征在于，所述构建图像块训练集，包括：

读取全视野病理切片，通过大律法提取其前景与背景；

在所述前景与背景区域，构造不同分辨率的全视野病理切片的图像块，获得不同分辨率的图像块数据集，并得到所述图像块数据集的类别标签。

3.根据权利要求1所述的基于多分辨率的全视野病理切片图像肿瘤快速定位方法，其特征在于，所述构建图像块训练集包括一组低分辨率数据集和一组高分辨率数据集；所述两个分类模型包括低分辨率模型和高分辨率模型，其经过训练均具备不同放大倍率下的肿瘤与正常组织特征参数。

4.根据权利要求3所述的基于多分辨率的全视野病理切片图像肿瘤快速定位方法，其特征在于，训练低分辨率模型，包括：

使用所述低分辨率数据集训练全卷积分类网络，所述全卷积分类网络网络以Resnet18作为骨干网络；

将所述全卷积分类网络的全连接层替换为全卷积层，并控制最后一层的卷积通道数为类别数；

对低分辨率数据集中的阳性样本加权，输入所述全卷积分类网络训练；

将训练好的不同卷积网络中不同层级(stage)的特征图进行融合并获得多尺度特征；

Out＝concat(s1+s2+s3)

其中(s1,s2,s3)为Resnet18网络中的不同层级的特征输出图，concat为串连融合，Out为多尺度的融合特征。

5.根据权利要求3所述的基于多分辨率的全视野病理切片图像肿瘤快速定位方法，其特征在于，训练高分辨率模型，包括：

使用所述高分辨率数据集训练卷积分类网络，所述卷积分类网络以Resnet18作为骨干网络；

在所述Resnet18中每个basic模块中添加SE模块；

计算每个stage输出通道的权值；

并将所述权值与特征通道内特征图进行相乘，基于类别贡献筛选出对于类别贡献大的特征作为stage输出特征；基于类别贡献筛选stage输出特征；

将所述stage输出特征进行多尺度特征融合。

6.根据权利要求3所述的基于多分辨率的全视野病理切片图像肿瘤快速定位方法，其特征在于，所述先后使用两个分类模型对全视野病理切片进行预测，获得定位结果，包括：

使用所述低分辨率模型，对所述全视野病理切片进行预测，得到粗略定位概率图；

获取所述粗略定位概率图中的异常像素点；

将所述异常像素点通过所述高分辨率模型进行判断，重新得到该像素位置的概率值，并得到最终定位概率图。

7.根据权利要求6所述的基于多分辨率的全视野病理切片图像肿瘤快速定位方法，其特征在于，所述使用低分辨率模型，对全视野病理切片进行预测，得到粗略定位概率图，包括：

原尺寸全视野病理切片为S_{level_0}，通过双线性插值的方法将获取预设倍率的低放大倍率全视野病理切片图像S_{level_i}(i＝1,2,3)；

通过预设大小的滑动窗S_W和固定步长S_S，在低放大倍率全视野病理切片上滑动采样；

将所述滑动采样输入至低分辨率模型中，低分辨率模型的下采样因子为2ⁿ；

将滑动窗样本计算出的结果进行拼接，生成原尺寸1/2ⁿ⁺ⁱ大小的粗略定位概率图。