本發(fā)明涉及的是一種圖像處理領(lǐng)域的技術(shù)，具體是一種基于深度學(xué)習(xí)的庫欣病瘤旁adreno-cortico-tropic-hormone(acth)表達及預(yù)后度量方法。
背景技術(shù)：
1、現(xiàn)有圖像處理技術(shù)在處理庫欣病圖像時會產(chǎn)生嚴(yán)重噪聲且模態(tài)間差異大的圖像，具有無法完成配準(zhǔn)、計算量過大、無法正確區(qū)分前景與背景，陽性與陰性區(qū)域等問題。
技術(shù)實現(xiàn)思路
1、本發(fā)明針對現(xiàn)有技術(shù)的難題，提出一種基于深度學(xué)習(xí)的庫欣病瘤旁acth表達及預(yù)后度量方法，通過單鏈聚類，僅通過一次距離變換便可從原始圖像中提取距離矩陣并按粗到細的思路將多種相似性度量和多種優(yōu)化算法結(jié)合使用，顯著減小了圖像分割的計算量的同時能夠?qū)⒍喾N相似性度量和多種優(yōu)化算法結(jié)合使用，對不同分辨率下的圖像逐級配準(zhǔn)。
2、本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：
3、本發(fā)明涉及一種基于深度學(xué)習(xí)的庫欣病瘤旁acth表達及預(yù)后度量方法，采用單鏈接聚類算法分別從兩種不同放大倍率的輸入圖像上分割出聚類塊后，對其分別進行跨模態(tài)的配對和配準(zhǔn)；將其中一類聚類塊輸入訓(xùn)練后的多實例學(xué)習(xí)(mil)分類器得到陽性區(qū)域，即t-pit染色圖中細胞核密集深染區(qū)域后，將陽性區(qū)域按配準(zhǔn)得到的變換矩陣投射到另一類聚類塊上；最后對另一類聚類塊的投射區(qū)域進行圖像分割并分析激素水平，實現(xiàn)預(yù)后度量。
4、本發(fā)明涉及一種實現(xiàn)上述方法的系統(tǒng)，包括：層次聚類單元、圖像配準(zhǔn)單元、圖像分類單元、變換映射單元和圖像分割及數(shù)據(jù)處理單元，其中：層次聚類單元根據(jù)病理學(xué)全載玻片圖像(wsi)進行改進的單鏈接層次聚類處理，分別得到2個待配準(zhǔn)圖像中面積從大到小排列的多個聚類塊；圖像配準(zhǔn)單元根據(jù)層次聚類單元得到的兩兩對應(yīng)的聚類塊信息，進行集成的從粗到細流程的多模態(tài)圖像配準(zhǔn)處理，分別得到各個聚類塊的剛性變換矩陣；圖像分類單元根據(jù)屬于運動圖像的各個聚類塊的信息，進行基于卷積神經(jīng)網(wǎng)絡(luò)的多實例學(xué)習(xí)的圖像分類處理，得到腫瘤陽性區(qū)域和腫瘤陰性區(qū)域；變換映射單元將圖像分類單元得到的運動圖像上的陽性區(qū)域和陰性區(qū)域信息，通過圖像配準(zhǔn)單元得到的變換矩陣投射到固定圖像上，得到將固定圖像分割為陽性區(qū)域和陰性區(qū)域的結(jié)果；圖像分割及數(shù)據(jù)處理單元根據(jù)變換映射單元得到的固定圖像中陽性區(qū)域和陰性區(qū)域信息，將經(jīng)過白平衡處理后的固定圖像進行基于閾值的圖像分割，分別得到固定圖像中陽性區(qū)域和陰性區(qū)域分級的激素表達效果，并以列表的方式將具體數(shù)值和其加權(quán)均值展示給用戶。
5、技術(shù)效果
6、與現(xiàn)有技術(shù)相比，本發(fā)明顯著減小了基于單鏈接層次聚類的病理圖像分割任務(wù)的計算復(fù)雜度，在嚴(yán)重噪聲干擾的多模態(tài)庫欣病病理圖像配準(zhǔn)任務(wù)上達到比現(xiàn)有技術(shù)更高的正確率，在t-pit(或記作tpit)染色斑塊圖像的分類任務(wù)上達到比現(xiàn)有技術(shù)更高的準(zhǔn)確率，首個端到端的庫欣病多模態(tài)病理切片圖像數(shù)據(jù)分析系統(tǒng)。
1.一種基于深度學(xué)習(xí)的庫欣病瘤旁acth表達及預(yù)后度量方法，其特征在于，采用單鏈接聚類算法分別從兩種不同放大倍率的輸入圖像上分割出聚類塊后，對其分別進行跨模態(tài)的配對和配準(zhǔn)；將其中一類聚類塊輸入訓(xùn)練后的多實例學(xué)習(xí)(mil)分類器得到陽性區(qū)域，即t-pit染色圖中細胞核密集深染區(qū)域后，將陽性區(qū)域按配準(zhǔn)得到的變換矩陣投射到另一類聚類塊上；最后對另一類聚類塊的投射區(qū)域進行圖像分割并分析激素水平，實現(xiàn)預(yù)后度量。
2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的庫欣病瘤旁acth表達及預(yù)后度量方法，其特征是，具體包括：
3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的庫欣病瘤旁acth表達及預(yù)后度量方法，其特征是，所述的交界來源信息包括：膨脹前的像素值為相鄰2個區(qū)域中較小的區(qū)域編號，即label1i＝n(i)，膨脹后的像素值為相鄰2個區(qū)域中較大的區(qū)域編號，即label2i＝ndilated(i)，i∈(ndilated-ndilated∩n)。
4.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的庫欣病瘤旁acth表達及預(yù)后度量方法，其特征是，所述的提取圖像前景包括：
5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)的庫欣病瘤旁acth表達及預(yù)后度量方法，其特征是，對每對配準(zhǔn)圖像分別用圖像處理技術(shù)去掉縫隙和保留縫隙做兩次配準(zhǔn)，以兩幅圖像逐像素級相減后的方差為依據(jù)選出契合度最高的轉(zhuǎn)換矩陣，再對接下游任務(wù)。
6.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的庫欣病瘤旁acth表達及預(yù)后度量方法，其特征是，所述的mil分類器為卷積神經(jīng)網(wǎng)絡(luò)(convnet)，包括：卷積層(conv)、池層(pool)、激活函數(shù)(relu)和平均層，其中：convnet應(yīng)用四層含padding的卷積層；前兩層的算子為5×5，其他為3×3；平均層計算每批樣本的輸出，即將輸入特征映射計算為單個標(biāo)量數(shù)值；除最后一層外，批次歸一化和校正線性激活函數(shù)(relu)在整個convnet中都得到了利用。
7.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的庫欣病瘤旁acth表達及預(yù)后度量方法，其特征是，在第四步像素級圖像分割的前期先通過顯著區(qū)域分割技術(shù)找出背景區(qū)域，計算所有圖像背景區(qū)域的平均像素值，并通過使用此值和每個圖像背景區(qū)域平均值之間的差異來校準(zhǔn)整個圖像的強度。
8.一種實現(xiàn)權(quán)利要求1-7中任一所述方法的基于深度學(xué)習(xí)的庫欣病瘤旁acth表達及預(yù)后度量系統(tǒng)，其特征在于，包括：層次聚類單元、圖像配準(zhǔn)單元、圖像分類單元、變換映射單元和圖像分割及數(shù)據(jù)處理單元，其中：層次聚類單元根據(jù)病理學(xué)全載玻片圖像(wsi)進行改進的單鏈接層次聚類處理，分別得到2個待配準(zhǔn)圖像中面積從大到小排列的多個聚類塊；圖像配準(zhǔn)單元根據(jù)層次聚類單元得到的兩兩對應(yīng)的聚類塊信息，進行集成的從粗到細流程的多模態(tài)圖像配準(zhǔn)處理，分別得到各個聚類塊的剛性變換矩陣；圖像分類單元根據(jù)屬于運動圖像的各個聚類塊的信息，進行基于卷積神經(jīng)網(wǎng)絡(luò)的多實例學(xué)習(xí)的圖像分類處理，得到腫瘤陽性區(qū)域和腫瘤陰性區(qū)域；變換映射單元將圖像分類單元得到的運動圖像上的陽性區(qū)域和陰性區(qū)域信息，通過圖像配準(zhǔn)單元得到的變換矩陣投射到固定圖像上，得到將固定圖像分割為陽性區(qū)域和陰性區(qū)域的結(jié)果；圖像分割及數(shù)據(jù)處理單元根據(jù)變換映射單元得到的固定圖像中陽性區(qū)域和陰性區(qū)域信息，將經(jīng)過白平衡處理后的固定圖像進行基于閾值的圖像分割，分別得到固定圖像中陽性區(qū)域和陰性區(qū)域分級的激素表達效果，并以列表的方式將具體數(shù)值和其加權(quán)均值展示給用戶。