病理切片图像分级方法、装置、计算机设备和存储介质与流程
本申请涉及医学图像处理技术领域，特别是涉及一种病理切片图像分级方法、装置、计算机设备和存储介质。
背景技术：
随着医疗技术的发展，病理切片中各类腺体的识别在医疗方面起到了重要的作用。近年来，国内外许多医学研究团队开始致力于研究病理切片中各类腺体的识别，通过对病理切片中的各类腺体进行甄别，能够及时发现病变腺体，从而为病理切片分级提供辅助支持。传统的病理切片分级方式采用的是人工分级的方式，由病理医生通过对病理切片进行移动，进而通过肉眼扫描整个病理切片，对病理切片中的各个腺体的类别进行识别，进而根据识别结果，对病理切片进行分级。
然而，由于每一张病理切片中都存在大量的病变腺体，各种腺体类型繁多、腺体结构复杂、腺体形态多样，在人工分级的方式中，病变腺体的识别与分类主要依赖于医生的专业技能，医生的主观判断性强，完全属于经验医学，容易出现误判，存在准确率低的问题。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种能够提高病理切片分级准确率的病理切片图像分级方法、装置、计算机设备和存储介质。
一种病理切片图像分级方法，所述方法包括：
获取待分析病理切片图像以及腺体位置分割参数，根据腺体位置分割参数，将待分析病理切片图像分割为多个待分析腺体图像；
将待分析腺体图像输入已训练的卷积神经网络模型，得到腺体图像中各目标腺体的分类信息，卷积神经网络模型是以携带标注信息的样本腺体图像集合作为训练集进行训练得到，标注信息包括腺体类别信息；
根据各目标腺体的分类信息，统计待分析病理切片图像中各预设类别的腺体数量以及腺体总量；
根据待分析病理切片图像中各预设类别的腺体数量以及腺体总量，确定待分析病理切片图像的分级结果。
在其中一个实施例中，获取腺体位置分割参数包括：
获取携带标注信息的病理切片图像，标注信息包括腺体位置信息；
根据腺体位置信息，采用聚类算法，将病理切片图像划分为多类目标图像；
计算各类目标图像的尺寸平均值；
将各类目标图像的尺寸平均值进行排序，将尺寸平均值的最大值作为目标滑动窗口的尺寸值；
根据目标滑动窗口的尺寸值以及预设的步长参数，得到腺体位置分割参数。
在其中一个实施例中，将待分析腺体图像输入已训练的卷积神经网络模型，得到腺体图像中各目标腺体的分类信息包括：
将腺体图像输入已训练的卷积神经网络模型，读取已训练的卷积神经网络模型中的多个卷积层和激活函数，获得腺体图像的特征图；
根据已训练的卷积神经网络模型中的池化层对腺体图像的特征图进行降采样；
根据已训练的卷积神经网络模型中的全连接层以及降采样后的腺体图像的特征图，得到腺体图像中各目标腺体的分类信息。
在其中一个实施例中，根据待分析病理切片图像中各预设类别的腺体数量以及腺体总量，确定待分析病理切片图像的分级结果包括：
根据待分析病理切片图像中各预设类别的腺体数量以及腺体总量，确定各预设类别的腺体数量占腺体总量的比例；
对各预设类别的腺体数量占腺体总量的比例进行排序；
根据排序结果，确定待分析病理切片图像的分级结果。
在其中一个实施例中，将待分析腺体图像输入已训练的卷积神经网络模型之前，包括：
获取携带标注信息的样本腺体图像集合，将样本图像集合划分为训练集和测试集，标注信息包括腺体类别信息和腺体位置信息；
根据训练集对初始卷积神经网络模型进行模型训练，得到卷积神经网络模型；
将测试集输入卷积神经网络模型，对卷积神经网络模型进行调整。
在其中一个实施例中，将测试集输入卷积神经网络模型，对卷积神经网络模型进行调整包括：
将测试集输入卷积神经网络模型，得到测试集中各样本腺体图像的分类信息；
比对分类信息以及样本腺体图像携带的腺体类别信息；
根据比对结果，采用反向传播算法和梯度下降算法，训练卷积神经网络模型，得到调整后的卷积神经网络模型。
在其中一个实施例中，获取待分析病理切片图像包括：
获取病理切片图像，对病理切片图像进行预处理，得到待分析病理切片图像，其中，预处理包括图像去噪、图像增强、图像缩放、像素值归一化以及颜色归一化。
一种病理切分图像分级装置，所述装置包括：
获取模块，用于获取待分析病理切片图像以及腺体位置分割参数，根据腺体位置分割参数，将待分析病理切片图像分割为多个待分析腺体图像；
处理模块，用于将待分析腺体图像输入已训练的卷积神经网络模型，得到腺体图像中各目标腺体的分类信息，卷积神经网络模型是以携带标注信息的样本腺体图像集合作为训练集进行训练得到，标注信息包括腺体类别信息；
统计模块，用于根据各目标腺体的分类信息，统计待分析病理切片图像中各预设类别的腺体数量以及腺体总量；
分级模块，用于根据待分析病理切片图像中各预设类别的腺体数量以及腺体总量，确定待分析病理切片图像的分级结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待分析病理切片图像以及腺体位置分割参数，根据腺体位置分割参数，将待分析病理切片图像分割为多个待分析腺体图像；
将待分析腺体图像输入已训练的卷积神经网络模型，得到腺体图像中各目标腺体的分类信息，卷积神经网络模型是以携带标注信息的样本腺体图像集合作为训练集进行训练得到，标注信息包括腺体类别信息；
根据各目标腺体的分类信息，统计待分析病理切片图像中各预设类别的腺体数量以及腺体总量；
根据待分析病理切片图像中各预设类别的腺体数量以及腺体总量，确定待分析病理切片图像的分级结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待分析病理切片图像以及腺体位置分割参数，根据腺体位置分割参数，将待分析病理切片图像分割为多个待分析腺体图像；
将待分析腺体图像输入已训练的卷积神经网络模型，得到腺体图像中各目标腺体的分类信息，卷积神经网络模型是以携带标注信息的样本腺体图像集合作为训练集进行训练得到，标注信息包括腺体类别信息；
根据各目标腺体的分类信息，统计待分析病理切片图像中各预设类别的腺体数量以及腺体总量；
根据待分析病理切片图像中各预设类别的腺体数量以及腺体总量，确定待分析病理切片图像的分级结果。
上述病理切片图像分级方法、装置、计算机设备和存储介质，获取待分析病理切片图像以及腺体位置分割参数，根据腺体位置分割参数，将待分析病理切片图像分割为多个待分析腺体图像，将腺体图像输入已训练的卷积神经网络模型，通过已训练的卷积神经网络模型对目标腺体进行识别，得到各腺体图像中各目标腺体的分类信息，综合各目标腺体的分类信息，得到待分析病理切片图像中各预设类别的腺体数量以及腺体总量，进而根据各预设类别的腺体数量以及腺体总量，确定待分析病理切片图像的分级结果，提高了病理切片分级的准确率。
附图说明
图1为一个实施例中病理切片图像分级方法的流程示意图；
图2为一个实施例中图1中步骤s102的子流程示意图；
图3为一个实施例中图1中步骤s104的子流程示意图；
图4为一个实施例中图1中步骤s108的子流程示意图；
图5为另一个实施例中病理切片图像分级方法的流程示意图；
图6为一个实施例中图5中步骤s506的子流程示意图；
图7为一个实施例中图1中步骤s102的子流程示意图；
图8为一个实施例中病理切片图像分级装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种病理切片图像分级方法，包括以下步骤：
s102：获取待分析病理切片图像以及腺体位置分割参数，根据腺体位置分割参数，将待分析病理切片图像分割为多个待分析腺体图像。
本申请中的分级方法是以组织学结构为基础进行研究的，组织由多个细胞组成，待分析腺体图像的大小的选择会影响分类效果，为了得到更好的分类效果，需要根据腺体位置分割参数对待分析病理切片图像进行分割，得到多个待分析腺体图像。腺体位置分割参数包括分割的滑动窗口的尺寸值以及滑动窗口的移动步长。通过每次将滑动窗口移动预设步长，实现分割。进行分割之前，要先根据携带腺体位置信息的病理切片图像得到腺体位置分割参数，其中，主要是通过对携带腺体位置信息的病理切片图片进行分析，得到滑动窗口的尺寸值，滑动窗口移动的预设步长可按照需要自行设置。
s104：将待分析腺体图像输入已训练的卷积神经网络模型，得到腺体图像中各目标腺体的分类信息，卷积神经网络模型是以携带标注信息的样本腺体图像集合作为训练集进行训练得到，标注信息包括腺体类别信息。
已训练的卷积神经网络模型中包括多个卷积层、激活函数、池化层以及全连接层，其中，多个卷积层和激活函数用于获得待分析腺体图像的特征图，池化层用于对待分析腺体图像的特征图进行降采样，全连接用于对降采样后的待分析腺体图像的特征图进行卷积，得到待分析腺体图像中各目标腺体的分类信息。
s106：根据各目标腺体的分类信息，统计待分析病理切片图像中各预设类别的腺体数量以及腺体总量。
根据各目标腺体的分类信息，服务器能够统计各待分析腺体图像中各预设类别的腺体数量以及腺体总量，进而根据各待分析腺体图像中各预设类别的腺体数量以及腺体总量，统计待分析病理切片图像中各预设类别的腺体数量以及腺体总量。各预设类别可按照需要自行设置。具体的，在本申请中，预设类别包括四类，一是形态完好，分化好的腺体图像，二是发育不良或融合或筛状的腺体图像，三是低分化腺体图像，四是腺体伴粉刺样坏死图像。
s108：根据待分析病理切片图像中各预设类别的腺体数量以及腺体总量，确定待分析病理切片图像的分级结果。
服务器根据待分析病理切片图像中各预设类别的腺体数量以及腺体总量，可以确定各预设类别的腺体数量占腺体总量的比例，进而对各预设类别的腺体数量占腺体总量的比例进行排序，根据排序结果，确定待分析病理切片图像的分级结果。
上述病理切片图像分级方法，获取待分析病理切片图像以及腺体位置分割参数，根据腺体位置分割参数，将待分析病理切片图像分割为多个待分析腺体图像，将腺体图像输入已训练的卷积神经网络模型，通过已训练的卷积神经网络模型对目标腺体进行识别，得到各腺体图像中各目标腺体的分类信息，综合各目标腺体的分类信息，得到待分析病理切片图像中各预设类别的腺体数量以及腺体总量，进而根据各预设类别的腺体数量以及腺体总量，确定待分析病理切片图像的分级结果，提高了病理切片分级的准确率。
在其中一个实施例中，如图2所示，s102包括：
s202：获取携带标注信息的病理切片图像，标注信息包括腺体位置信息；
s204：根据腺体位置信息，采用聚类算法，将病理切片图像划分为多类目标图像；
s206：计算各类目标图像的尺寸平均值；
s208：将各类目标图像的尺寸平均值进行排序，将尺寸平均值的最大值作为目标滑动窗口的尺寸值；
s210：根据目标滑动窗口的尺寸值以及预设的步长参数，得到腺体位置分割参数。
服务器根据腺体位置信息，采用聚类算法，能将病理切片图像划分为多类目标图像，目标图像的类型数与预设类别对应。通过计算各类目标图像的尺寸平均值并进行排序，将尺寸平均值的最大值作为目标滑动窗口的尺寸值，根据目标滑动窗口的尺寸值以及预设的步长参数，得到腺体位置分割参数。其中，步长参数可按照需要自行设置，步长参数用于确定目标滑动窗口每次移动的步长。
进一步的，预设类别为a、b、c、d四类，服务器在确定腺体位置分割参数时，首先在样本集中随机选择多张携带标注信息的病理切片图像，标注信息为病理切片图像中各腺体的种类信息和位置框信息。然后通过对这些位置框进行k-means聚类算法，将这些位置框分为a、b、c、d四类，计算每类框长、宽的平均值，最后取四类中最大的长和宽作为目标滑动窗口的固定大小。预设的步长参数包括水平步长参数和垂直步长参数，其中，可以将水平步长设置为目标滑动窗口长度的1倍，垂直步长设置为目标滑动窗口宽度的1倍，使分割后的每个待分析腺体图像没有重复的部分。
在其中一个实施例中，如图3所示，s104包括：
s302：将腺体图像输入已训练的卷积神经网络模型，读取已训练的卷积神经网络模型中的多个卷积层和激活函数，获得腺体图像的特征图；
s304：根据已训练的卷积神经网络模型中的池化层对腺体图像的特征图进行降采样；
s306：根据已训练的卷积神经网络模型中的全连接层以及降采样后的腺体图像的特征图，得到腺体图像中各目标腺体的分类信息。
在卷积神经网络模型中采用了多个卷积层堆叠的方式，通过多个卷积层堆叠的方式，使卷积神经网络模型能从不同尺度的感受野提取腺体图像的特征，进而学习到图像从局部到全局的关键信息。其中，腺体图像的特征包括组织的形态、排列、以及分化程度。激活函数通常与卷积层同时出现，为非线性函数，通过引入非线性函数作为激励函数，能使卷积神经网络的表达能力更强。常见的激活函数包括relu函数等，relu函数的公式为f(x)＝max(0,x)，其中当输入x<0时，输出为0，当输入x>0，输出为x。relu函数的优点在于梯度不饱和，在方向传播过程中，减轻了梯度弥散的问题，也能使卷积神经网络前几层的参数快速更新，在正向传播过程中计算速度很快。
池化层通常在卷积层之后使用，其作用是对卷积层的输出信息进行降采样，减少参数的个数，避免过拟合。池化层将输出的每个特征映射凝聚成一个新的特征映射。常见的池化层有最大池化(maxpooling)和均值池化(averagepooling)两种，通过提取一定大小窗口内特征图的最大值或者均值作为新的特征输入到下一层。全连接层在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使用中，全连接层可由卷积操作实现：对前层是全连接的全连接层可以转化为卷积核为1x1的卷积；而前层是卷积层的全连接层可以转化为卷积核为h*w的全局卷积，h和w分别为前层卷积结果的高和宽。
在其中一个实施例中，如图4所示，s108包括：
s402：根据待分析病理切片图像中各预设类别的腺体数量以及腺体总量，确定各预设类别的腺体数量占腺体总量的比例；
s404：对各预设类别的腺体数量占腺体总量的比例进行排序；
s406：根据排序结果，确定待分析病理切片图像的分级结果。
服务器会根据待分析病理切片图像中各预设类别的腺体数量以及腺体总量确定各预设类别的腺体数量占腺体总量的比例，进而对各预设类别的腺体数量占腺体总量的比例进行排序，根据排序结果，查询预设的类别分级表，确定待分析病理切片图像的分级结果。在类别分级表中，存储了与各种排序结果对应的分级结果。具体的，服务器对各预设类别的腺体数量占所述腺体总量的比例进行排序，确定比例最大的两个预设类别，根据比例最大的两个预设类别查询预设的类别分级表，确定所述待分析病理切片图像的分级结果。
在其中一个实施例中，在对前列腺癌病理切片图像进行分级时，若其中总的腺体数为m，属于标签0的腺体个数为a；属于标签1的腺体个数为b；属于标签2的腺体个数为c；属于标签3的腺体个数为d。则各类腺体占总腺体数比例分别为：
其中＞＞表示远远大于，标签所对应的腺体类别分为别：标签0为形态完好，分化好的腺体图像，标签1为发育不良或融合或筛状的腺体图像，标签2为低分化的腺体图像，标签3为伴粉刺坏死的腺体图像。9个组别对应的类别分级表如表1所示：
表1
在其中一个实施例中，如图5所示，s104之前，包括：
s502：获取携带标注信息的样本腺体图像集合，将样本图像集合划分为训练集和测试集，标注信息包括腺体类别信息和腺体位置信息；
s504：根据训练集对初始卷积神经网络模型进行模型训练，得到卷积神经网络模型；
s506：将测试集输入卷积神经网络模型，对卷积神经网络模型进行调整。
腺体类别信息与预设类别对应，具体的，预设类别包括四类，一是形态完好，分化好的腺体图像，二是发育不良或融合或筛状的腺体图像，三是低分化腺体图像，四是腺体伴粉刺样坏死图像。病理医生会借助于数字病理扫描仪，对样本腺体图像中的各类腺体图像进行以上类别的标注。腺体位置信息指的是目标腺体图像在样本腺体图像中的坐标信息，病理医生会借助于数字病理扫描仪在标注时将目标腺体图像框选出来。获取携带标注信息的样本腺体图像集合包括获取样本病理切片图像以及腺体位置分割参数，根据腺体位置分割参数将样本病理切片图像分割为多个样本腺体图像，得到样本腺体图像集合。其中，腺体位置分割参数包括步长参数，步长参数包括水平步长参数以及垂直步长参数，在对样本病理切片图像进行分割时，可以将水平步长分别设置为目标滑动窗口长度的1/4、1/2、3/4倍，垂直步长分别设置为目标滑动窗口宽度的1/4、1/2、3/4倍，从而得到更加丰富的数据，使模型具有较好的泛化能力。
在其中一个实施例中，如图6所示，s506包括：
s602：将测试集输入卷积神经网络模型，得到测试集中各样本腺体图像的分类信息；
s604：比对分类信息以及样本腺体图像携带的腺体类别信息；
s606：根据比对结果，采用反向传播算法和梯度下降算法，训练卷积神经网络模型，得到调整后的卷积神经网络模型。
卷积神经网络模型能够在训练过程中，通过反向传播和随机梯度下降的方法更新权重，使得代价函数不断下降，即标签与网络的输出更加接近，直到达到预设的迭代次数为止。通过上述方法，卷积神经网络模型能够自动学习到合适的权重和偏置。卷积神经网络模型训练的过程其实就是找到使代价函数足够小时所(收敛)对应的权重值，直接计算代价函数的最小值计算量十分巨大，而利用反向传播算法，大大减少了最小化代价函数时的计算量，为加深网络层数提供了可能性。
在其中一个实施例中，如图7所示，s102，包括：
s702：获取病理切片图像，对病理切片图像进行预处理，得到待分析病理切片图像，其中，预处理包括图像去噪、图像增强、图像缩放、像素值归一化以及颜色归一化。
对病理切片图像进行预处理，是为了去除病理切片图像中包括的噪声，并解决亮度不均匀等问题，得到清晰的病理数据，用于下一步处理。其中，在进行图像去噪时，可通过高斯滤波对病理切片图像进行处理，通过将预设的高斯滤波算法与病理切片图像进行卷积操作的方式，即可得到去噪声后的病理切片图像。为了突出图像的局部细节特性，扩大图像中病变区域和正常区域特征之间的差别，抑制不感兴趣的特征，可通过图像增强的方式，改善图像质量、丰富信息量，加强图像判读和识别效果，具体地，可采用对数log变换的图像增强算法对病理切片图像进行处理。对数变换可以将图像的低灰度值部分扩展，显示出低灰度部分更多的细节，将其高灰度值部分压缩，减少高灰度值部分的细节，从而达到强调图像低灰度部分的目的。
将图像的像素值进行归一化操作指的是将亮度范围从(0，255)调整到(0，1)，具体地，可通过公式y＝(x-minvalue)/(maxvalue-minvalue)进行调整，其中，x表示归一化前的像素值，y表示调整后的像素值，minvalue表示原图像素的最小值；maxvalue表示原图像素的最大值。为了消除因为染色不同带来的图像颜色的差异，需要对rgb彩色图像进行颜色空间归一化操作，对所有的数据建立标准的色彩空间，增加模型的泛化性能。假设r、g、b分别代表三个颜色通道中某点的像素值，则归一化操作如下：
r'＝r/(r+g+b)
g'＝g/(r+g+b)
b'＝b/(r+g+b)
应该理解的是，虽然图1-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种病理切片图像分级装置，包括：获取模块802、处理模块804、统计模块806和分类模块808，其中：
获取模块802，用于获取待分析病理切片图像以及腺体位置分割参数，根据腺体位置分割参数，将待分析病理切片图像分割为多个待分析腺体图像；
处理模块804，用于将待分析腺体图像输入已训练的卷积神经网络模型，得到腺体图像中各目标腺体的分类信息，卷积神经网络模型是以携带标注信息的样本腺体图像集合作为训练集进行训练得到，标注信息包括腺体类别信息；
统计模块806，用于根据各目标腺体的分类信息，统计待分析病理切片图像中各预设类别的腺体数量以及腺体总量；
分级模块808，用于根据待分析病理切片图像中各预设类别的腺体数量以及腺体总量，确定待分析病理切片图像的分级结果。
上述病理切片图像分级装置，获取待分析病理切片图像以及腺体位置分割参数，根据腺体位置分割参数，将待分析病理切片图像分割为多个待分析腺体图像，将腺体图像输入已训练的卷积神经网络模型，通过已训练的卷积神经网络模型对目标腺体进行识别，得到各腺体图像中各目标腺体的分类信息，综合各目标腺体的分类信息，得到待分析病理切片图像中各预设类别的腺体数量以及腺体总量，进而根据各预设类别的腺体数量以及腺体总量，确定待分析病理切片图像的分级结果，提高了病理切片分级的准确率。
在其中一个实施例中，获取模块还用于获取携带标注信息的病理切片图像，标注信息包括腺体位置信息，根据腺体位置信息，采用聚类算法，将病理切片图像划分为多类目标图像，计算各类目标图像的尺寸平均值，将各类目标图像的尺寸平均值进行排序，将尺寸平均值的最大值作为目标滑动窗口的尺寸值，根据目标滑动窗口的尺寸值以及预设的步长参数，得到腺体位置分割参数。
在其中一个实施例中，处理模块还用于将腺体图像输入已训练的卷积神经网络模型，读取已训练的卷积神经网络模型中的多个卷积层和激活函数，获得腺体图像的特征图，根据已训练的卷积神经网络模型中的池化层对腺体图像的特征图进行降采样，根据已训练的卷积神经网络模型中的全连接层以及降采样后的腺体图像的特征图，得到腺体图像中各目标腺体的分类信息。
在其中一个实施例中，分级模块还用于根据待分析病理切片图像中各预设类别的腺体数量以及腺体总量，确定各预设类别的腺体数量占腺体总量的比例，对各预设类别的腺体数量占腺体总量的比例进行排序。根据排序结果，确定待分析病理切片图像的分级结果。
在其中一个实施例中，处理模块还用于获取携带标注信息的样本腺体图像集合，将样本图像集合划分为训练集和测试集，标注信息包括腺体类别信息和腺体位置信息，根据训练集对初始卷积神经网络模型进行模型训练，得到卷积神经网络模型，将测试集输入卷积神经网络模型，对卷积神经网络模型进行调整。
在其中一个实施例中，处理模块还用于将测试集输入卷积神经网络模型，得到测试集中各样本腺体图像的分类信息，比对分类信息以及样本腺体图像携带的腺体类别信息，根据比对结果，采用反向传播算法和梯度下降算法，训练卷积神经网络模型，得到调整后的卷积神经网络模型。
在其中一个实施例中，获取模块还用于获取病理切片图像，对病理切片图像进行预处理，得到待分析病理切片图像，其中，预处理包括图像去噪、图像增强、图像缩放、像素值归一化以及颜色归一化。
关于病理切分图像分级装置的具体限定可以参见上文中对于病理切分图像分级方法的限定，在此不再赘述。上述病理切分图像分级装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种病理切片图像分级方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待分析病理切片图像以及腺体位置分割参数，根据腺体位置分割参数，将待分析病理切片图像分割为多个待分析腺体图像；
将待分析腺体图像输入已训练的卷积神经网络模型，得到腺体图像中各目标腺体的分类信息，卷积神经网络模型是以携带标注信息的样本腺体图像集合作为训练集进行训练得到，标注信息包括腺体类别信息；
根据各目标腺体的分类信息，统计待分析病理切片图像中各预设类别的腺体数量以及腺体总量；
根据待分析病理切片图像中各预设类别的腺体数量以及腺体总量，确定待分析病理切片图像的分级结果。
上述病理切片图像分级计算机设备，获取待分析病理切片图像以及腺体位置分割参数，根据腺体位置分割参数，将待分析病理切片图像分割为多个待分析腺体图像，将腺体图像输入已训练的卷积神经网络模型，通过已训练的卷积神经网络模型对目标腺体进行识别，得到各腺体图像中各目标腺体的分类信息，综合各目标腺体的分类信息，得到待分析病理切片图像中各预设类别的腺体数量以及腺体总量，进而根据各预设类别的腺体数量以及腺体总量，确定待分析病理切片图像的分级结果，提高了病理切片分级的准确率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取携带标注信息的病理切片图像，标注信息包括腺体位置信息；
根据腺体位置信息，采用聚类算法，将病理切片图像划分为多类目标图像；
计算各类目标图像的尺寸平均值；
将各类目标图像的尺寸平均值进行排序，将尺寸平均值的最大值作为目标滑动窗口的尺寸值；
根据目标滑动窗口的尺寸值以及预设的步长参数，得到腺体位置分割参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将腺体图像输入已训练的卷积神经网络模型，读取已训练的卷积神经网络模型中的多个卷积层和激活函数，获得腺体图像的特征图；
根据已训练的卷积神经网络模型中的池化层对腺体图像的特征图进行降采样；
根据已训练的卷积神经网络模型中的全连接层以及降采样后的腺体图像的特征图，得到腺体图像中各目标腺体的分类信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据待分析病理切片图像中各预设类别的腺体数量以及腺体总量，确定各预设类别的腺体数量占腺体总量的比例；
对各预设类别的腺体数量占腺体总量的比例进行排序；
根据排序结果，确定待分析病理切片图像的分级结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取携带标注信息的样本腺体图像集合，将样本图像集合划分为训练集和测试集，标注信息包括腺体类别信息和腺体位置信息；
根据训练集对初始卷积神经网络模型进行模型训练，得到卷积神经网络模型；
将测试集输入卷积神经网络模型，对卷积神经网络模型进行调整。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将测试集输入卷积神经网络模型，得到测试集中各样本腺体图像的分类信息；
比对分类信息以及样本腺体图像携带的腺体类别信息；
根据比对结果，采用反向传播算法和梯度下降算法，训练卷积神经网络模型，得到调整后的卷积神经网络模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取病理切片图像，对病理切片图像进行预处理，得到待分析病理切片图像，其中，预处理包括图像去噪、图像增强、图像缩放、像素值归一化以及颜色归一化。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待分析病理切片图像以及腺体位置分割参数，根据腺体位置分割参数，将待分析病理切片图像分割为多个待分析腺体图像；
将待分析腺体图像输入已训练的卷积神经网络模型，得到腺体图像中各目标腺体的分类信息，卷积神经网络模型是以携带标注信息的样本腺体图像集合作为训练集进行训练得到，标注信息包括腺体类别信息；
根据各目标腺体的分类信息，统计待分析病理切片图像中各预设类别的腺体数量以及腺体总量；
根据待分析病理切片图像中各预设类别的腺体数量以及腺体总量，确定待分析病理切片图像的分级结果。
上述病理切片图像分级存储介质，获取待分析病理切片图像以及腺体位置分割参数，根据腺体位置分割参数，将待分析病理切片图像分割为多个待分析腺体图像，将腺体图像输入已训练的卷积神经网络模型，通过已训练的卷积神经网络模型对目标腺体进行识别，得到各腺体图像中各目标腺体的分类信息，综合各目标腺体的分类信息，得到待分析病理切片图像中各预设类别的腺体数量以及腺体总量，进而根据各预设类别的腺体数量以及腺体总量，确定待分析病理切片图像的分级结果，提高了病理切片分级的准确率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取携带标注信息的病理切片图像，标注信息包括腺体位置信息；
根据腺体位置信息，采用聚类算法，将病理切片图像划分为多类目标图像；
计算各类目标图像的尺寸平均值；
将各类目标图像的尺寸平均值进行排序，将尺寸平均值的最大值作为目标滑动窗口的尺寸值；
根据目标滑动窗口的尺寸值以及预设的步长参数，得到腺体位置分割参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将腺体图像输入已训练的卷积神经网络模型，读取已训练的卷积神经网络模型中的多个卷积层和激活函数，获得腺体图像的特征图；
根据已训练的卷积神经网络模型中的池化层对腺体图像的特征图进行降采样；
根据已训练的卷积神经网络模型中的全连接层以及降采样后的腺体图像的特征图，得到腺体图像中各目标腺体的分类信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据待分析病理切片图像中各预设类别的腺体数量以及腺体总量，确定各预设类别的腺体数量占腺体总量的比例；
对各预设类别的腺体数量占腺体总量的比例进行排序；
根据排序结果，确定待分析病理切片图像的分级结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取携带标注信息的样本腺体图像集合，将样本图像集合划分为训练集和测试集，标注信息包括腺体类别信息和腺体位置信息；
根据训练集对初始卷积神经网络模型进行模型训练，得到卷积神经网络模型；
将测试集输入卷积神经网络模型，对卷积神经网络模型进行调整。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将测试集输入卷积神经网络模型，得到测试集中各样本腺体图像的分类信息；
比对分类信息以及样本腺体图像携带的腺体类别信息；
根据比对结果，采用反向传播算法和梯度下降算法，训练卷积神经网络模型，得到调整后的卷积神经网络模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取病理切片图像，对病理切片图像进行预处理，得到待分析病理切片图像，其中，预处理包括图像去噪、图像增强、图像缩放、像素值归一化以及颜色归一化。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！