一种病理图像中对象检测识别方法及装置与流程

1.本发明属于病理图像处理技术领域，具体涉及一种病理图像中对象检测识别方法及装置。


背景技术：

2.目前，用显微镜对生物的细胞和微生物的形态分析，是生物研究和医学研究中的常用方法，也是日常尿检、血检以及妇科检查等临床疾病诊断的重要手段。但由于显微图像的图像质量参差不齐，人工镜检既耗时耗力，而且容易受医务人员的经验和主观性影响，容易导致不同医务人员给出的检验结果灵敏度和特异性存在不一致的情况。
3.随着人工智能在医学领域的相关应用越来越广泛，医学显微图像的自动化识别和研究也成了热门的研究方向。然而，由于实现的复杂性等原因，现阶段还主要集中在特定类别的细胞或微生物形态的识别上，而包含细胞、微生物和杂质全面检测的自动化方法却鲜有研究。事实上，在实际应用中，除了主要的细胞和微生物，样本中的杂菌、细胞碎片、颗粒物等杂质数量往往也是重要的参考指标。因此，全面的细胞、微生物和杂质的自动化识别研究具有重要的临床应用价值和实用意义。
4.此外，在实际医学应用中，用户对于不同类型的被检测对象的灵敏度要求往往不同，因此对于这类系统，能够对不同类型的被检测对象单独设定检测置信度阈值是很有必要的。由于深度学习的技术还在不断发展，针对图像目标检测和分割算法层出不穷，实际的系能够方便地方便的支持这种演化。


技术实现要素：

5.本发明目的在于提供一种病理图像中对象检测识别方法及装置，以解决或部分解决背景技术所提及的问题。
6.基于上述目的，本技术的第一方面提供了一种病理图像中对象检测识别方法，包括以下步骤：
7.获取待处理的病理图像，将所述病理图像分别输入到形态学处理框架和深度目标检测网络中；
8.形态学处理框架处理过程，将所述病理图像采用像素级图像处理算法，得到目标区域和背景分离的二值图像；
9.深度目标检测网络处理过程，将所述病理图像进行特征提取、分类和目标区域回归，得到包括位置信息、尺寸信息、置信度和类型信息的检测框；
10.根据所述检测框的区域信息，将二值图像中的对应区域置为背景色，清除已知类型对象对应的目标区域，得到包含杂质的二值图像；
11.采用查找连通域算法，找到所有杂质对应的区域集合；
12.综合已知类型对象对应的目标区域和杂质对应的区域集合，得到包含杂质在内的各类对象对应的区域信息。
13.作为病理图像中对象检测识别方法的优选方案，采用像素级图像处理算法包括灰度转换：若输入的所述病理图像为彩色图像，将彩色的所述病理图像转换为灰度图像i，以根据亮度信息区分图像背景和检测对象。
14.作为病理图像中对象检测识别方法的优选方案，采用像素级图像处理算法还包括背景移除：背景移除过程，根据灰度图像i创建副本图像i’，使用图像模糊方法，对副本图像i’进行模糊操作，得到图像的光背景模式图l；
15.计算灰度图像i与光背景模式图l的对应像素灰度值的差，并将灰度值范围缩放到(0，h
max
)范围内，得到移除光背景的图像g。
16.作为病理图像中对象检测识别方法的优选方案，采用像素级图像处理算法还包括二值化：二值化过程对移除光背景的图像g，选取置信度阈值为α0∈(0,1)，用α0*h
max
作为图像二值化阈值，以去除与背景亮度差异小于图像二值化阈值的区域；
17.采用像素级图像处理算法还包括去噪、膨胀和腐蚀：
18.去噪过程，对得到的二值化图像，采用去噪算法去除噪点；
19.膨胀过程，对得到的去噪图像，采用形态学膨胀算法，融合在预设距离范围内的区域；
20.腐蚀过程，采用形态学腐蚀算法，去除多余的小孔区域。
21.作为病理图像中对象检测识别方法的优选方案，对于输出的检测框，通过n个置信度阈值α1,α2,
…
,αn过滤控制要保留的检测框，要保留的检测框区域集dd表示为：
22.dd＝{ai|ti＞αi，i∈[1，n]}
[0023]
其中，ai表示第i类区域集合，ti表示第i类区域的置信度，αi表示第i类区域的置信度阈值，n表示深度目标检测网络的分类数。
[0024]
作为病理图像中对象检测识别方法的优选方案，通过设定n+1个置信度阈值α0,α1,
…
,αn分别控制所保留的识别出的杂质区域和已知类别对象区域，所有保留的区域集d表示为：
[0025]
d＝dd∪{a0}＝{ai|ti＞αi，i∈[1，n]}∪{a0}＝{ai|ti＞αi，i∈[0，n]}
[0026]
其中，ai表示第i类区域集合，ti表示第i类区域的置信度，αi表示第i类区域的置信度阈值，n表示深度目标检测网络的分类数；i＝0表示杂质类别，α0表示杂质的置信度阈值。
[0027]
本技术的第二方面提供了一种病理图像中对象检测识别装置，包括：
[0028]
图像配置模块，用于获取待处理的病理图像，将所述病理图像分别输入到形态学处理框架和深度目标检测网络中；
[0029]
形态学处理模块，用于形态学处理框架处理过程，将所述病理图像采用像素级图像处理算法，得到目标区域和背景分离的二值图像；
[0030]
目标检测模块，用于深度目标检测网络处理过程，将所述病理图像进行特征提取、分类和目标区域回归，得到包括位置信息、尺寸信息、置信度和类型信息的检测框；
[0031]
区域剔除模块，用于根据所述检测框的区域信息，将二值图像中的对应区域置为背景色，清除已知类型对象对应的目标区域，得到包含杂质的二值图像；
[0032]
查找模块，用于采用查找连通域算法，找到所有杂质对应的区域集合；
[0033]
对象识别模块，用于综合已知类型对象对应的目标区域和杂质对应的区域集合，得到包含杂质在内的各类对象对应的区域信息。
[0034]
作为病理图像中对象检测识别装置的优选方案，所述形态学处理模块中包括：
[0035]
灰度转换子模块，用于若输入的所述病理图像为彩色图像，将彩色的所述病理图像转换为灰度图像i，以根据亮度信息区分图像背景和检测对象；
[0036]
背景移除子模块，用于背景移除过程，根据灰度图像i创建副本图像i’，使用图像模糊方法，对副本图像i’进行模糊操作，得到图像的光背景模式图l；计算灰度图像i与光背景模式图l的对应像素灰度值的差，并将灰度值范围缩放到(0，h
max
)范围内，得到移除光背景的图像g；
[0037]
二值化子模块，用于二值化过程对移除光背景的图像g，选取置信度阈值为α0∈(0,1)，用α0*h
max
作为图像二值化阈值，以去除与背景亮度差异小于图像二值化阈值的区域；
[0038]
去噪子模块，用于去噪过程，对得到的二值化图像，采用去噪算法去除噪点；
[0039]
膨胀子模块，用于膨胀过程，对得到的去噪图像，采用形态学膨胀算法，融合在预设距离范围内的区域；
[0040]
腐蚀子模块，用于腐蚀过程，采用形态学腐蚀算法，去除多余的小孔区域。
[0041]
作为病理图像中对象检测识别装置的优选方案，所述目标检测模块中：
[0042]
对于输出的检测框，通过n个置信度阈值α1,α2,
…
,αn过滤控制要保留的检测框，要保留的检测框区域集dd表示为：
[0043]dd
＝{ai|ti＞ai，i∈[1，n]}
[0044]
其中，ai表示第i类区域集合，ti表示第i类区域的置信度，αi表示第i类区域的置信度阈值，n表示深度目标检测网络的分类数。
[0045]
作为病理图像中对象检测识别装置的优选方案，所述对象识别模块中：
[0046]
通过设定n+1个置信度阈值α0,α1,
…
,αn分别控制所保留的识别出的杂质区域和已知类别对象区域，所有保留的区域集d表示为：
[0047]
d＝dd∪{a0}＝{ai|ti＞αi，i∈[1，n]}∪{a0}＝{ai|ti＞ti，i∈[0，n]}
[0048]
其中，ai表示第i类区域集合，ti表示第i类区域的置信度，αi表示第i类区域的置信度阈值，n表示深度目标检测网络的分类数；i＝0表示杂质类别，α0表示杂质的置信度阈值。
[0049]
本技术的第三方面提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的病理图像中对象检测识别方法。
[0050]
本技术的第四方面提出了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行实现第一方面所述的病理图像中对象检测识别方法。
[0051]
本发明的有益效果是：通过获取待处理的病理图像，将所述病理图像分别输入到形态学处理框架和深度目标检测网络中；形态学处理框架处理过程，将所述病理图像采用像素级图像处理算法，得到目标区域和背景分离的二值图像；深度目标检测网络处理过程，将所述病理图像进行特征提取、分类和目标区域回归，得到包括位置信息、尺寸信息、置信度和类型信息的检测框；根据所述检测框的区域信息，将二值图像中的对应区域置为背景色，清除已知类型对象对应的目标区域，得到包含杂质的二值图像；采用查找连通域算法，找到所有杂质对应的区域集合；综合已知类型对象对应的目标区域和杂质对应的区域集
合，得到包含杂质在内的各类对象对应的区域信息。本发明实现了全部细胞、微生物和杂质的检测，包括其中已确定类型和未确定类型的对象；对于已确定类型和未确定类型的被检测对象，可以通过独立调节置信度阈值来改变被检测对象的召回率(灵敏度)；本发明使得深度目标检测网络可以独立于整个系统而变化，有利于随着深度学习技术进步而更新。
附图说明
[0052]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
[0053]
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
[0054]
图1为本发明实施例提供的显微镜病理图像中细胞、微生物和杂质的自动检测的原理框图；
[0055]
图2为本发明实施例提供的病理图像中对象检测识别方法流程示意图；
[0056]
图3为本发明实施例提供的病理图像中对象检测识别方法中形态学处理流程；
[0057]
图4为本发明实施例对妇科检查显微镜病理图像灰度化处理后示意图；
[0058]
图5为本发明实施例对妇科检查显微镜病理图像的光背景模式示意图；
[0059]
图6为本发明实施例对妇科检查显微镜病理图像执行背景移除处理后的示意图；
[0060]
图7为本发明实施例对妇科检查显微镜病理图像执行二值化处理后示意图；
[0061]
图8为本发明实施例对妇科检查显微镜病理图像执行去噪处理后的示意图；
[0062]
图9为本发明实施例对妇科检查显微镜病理图像执行腐蚀和膨胀处理后的示意图；
[0063]
图10为本发明实施例提供的妇科检查显微镜病理图像通过深度学习目标检测网络识别后，得到的目标框区域分类标注示意图；
[0064]
图11为本发明实施例对妇科检查显微镜病理图像执行区域剔除处理后的示意图；
[0065]
图12为本发明实施例对妇科检查显微镜病理图像执行综合类别识别信息处理后的示意图，图中标记了深度学习网络检测到的目标区域和通过查找连通域检测的杂质区域；
[0066]
图13为本发明实施例提供的病理图像中对象检测识别装置示意图；
[0067]
图14为本发明实施例提供的电子设备结构示意图。
具体实施方式
[0068]
为使本技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本技术进一步详细说明。
[0069]
需要说明的是，除非另外定义，本技术实施例使用的技术术语或者科学术语应当为本技术所属领域内具有一般技能的人士所理解的通常意义。本技术实施例中使用的“包
括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
[0070]
传统对于显微图像中的细胞、微生物和杂质的检测，主要有人工检测和计算机自动检测两大类方法。人工检测方面，主要靠人肉眼观察显微图像照片进行分类和计数等工作。在自动检测方面，又可以分为两类方法：一类是基于手工编码特征的计算机视觉方法，另一类是基于深度学习的自动特征提取方法。对于形态较简单的被检测目标，如颜色、形状或纹理等相对固定，通常基于手工编码特征的计算机视觉方法进行识别；对于形态较复杂的被检测目标，通常用基于特征提取的深度学习方法进行自动特征提取，然后再进行识别。
[0071]
对于显微图像中的细胞、微生物和杂质的检测，由于人工检测的工作量大，步骤繁琐，容易出错，因此正在逐渐被计算机自动检测的方法取代。在自动检测方面，由于基于手工编码特征的方法带有需要硬编码规则、泛化性较差、难以适应复杂形态的目标等缺点，因此在很多应用中正在逐步被深度学习自动提取特征的方法取代。但现有的方法中，不管是采用手工编码特征还是有监督的深度学习自动提取特征，都只能识别已编码的或预先标注的已知的细胞或微生物，而无法对样本中未事先确定特征的杂菌、细胞碎片、颗粒物等进行识别和统计，因此难以实现细胞、微生物和杂质的全面检测。也有一些研究尝试结合无监督的机器学习方法进行细胞识别，但效果多数不如有监督的方法，而且也未实现任意形态杂质的检测。
[0072]
另外，在检测灵敏度方面，多数现有的医学影像解决方案只支持全局固定的置信度阈值，难以很好地满足用户实际应用的需求。即使极少数能够支持不同类别对象单独阈值调节，也无法同时支持非确定类型杂质的置信度阈值调节。然而，在医学应用中，现有的基于深度学习的目标检测或图像分割的解决方案，其实现往往限定为特定的深度网络模型和算法上。再加上这些系统的实现者往往对针对特定问题做了领域相关的特定优化，使得其深度网络模型实现相对固定，难以随着深度学习技术的进步而演化。
[0073]
有鉴于此，本发明实施例提出一种结合深度学习和计算机视觉技术的综合检测方案，不仅可以对显微镜病理图像中用户事先确定形态的细胞和微生物进行准确识别和统计，也可以对其他任意形态杂菌、细胞碎片、颗粒物的杂质进行识别，从而实现对样本中所有微小对象的形态进行分类统计等全面分析。另一方面，针对不同类别的被检测对象，还支持单独调节置信度阈值，从而达到差异化调节检测灵敏度的效果。使得目标检测算法可以独立于整个系统而变化，从而有利于随着深度学习技术进步而方便的更新目标检测算法。以下为本发明实施例的具体内容。
[0074]
参见图1、图2和图3，本发明实施例提供一种病理图像中对象检测识别方法，包括以下步骤：
[0075]
s1、获取待处理的病理图像，将所述病理图像分别输入到形态学处理框架和深度目标检测网络中；
[0076]
s2、形态学处理框架处理过程，将所述病理图像采用像素级图像处理算法，得到目标区域和背景分离的二值图像；
[0077]
s3、深度目标检测网络处理过程，将所述病理图像进行特征提取、分类和目标区域回归，得到包括位置信息、尺寸信息、置信度和类型信息的检测框；
[0078]
s4、根据所述检测框的区域信息，将二值图像中的对应区域置为背景色，清除已知
类型对象对应的目标区域，得到包含杂质的二值图像；
[0079]
s5、采用查找连通域算法，找到所有杂质对应的区域集合；
[0080]
s6、综合已知类型对象对应的目标区域和杂质对应的区域集合，得到包含杂质在内的各类对象对应的区域信息。
[0081]
本实施例中，步骤s1将病理图像分别输入形态学处理框架和深度目标检测网络中。其中，形态学处理框架主要采用像素级计算机图像处理算法，在去除噪声的同时，将病理图像中的目标区域和背景分离，用于检测未知类型的杂菌和碎片等杂质。深度目标检测网络是用经过训练的深度学习网络模型，用于检测已训练类型的对象，如特定的细胞和细菌。此外，在输入的同时可以根据实际应用情况做一定的图像预处理工作，如尺寸变化和格式转换等。
[0082]
本实施例中，步骤s2采用像素级图像处理算法包括灰度转换：若输入的所述病理图像为彩色图像，将彩色的所述病理图像转换为灰度图像i，以根据亮度信息区分图像背景和检测对象。
[0083]
辅助图4，具体的，如果输入的病理图像为彩色图像，需要转换为灰度图像i，以便根据亮度信息区分图像背景和待检测对象。其中，灰度值的范围为(0，h
max
)，在8位灰度图像中，h
max
一般取255，如果采用其他格式的灰度表示法需做相应换算。
[0084]
本实施例中，步骤s2采用像素级图像处理算法还包括背景移除：背景移除过程，根据灰度图像i创建副本图像i’，使用图像模糊方法，对副本图像i’进行模糊操作，得到图像的光背景模式图l；计算灰度图像i与光背景模式图l的对应像素灰度值的差，并将灰度值范围缩放到(0，h
max
)范围内，得到移除光背景的图像g。
[0085]
辅助图5和图6，具体的，通过灰度图像i创建副本图像i’，然后使用高斯模糊或其他图像模糊方法，对副本图像i’进行模糊操作，得到图像的光背景模式图l：
[0086]
l＝blur(i
′
，lb)
[0087]
上式中，blur表示模糊操作，lb表示模糊程度，可根据实际应用需求来选取。
[0088]
然后通过求灰度图像i与光背景模式图l的对应像素灰度值的差，并缩放到(0，h
max
)灰度值范围内，得到移除光背景的图像g。如下式所示：
[0089]
本实施例中，步骤s2采用像素级图像处理算法还包括二值化：二值化过程对移除光背景的图像g，选取置信度阈值为α0∈(0,1)，用α0*h
max
作为图像二值化阈值，以去除与背景亮度差异小于图像二值化阈值的区域；采用像素级图像处理算法还包括去噪、膨胀和腐蚀：去噪过程，对得到的二值化图像，采用去噪算法去除噪点；膨胀过程，对得到的去噪图像，采用形态学膨胀算法，融合在预设距离范围内的区域；腐蚀过程，采用形态学腐蚀算法，去除多余的小孔区域。
[0090]
参见图7、图8和图9，对移除光背景的图像g，选取置信度阈值为α0∈(0,1)，用α0*h
max
作为图像二值化阈值，以便在二值化的同时，去除与背景亮度差异太小的区域。对于得到的二值化图像，采用中值滤波或相关去噪算法去除面积小于s的噪点，s的取值可根据具体应用的需求选择，从而可以通过相对亮度阈值α0来控制要保留的前景区域，达到控制杂质检测的灵敏度的目的。对于得到的去噪图像，采用形态学膨胀算法，融合距离较近的区域。然后采用形态学腐蚀算法，去除多余的小孔区域。膨胀和腐蚀的结合相当于形态学闭合
操作，也属于一种去噪操作，但分开进行可以根据应用需要更灵活地控制要去除区域的大小。
[0091]
参见图10，本实施例中，病理图像经过深度目标检测网络提取特征、分类和目标区域回归，得到包括位置信息、尺寸信息、置信度和类型信息的检测框。这一步中采用的目标检测框架，可以是任意的目标检测模型，如业内常用faster r-cnn、ssd、yolo系列和detr系列等目标检模型。
[0092]
其中，对于输出的检测框，可以通过设定置信度阈值而选择保留的检测框，从而达到控制已知类型对象检测灵敏度的目的。假设深度目标检测网络支持n种分类的对象，则可以通过n个置信度阈值α1,α2,
…
,αn来过滤控制要保留的检测框。要保留的检测框区域集dd表示为：
[0093]dd
＝{ai|ti＞αi，i∈[1，n]}
[0094]
其中，ai表示第i类区域集合，t1表示第i类区域的置信度，α1表示第i类区域的置信度阈值，n表示深度目标检测网络的分类数。
[0095]
参见图11，步骤s4根据得到的检测框的区域信息，将二值化图像中的对应区域置为背景色，清除已知类型对象对应的区域，从而得到只包含杂质的二值化图像。
[0096]
参见图12，步骤s5中查找连通域，在得到的二值化图像中，采用查找连通域算法，找到所有杂质对应的区域集合a0。
[0097]
本实施例中，步骤s6，通过综合得到已知类别对象对应的目标区域和得到的杂质区域，可以得到包含杂质在内的各类对象对应的区域信息。在此基础上，还可以进一步根据具体应用需求，进行区域标注、分类计数统计、杂质聚类分析等下游任务。
[0098]
其中，通过设定n+1个置信度阈值α0,α1,
…
,αn分别控制所保留的识别出的杂质区域和已知类别对象区域，所有保留的区域集d表示为：
[0099]
d＝dd∪{a0}＝{ai|ti＞αi，i∈[1，n]}∪{a0}＝{ai|ti＞αi，i∈[0，n]}
[0100]
其中，ai表示第i类区域集合，ti表示第i类区域的置信度，αi表示第i类区域的置信度阈值，n表示深度目标检测网络的分类数；i＝0表示杂质类别，α0表示杂质的置信度阈值。
[0101]
其中，在通过上述方法提取被识别杂质区域的基础上，还可以采用聚类、主成分分析以及基于树的机器学习算法进行对其进一步分析。
[0102]
综上所述，本发明通过获取待处理的病理图像，将所述病理图像分别输入到形态学处理框架和深度目标检测网络中；形态学处理框架处理过程，将所述病理图像采用像素级图像处理算法，得到目标区域和背景分离的二值图像；深度目标检测网络处理过程，将所述病理图像进行特征提取、分类和目标区域回归，得到包括位置信息、尺寸信息、置信度和类型信息的检测框；根据所述检测框的区域信息，将二值图像中的对应区域置为背景色，清除已知类型对象对应的目标区域，得到包含杂质的二值图像；采用查找连通域算法，找到所有杂质对应的区域集合；综合已知类型对象对应的目标区域和杂质对应的区域集合，得到包含杂质在内的各类对象对应的区域信息。如果输入的病理图像为彩色图像，需要转换为灰度图像i，以便根据亮度信息区分图像背景和待检测对象。其中，灰度值的范围为(0，h
max
)，在8位灰度图像中，h
max
一般取255，如果采用其他格式的灰度表示法需做相应换算。对移除光背景的图像g，选取置信度阈值为α0∈(0,1)，用α0*h
max
作为图像二值化阈值，以便在二值化的同时，去除与背景亮度差异太小的区域。对于得到的二值化图像，采用中值滤波或
相关去噪算法去除面积小于s的噪点，s的取值可根据具体应用的需求选择，从而可以通过相对亮度阈值α0来控制要保留的前景区域，达到控制杂质检测的灵敏度的目的。对于得到的去噪图像，采用形态学膨胀算法，融合距离较近的区域。然后采用形态学腐蚀算法，去除多余的小孔区域。膨胀和腐蚀的结合相当于形态学闭合操作，也属于一种去噪操作，但分开进行可以根据应更灵活地控制的控制要去除区域的大小。对于输出的检测框，可以通过设定置信度阈值而选择保留的检测框，从而达到控制已知类型对象检测灵敏度的目的。假设深度目标检测网络支持n种分类的对象，则可以通过n个置信度阈值α1,α2,
…
,αn来过滤控制要保留的检测框。本发明实现了全部细胞、微生物和杂质的检测，包括其中已确定类型和未确定类型的对象；对于已确定类型和未确定类型的被检测对象，可以通过独立调节置信度阈值来改变被检测对象的召回率(灵敏度)；本发明使得深度目标检测网络可以独立于整个系统而变化，有利于随着深度学习技术进步而更新。
[0103]
需要说明的是，本技术实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本技术实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
[0104]
需要说明的是，上述对本技术的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0105]
参见图13，基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种病理图像中对象检测识别装置，包括：
[0106]
图像配置模块1，用于获取待处理的病理图像，将所述病理图像分别输入到形态学处理框架和深度目标检测网络中；
[0107]
形态学处理模块2，用于形态学处理框架处理过程，将所述病理图像采用像素级图像处理算法，得到目标区域和背景分离的二值图像；
[0108]
目标检测模块3，用于深度目标检测网络处理过程，将所述病理图像进行特征提取、分类和目标区域回归，得到包括位置信息、尺寸信息、置信度和类型信息的检测框；
[0109]
区域剔除模块4，用于根据所述检测框的区域信息，将二值图像中的对应区域置为背景色，清除已知类型对象对应的目标区域，得到包含杂质的二值图像；
[0110]
查找模块5，用于采用查找连通域算法，找到所有杂质对应的区域集合；
[0111]
对象识别模块6，用于综合已知类型对象对应的目标区域和杂质对应的区域集合，得到包含杂质在内的各类对象对应的区域信息。
[0112]
本实施例中，所述形态学处理模块2中包括：
[0113]
灰度转换子模块21，用于若输入的所述病理图像为彩色图像，将彩色的所述病理图像转换为灰度图像i，以根据亮度信息区分图像背景和检测对象；
[0114]
背景移除子模块22，用于背景移除过程，根据灰度图像i创建副本图像i’，使用图像模糊方法，对副本图像i’进行模糊操作，得到图像的光背景模式图l；计算灰度图像i与光背景模式图l的对应像素灰度值的差，并将灰度值范围缩放到(0，h
max
)范围内，得到移除光
背景的图像g；
[0115]
二值化子模块23，用于二值化过程对移除光背景的图像g，选取置信度阈值为α0∈(0,1)，用α0*h
max
作为图像二值化阈值，以去除与背景亮度差异小于图像二值化阈值的区域；
[0116]
去噪子模块24，用于去噪过程，对得到的二值化图像，采用去噪算法去除噪点；
[0117]
膨胀子模块25，用于膨胀过程，对得到的去噪图像，采用形态学膨胀算法，融合在预设距离范围内的区域；
[0118]
腐蚀子模块26，用于腐蚀过程，采用形态学腐蚀算法，去除多余的小孔区域。
[0119]
本实施例中，所述目标检测模块3中：
[0120]
对于输出的检测框，通过n个置信度阈值α1,α2,
…
,αn过滤控制要保留的检测框，要保留的检测框区域集dd表示为：
[0121]dd
＝{ai|ti＞α＝，i∈[1，n]}
[0122]
其中，ai表示第i类区域集合，ti表示第i类区域的置信度，αi表示第i类区域的置信度阈值，n表示深度目标检测网络的分类数。
[0123]
本实施例中，所述对象识别模块6中：
[0124]
通过设定n+1个置信度阈值α0,α1,
…
,αn分别控制所保留的识别出的杂质区域和已知类别对象区域，所有保留的区域集d表示为：
[0125]
d＝dd∪{a0}＝{ai|ti＞αi，i∈[1，n]}∪＝{a0}＝{ai|ti＞αi，i∈[0，n]}其中，ai表示第i类区域集合，ti表示第i类区域的置信度，αi表示第i类区域的置信度阈值，n表示深度目标检测网络的分类数；i＝0表示杂质类别，α0表示杂质的置信度阈值。
[0126]
为了描述得方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本技术时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0127]
上述实施例的装置用于实现前述任一实施例中相应地病理图像中对象检测识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0128]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的病理图像中对象检测识别方法。
[0129]
图14示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
[0130]
处理器1010可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
[0131]
存储器1020可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
[0132]
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0133]
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
[0134]
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
[0135]
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
[0136]
上述实施例的电子设备用于实现前述任一实施例中相应的病理图像中对象检测识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0137]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的病理图像中对象检测识别方法。
[0138]
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0139]
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的病理图像中对象检测识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0140]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本技术的范围(包括权利要求)被限于这些例子；在本技术的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本技术实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0141]
另外，为简化说明和讨论，并且为了不会使本技术实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本技术实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本技术实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本技术的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本技术实施例。因
此，这些描述应被认为是说明性的而不是限制性的。
[0142]
尽管已经结合了本技术的具体实施例对本技术进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
[0143]
本技术实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本技术实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本技术的保护范围之内。