资源类型：
申请号：
申请日期：
授权年份：
公开号：
公开日：
法律状态：
主分类号：
分类号：
摘要：
本发明涉及图像分割领域技术，提出基于图像语义分割的三级淋巴结构识别方法和系统，包括步骤：获取肿瘤组织的全景病理扫描图，并对其中成熟三级淋巴结构、非成熟三级淋巴结构进行标注；根据贝叶斯理论计算全景病理扫描图中像素点的类别概率，并计算像素点的特征向量；将像素点的特征向量作为训练数据集，构对多模态卷积神经网络模型进行训练；将实时采集的全景病理扫描图输入训练好的多模态卷积神经网络模型，得到勾画好的成熟三级淋巴结构和非成熟三级淋巴结构。本发明识别三级淋巴结构的同时，也识别背景，且将背景区分为参考器官和纯粹背景，使得在分割三级淋巴结构时，能平滑边缘锯齿，也不会到边缘模糊的程度。
主权项：
1.基于图像语义分割的三级淋巴结构识别系统，其特征在于：包括：图像预处理模块，用于对全景病理扫描图中的成熟三级淋巴结构、非成熟三级淋巴结构进行标注；获取若干患者的全景病理扫描图，将全景病理扫描图放大40倍，使用Qupath软件对全景病理扫描图中的成熟三级淋巴结构、非成熟三级淋巴结构、参考器官进行标注，未标注的地方作为纯粹背景；在标注前，将放大40倍的全景病理扫描图进行栅格化处理，划分为N×M个长宽相等的栅格；每个栅格中包含n×n个像素点；在标注时，成熟三级淋巴结构携带的标签值为，非成熟三级淋巴结构携带的标签值为，参考器官携带的标签值为，纯粹背景携带的标签值为；T表示全景病理扫描图中共有T个成熟三级淋巴结构，t表示其中第t个成熟三级淋巴结构；Z表示全景病理扫描图中共有Z个非成熟三级淋巴结构，z表示其中第z个非成熟三级淋巴结构；O表示全景病理扫描图中共有O个参考器官，o表示其中第o个参考器官；B表示全景病理扫描图中共有B个纯粹背景，b表示其中第b个纯粹背景；下标num_NM表示所在的栅格编号；类别概率计算模块，用于根据贝叶斯理论计算全景病理扫描图中像素点的类别概率；计算全景病理扫描图中像素点xi的类别概率：其中，为像素点xi的类别概率，类别包括四类，分别为成熟三级淋巴结构T、非成熟三级淋巴结构Z、参考器官O、纯粹背景B；表示像素点xi所属的类别；为似然函数：其中，为伽马函数，为尺度参数，，K为类别总数，K=4，k∈K；为位移参数，，I为像素点总数；为先验概率：其中，k1表示参考器官O，k2表示纯粹背景B，k3表示成熟三级淋巴结构T，k4表示非成熟三级淋巴结构Z；yk1表示类别k1，yk2表示类别k2；表示背景混合核函数，表示像素混合核函数；为第一置信函数，用于表示像素点xi的背景属于k1、k2的置信度；为第二置信函数，用于表示像素点xi属于k1、k2、k3、k4的置信度；在第一置信函数中：在第二置信函数中：；特征向量计算模块，用于基于像素点的类别概率，计算像素点的特征向量；获得所有像素点xi的类别概率后，计算像素点xi的特征向量：其中，FPT(i)表示像素点xi属于类别成熟三级淋巴结构时的特征值，FPZ(i)表示像素点xi属于类别非成熟三级淋巴结构时的特征值，FPO(i)表示像素点xi属于类别参考器官时的特征值，FPB(i)表示像素点xi属于类别纯粹背景时的特征值；模型训练模块，用于使用像素点的特征向量对多模态卷积神经网络模型进行训练，得到训练好的多模态卷积神经网络模型。
