病理图像处理方法、装置、存储介质和处理器.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112017162A(43)申请公布日2020.12.01(21)申请号202010797873.5(22)申请日2020.08.10(71)申请人上海杏脉信息科技有限公司地址202150上海市崇明区新河镇开河路825号11幢301室(72)发明人房劬傅琪钲叶德贤(74)专利代理机构北京康信知识产权代理有限责任公司11240代理人霍文娟(51)Int.Cl.G06T7/00(2017.01)G06T7/11(2017.01)G06K9/62(2006.01)权利要求书2页说明书10页附图1页(54)发明名称病理图像处理方法、装置、存储介质和处理器(57)摘要本发明公开了一种病理图像处理方法、装置、存储介质和处理器。其中，该方法包括：获取目标病理图像，其中，目标病理图像为在显微镜下对细胞样本拍摄得到的图像；基于深度学习神经网络模型对目标病理图像进行识别，得到目标病理图像的病理信息，其中，深度学习神经网络模型为使用多组样本数据训练得到的，多组样本数据中的每组数据均包括：病理图像样本、病理图像样本是否包含有恶性细胞的分类标签、病理图像样本有恶性细胞的轮廓信息的分割标签以及目标关系，目标关系为图像样本、分类标签和分割标签之间的对应关系；输出病理信息。本发明解决了现有技术中由于模型的训练数据难以获得，而导致对病理图像进行处理的效率低的技术问题。CN112017162ACN112017162A权利要求书1/2页1.一种病理图像处理方法，其特征在于，包括：获取目标病理图像，其中，所述目标病理图像为在显微镜下对细胞样本拍摄得到的图像；基于深度学习神经网络模型对所述目标病理图像进行识别，得到所述目标病理图像的病理信息，其中，所述深度学习神经网络模型为使用多组样本数据训练得到的，所述多组样本数据中的每组数据均包括：病理图像样本、所述病理图像样本是否包含有恶性细胞的分类标签、所述病理图像样本有所述恶性细胞的轮廓信息的分割标签以及目标关系，所述目标关系为所述图像样本、所述分类标签和所述分割标签之间的对应关系；输出所述病理信息，其中，所述病理信息包括所述目标病理图像是否包含恶性细胞的信息和/或所述目标病理图像中所述恶性细胞的位置信息。2.根据权利要求1所述的方法，其特征在于，在基于深度学习网络模型对所述目标病理图像进行识别，得到所述目标病理图像的病理信息之前，所述方法还包括：使用所述病理图像样本、第一数量的所述分类标签和第二数量的所述分割标签训练得到分类神经网络模型；使用所述分类神经网络模型和所述第二数量的所述分割标签训练得到分割神经网络模型；基于所述分割神经网络模型对所述分类神经网络模型的权重进行初始化，得到所述深度学习神经网络模型。3.根据权利要求2所述的方法，其特征在于，使用所述病理图像样本、第一数量的所述分类标签和第二数量的所述分割标签训练得到分类神经网络模型，包括：通过所述病理图像样本、所述第一数量的分类标签和所述第二数量的所述分割标签对原始神经网络模型进行训练，得到所述分类神经网络模型，其中，所述原始神经网络模型用于进行图像分割。4.根据权利要求3所述的方法，其特征在于，所述原始神经网络模型包括编码器，通过所述病理图像样本、所述第一数量的分类标签和所述第二数量的所述分割标签对原始神经网络模型进行训练，得到所述分类神经网络模型，包括：构建第一网络结构，其中，所述第一网络结构包括全局池化层和全连接层，所述全局池化层的输出结果用于表示对应的病理图像的恶性概率，所述全连接层的输出结果用于表示对应的病理图像的良性概率；通过所述病理图像样本、所述第一数量的分类标签和所述第二数量的所述分割标签对所述编码器和所述第一网络结构进行训练，得到所述分类神经网络模型。5.根据权利要求4所述的方法，其特征在于，所述编码器包括：卷积层、采样层和特征层。6.根据权利要求4所述的方法，其特征在于，使用所述分类神经网络模型和所述第二数量的所述分割标签训练得到分割神经网络模型，包括：获取所述分类神经网络模型中除所述第一网络结构之外的网络结构的第一网络参数；构建所述分割神经网络模型对应的第二网络结构；基于所述第一网络参数对所述第二网络结构的权重进行初始化，并通过所述分类神经网络模型和所述第二数量的所述分割标签确定所述分割神经网络模型的网络参数；2CN112017162A权利要求书2/2页基于初始化权重后的所述第二网络结构和所述分割神经网络模型的网络参数生成所述分割神经网络模型。7.根据权利要求2所述的方法，其特征在于，基于所述分割神经网络模型对所述分类神经网络模型的权重进行初始化，得到所述深度学习神经网络模型，包括：获取所述分割神经网络模型的编码器的第二网络参数；基于所述第二网络参数对所述分类神经网络