(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211219769.3 (22)申请日 2022.10.08 (65)同一申请的已公布的文献号 申请公布号 CN 115294126 A (43)申请公布日 2022.11.04 (73)专利权人 南京诺源医疗器 械有限公司 地址 211500 江苏省南京市六合区龙袍街 道南京四桥经济园府前南路18号 (72)发明人 蔡惠明　李长流　王子阳　倪轲娜　 卢露　 (51)Int.Cl. G06T 7/00(2017.01) G06T 3/40(2006.01) G06T 7/11(2017.01) G06T 7/136(2017.01) G06T 5/30(2006.01) G06V 10/40(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (56)对比文件 CN 114648541 A,202 2.06.21 CN 110853009 A,2020.02.28 CN 109410194 A,2019.0 3.01 CN 114549520 A,202 2.05.27 CN 112200763 A,2021.01.08 CN 115035011 A,2022.09.09 CN 111862136 A,2020.10.3 0 CN 112884737 A,2021.0 6.01 CN 114266794 A,202 2.04.01 CN 108986124 A,2018.12.1 1 CN 115100474 A,202 2.09.23 CN 109448006 A,2019.0 3.08 CN 114372531 A,202 2.04.19 CN 106203327 A,2016.12.07 CN 113344849 A,2021.09.0 3 WO 20182 22755 A1,2018.12.0 6 WO 2013049153 A2,2013.04.04 (续) 审查员 万盼盼 (54)发明名称 一种病理图像的癌细胞智能识别方法 (57)摘要 本发明提供一种病理图像的癌细胞智能识 别方法， 涉及细胞识别技术领域， 其处理步骤如 下： S1： 提取病理图像中病理切片的有效区， 去除 不包含有效组织的背景区域； S2： 构建癌细胞识 别网络， 癌细胞识别网络内部包括有特征抽取网 络和特征融合网络； S3： 网络参数训练学习， 使用 S1获得的预处理数据， 对有效区域的图像进行矩 形切块处理； S4： 癌细胞识别推理， 对待识别的病 理图像进行预处理， 识别有效区域； 本发明通过 对病理图像进行数据筛选， 能够提高对病理图像 的有效区域的识别效率， 以解决现有的癌细胞识 别过程中， 数据处理量较大， 筛选效率较低， 针对 有效区域的筛 选的针对性存在不足的问题。 [转续页] 权利要求书2页 说明书7页 附图3页 CN 115294126 B 2022.12.16 CN 115294126 B (56)对比文件 WO 2021169128 A1,2021.09.02 US 2022180485 A1,202 2.06.09 US 11176443 B1,2021.1 1.16 US 2022076411 A1,202 2.03.10 US 2022076410 A1,202 2.03.10 WO 2020243 583 A1,2020.12.0 3 伍祥江.基 于混合特 征增强网络的病理图像 腺体分割研究. 《中国优秀硕士学位 论文全文数据库 医药卫 生科技辑》 .2022,(第5期),第E 072- 23页. Suh,S等.Tw o-stage generative adversarial netw orks for document ima ge binarizati on with color noise and background removal. 《 arXiv: Computer Vision and Pat tern Recogn ition》 .2021,第1- 3页.2/2 页 2[接上页] CN 115294126 B1.一种病理图像的癌细胞智能识别方法， 其特 征在于， 其处 理步骤如下： S1： 提取病理图像 中病理切片的有效区， 去除不包含有效组织的背景区域， 并将不包含 有效组织的背景区域设定为无效区域， 通过去除无效区域以显著提高图像识别处理速度， 去除背景区域包括如下步骤： A1： 对病理图像进行采样 操作， 将病理图像缩放至第一尺寸； A2： 对缩小后的病理图像进行二 值化操作； A3： 对二值化操作后的病理图像的像素为0的区域进行 形态学膨胀运 算； A4： 提取二值化操作后的病理图像的像素为0的区域为有效区域， 其他区域设定为无效 的背景区域； A5： 将有效区域的坐标缩放至原始图像的坐标尺度， 将有效区域与原始图像进行对应 后， 对原始病理图像中的有效区域进行 标记； A6： 对病理图像的有效区域进行 数据增强； S2： 构建癌细胞识别网络， 癌细胞识别网络内部包括有特征抽取网络和特征融合网络， 其中， 特征抽取网络包括 五个级联模块构成， 特征融合网络包括 五个级联子模块； 将特征融 合网络输出n种卷积核 大小为1x1的卷积做分类得到输出概率图， 其中， n表 示识别的病理细 胞种类； S3： 网络参数训练学习， 使用S1获得的预处理数据， 对有效区域的图像进行矩形切块处 理， 获得图像块集合， 并采用反向传播的策略， 对癌细胞识别网络参数进行训练， 获得最终 的网络参数； S4： 癌细胞识别推理， 对待识别的病理图像进行预处理， 识别有效区域， 对有效区域的 图像进行切块， 获得图像块集合， 采用并行的策略， 为每个图像块分配子计算线程， 对图像 块集合中的每个图像块采用癌细胞识别网络进行识别获得每个子图像块的概率热图， 将子 图像块的概 率热图进行拼接， 获得整个病理图像的癌细胞分布概 率图； 步骤S2中特 征抽取网络的五个级联模块 为： B1： 模块一， 模块一中含有两个级联的尺寸为3x3的64个卷积核的卷积层， 每个卷积层 后级联一个ReLU激活函数层， 一个2x2下采样最大池化层， 模块 一的输出记为f1； B2： 模块二， 模块二中含有两个级联的尺寸为3x3的128个卷积核的卷积层， 每个卷积层 后级联一个ReLU激活函数层， 一个2x2下采样最大池化层， 模块 二的输出记为f2； B3： 模块三， 模块三中含有三个级联的尺寸为3x3的256个卷积核的卷积层， 每个卷积层 后级联一个ReLU激活函数层， 一个2x2下采样最大池化层， 模块 三的输出记为f3； B4： 模块四， 模块四中含有三个级联的尺寸为3x3的512个卷积核的卷积层， 每个卷积层 后级联一个ReLU激活函数层， 一个2x2下采样最大池化层， 模块四的输出记为f4； B5： 模块五， 模块五为 三个级联的全连接层， 模块五的输出记为f5； 所述S2中特 征融合网络五个级联子模块 为： C1： 子模块 一， 子模块 一中含有一个2x2上采样卷积核,其输入为f5； C2： 子模块二， 子模块二中含有两个级联的尺寸为3x3的512个卷积核的卷积层， 每个卷 积层后级联一个ReLU激活函数层， 一个2x2上采样卷积核， 其输入数据与f4 拼接构成； C3： 子模块三， 子模块三中含有两个级联的尺寸为3x3的256个卷积核的卷积层， 每个卷 积层后级联一个ReLU激活函数层， 一个2x2上采样卷积核， 其输入数据与f3拼接构成；权　利　要　求　书 1/2 页 2 CN 115294126 B 3