(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210384014.2 (22)申请日 2022.04.12 (71)申请人 杭州医派智能科技有限公司 地址 310000 浙江省杭州市余杭区南苑街 道余之城1幢723室 (72)发明人 汪太平　郭万鹏　 (74)专利代理 机构 杭州天昊专利代理事务所 (特殊普通 合伙) 33283 专利代理师 何碧珩　赵志鹏 (51)Int.Cl. G06T 7/11(2017.01) G06T 3/40(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) (54)发明名称 一种利用深度学习技术分割病理图片中肾 髓质皮质的方法 (57)摘要 本发明公开了一种利用深度学习技术分割 病理图片中肾髓质皮质的方法， 具体包括如下步 骤： 1)数据预处理步骤、 2)模型构建步骤、 3)模型 推理步骤； 本发 明提供解决目前人工诊断或者传 统图像处理时效性差的一种利用深度学习技术 分割病理图片中肾髓质皮质的方法。 权利要求书1页 说明书4页 附图2页 CN 114764813 A 2022.07.19 CN 114764813 A 1.一种利用深度学习技术分割病理图片中肾髓质皮质的方法， 其特征在于， 具体包括 如下步骤： 1)数据预处理步骤： 将样本数据集进行脱敏处理， 由专业病理图片标注人员进行标注 处理， 将样本数据集中的病理图片划分成皮质区域、 髓质区域和干扰区域； 2)模型构建步骤： 将显著目标检测网络U2Net引入病理图像的分割任务中， 网络U2Net的 网络结构采用两层嵌套的U型结构， 从而从不同尺度的特征中捕获上下文信息； 网络U2Net 中通过在跳跃 连接阶段加入轻量级卷积注意力模块CBAM来预防全局信息的损失； 其中， 改进的U2Net网络结构与基础UNet网络保持一致， 分别进行4次下采样和4次上采 样； 3)模型推理步骤： 将裁切后的小图批量输入模型的分割模块中， 每张输入图片会对应 得到一张预测的得分掩码图， 再根据图片的裁切位置将分割掩码图进行拼接， 然后根据 opencv提供的findContours()函数对分割得到的区域进行轮廓的提取， 最终获得一张完 整病理图片中所包 含的髓质、 皮质、 干扰区域的轮廓； 其中， 模型利用非对称 卷积模块Asymmetric  Convolution  Block(ACB)， 将基础的3 ×3 卷积模块进行替换， 将非对称卷积块和Batch  Normal层一起融合进3 ×3方形卷积中形成新 的卷积模块， 以实现轻量 化模型， 并加快模型推理速度。 2.根据权利要求1所述的一种利用深度学习技术分割病理图片中肾髓质皮质的方法， 其特征在于： 步骤1)中具体步骤如下： 101)以256像素的步长在病理图片的宽高方向进行稀疏采样， 从而获得皮质区域、 髓质 区域、 干扰区域的样本点的位置； 102)以获得的样本点为 中心， 以1024 ×1024像素的裁切窗口在整张病例图片上进行裁 切， 获得训练的数据集； 103)根据标注的髓质、 皮质、 干扰区域获得与步骤102)中相对应图片的标签。 3.根据权利要求1所述的一种利用深度学习技术分割病理图片中肾髓质皮质的方法， 其特征在于： 所述模型采用深度学习特征与HOG手工特征相融合的方式来抗染色带来的干 扰； 其中， H OG通过灰度化图像采用Gamma矫正法对输入图像进 行颜色空间的标准化， 调节图 像的对比度、 降低图像局部的阴影和光照变化所造成的影响， 有效抑制病理染色的干扰。 4.根据权利要求1所述的一种利用深度学习技术分割病理图片中肾髓质皮质的方法， 其特征在于： 新的卷积模块将3 ×3卷积、 1×3卷积、 3×1卷积以及Batch  Normalization参 数合并在3 ×3卷积模块中。权　利　要　求　书 1/1 页 2 CN 114764813 A 2一种利用深度学习 技术分割病理图片中肾髓质皮质的方 法 技术领域 [0001]本发明涉及图像处理技术领域， 更具体的说， 它涉及一种利用深度学习技术分割 病理图片中肾髓质皮质的方法。 背景技术 [0002]肾脏是由肾皮质和肾髓质组成， 肾皮质是指肾脏外面实质性结构， 包括肾小球、 肾 小管， 它来源于人体的中胚层， 能够将尿液进行过滤。 肾髓质是指肾皮质以内的实质， 主要 用于吸收原尿中的某些成分重新入血， 最后生成尿液。 皮质和髓质之间密切的相互作用保 证了肾上腺的正常功 能。 病理诊断中区分肾髓质和皮质是重要的诊断步骤， 一些常见 的疾 病大都发生在肾皮质区域， 如原发性肾小球疾病、 继发性肾小球疾病、 血管性疾病和肾小 管 间质性疾病等。 临床诊断中涉及大量繁重的病理切片判读任务， 高度依赖医生的临床经验， 而肾皮质髓质区域的准确定位是诊断相关疾病的前提， 一种高效精准的肾皮质髓质定位方 法是必要的。 另外， 在病理图片的制作过程中使用苏木精和伊红染色， 但是不同批次或制造 厂商的试剂造成病理染色的差异， 如果不对颜色的差异变化进行处理， 可能会降低模型 的 性能。 [0003]近年来， 随着深度学习在医学 图像领域中的广泛应用， 在临床诊断中也取得了显 著的成效。 目前， 深度学习技术在病理诊断中也逐渐流行， 但是在病理图片诊断中肾髓质皮 质的分割作为肾脏病理诊断的首要步骤， 却很少有研究涉及。 发明内容 [0004]本发明克服了现有技术的不足， 提供解决目前人工诊断或者传统图像处理时效性 差的一种利用深度学习技 术分割病理图片中肾髓质皮质的方法。 [0005]为了实现达 到上述效果， 本发明的技 术方案如下： [0006]一种利用深度学习技 术分割病理图片中肾髓质皮质的方法， 具体包括如下步骤： [0007]1)数据预处理步骤： 将样本数据集进行脱敏处理， 由专业病理图片标注人员进行 标注处理， 将样本数据集中的病理图片划分成皮质区域、 髓质区域和干扰区域； [0008]2)模型构建步骤： 将显著目标检测网络U2Net引入病理图像的分割任务中， 网络 U2Net的网络结构采用两层嵌套的U型结构， 从而从不同尺度的特征中捕获上下文信息； 网 络U2Net中通过在跳跃 连接阶段加入轻量级卷积注意力模块CBAM来预防全局信息的损失； [0009]其中， 改进的U2Net网络结构与基础UNet网络保持一致， 分别进行4次下采样和4次 上采样； [0010]3)模型推理步骤： 将裁切后的小图批量输入模型的分割模块中， 每张输入图片会 对应得到一张预测的得分掩码图， 再根据图片的裁切 位置将分割掩码图进行拼接， 然后根 据opencv提供的findContours()函数对分割得到的区域进行轮廓的提取， 最终获得一张 完整病理图片中所包 含的髓质、 皮质、 干扰区域的轮廓； [0011]其中， 模型利用非对称卷积模块Asymmetric  Convolut ion Block(ACB)， 将 基础的说　明　书 1/4 页 3 CN 114764813 A 3