CN119478569A 基于图块划分的组织区域图像识别方法及系统 （艾克发(北京)生物技术有限公司）

区大兴生物医药产业基地永旺西路26基于图块划分的组织区域图像识别方法及区域组合对应的区域图像以及对应的所述区域见，本发明能够提高组织区域识别的精度和效2对待识别的生物组织图像进行图块划分得到多根据预设的类型接壤规则，从所述多个组织区域中筛选出至少一将所述区域组合对应的区域图像以及对应的所述区域类型，输入至对于每一所述训练图像块，计算该训练图像块和所述类型区域划分标注中任一类型划将所述交集面积最高的所述类型划分区域对应的区域类型，确定为基于所有所述训练图像块和对应的所述类型标注，对预设的CNN网络架构的模型进行将所述训练表现参数最高的一轮训练中得到的所述模型的权重，确将每一所述图像块输入至区域识别模型中，以得到每一所述图对所述拼接组织图像进行形态学操作，得到轮廓平滑图像；所述对于所述轮廓平滑图像中的每一所述组织区域，确定出该组织区域中计算所有所述异常图像块的块数量与该组织区域中所有所述图像块的总数量的数量若否，将该组织区域中每一所述图像块输入至任一所述异常图对于每一所述异常图像块的预测区域类型，计算该预测区域类型对应3对于任意两个存在边界接壤的所述组织区域，计算该两个所述组织计算该两个所述组织区域的区域边界的接壤比例；所述域的共同的所述区域边界的长度占该两个所述组织区域的总区域边界基于所述接壤参数，根据动态规划算法对所述多个组织区域进行设定目标函数为所有所述区域组合的数量达到最少以及所述区域组合中的所述组织所述区域组合中的任意两个所述组织区域的区域类型满足预设的类所述区域组合中的任意两个所述组织区域的接壤参数大于预设的第一任意两个分别属于不同所述区域组合的所述组织区域的接壤参数小于预设的第二参基于所述目标函数和所述限制条件，根据动态规划算法对所域边界更新模型通过包括有多个训练区域组合图像和对应的区域组合类型标注和区域边确定损失函数为第一交叉熵和第二交叉熵的加权求和值；所4将所述训练数据集输入至预设的CNN架构的模型中进行迭代训练，并在训练中基于所第一识别模块，用于将所述多个图像块输入至区域识别模型筛选模块，用于根据预设的类型接壤规则，从所述多个组第二识别模块，用于将所述区域组合对应的区域图像以及所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要5对待识别的生物组织图像进行图块划分得到多将所述多个图像块输入至区域识别模型中，得到多个组织区域和对应的区域类骤训练得到：基于所有所述训练图像块和对应的所述类型标注，对预设的CNN网络架构的模型6计算所有所述异常图像块的块数量与该组织区域中所有所述图像块的总数量的若是，将所有所述异常图像块的所述预测区域类型修改为该组织区域的区域类织区域的共同的所述区域边界的长度占该两个所述组织区域的总设定目标函数为所有所述区域组合的数量达到最少以及所述区域组合中的所述所述区域组合中的任意两个所述组织区域的区域类型满足预设的类7所述区域组合中的任意两个所述组织区域的接壤参数大于预设的第一任意两个分别属于不同所述区域组合的所述组织区域的接壤参数小于预设的第括有多个训练区域组合图像和对应的区域组合类型标注和区域边界调整标注的训练数据将所述训练数据集输入至预设的CNN架构的模型中进行迭代训练，并在训练中基于所述损失函数和梯度下降算法进行参数更新直至训练收敛，得到所述区域边界更新模第二识别模块，用于将所述区域组合对应的区域图像以及对应的所述区域类型，骤训练得到：8基于所有所述训练图像块和对应的所述类型标注，对预设的CNN网络架构的模型计算所有所述异常图像块的块数量与该组织区域中所有所述图像块的总数量的若是，将所有所述异常图像块的所述预测区域类型修改为该组织区域的区域类织区域的共同的所述区域边界的长度占该两个所述组织区域的总9设定目标函数为所有所述区域组合的数量达到最少以及所述区域组合中的所述所述区域组合中的任意两个所述组织区域的区域类型满足预设的类所述区域组合中的任意两个所述组织区域的接壤参数大于预设的第一任意两个分别属于不同所述区域组合的所述组织区域的接壤参数小于预设的第括有多个训练区域组合图像和对应的区域组合类型标注和区域边界调整标注的训练数据将所述训练数据集输入至预设的CNN架构的模型中进行迭代训练，并在训练中基于所述损失函数和梯度下降算法进行参数更新直至训练收敛，得到所述区域边界更新模公开的基于图块划分的组织区域图像识别方法中的部本发明能够先基于区域识别模型对划分图块后的组织图像识别出初步的组织区[0024]图1是本发明实施例公开的一种基于图块划分的组织区域图像识别方法的流程示[0025]图2是本发明实施例公开的一种基于图块划分的组织区域图像识别系统的结构示[0026]图3是本发明实施例公开的另一种基于图块划分的组织区域图像识别系统的结构[0034]102、将多个图像块输入至区域识别模型中，得到多个组织区域和对应的区域类基于所有训练图像块和对应的类型标注，对预设的CNN网络架构的模型进行迭代将训练表现参数最高的一轮训练中得到的模型的权重，确定为最终的模型权重，练组织图像和类型标注对CNN网络进行训练，并基于分类精确度相关的训练表现来选择模域的共同的区域边界的长度占该两个组织区域的总区域边界设定目标函数为所有区域组合的数量达到最少以及区域组合中的组织区域的数任意两个分别属于不同区域组合的组织区域的接壤参数小于预设的第二参数阈将训练数据集输入至预设的CNN架构的模型中进行迭代训练，并在训练中基于损人工标注的一致性。看到主要的目标肿瘤区域在训练、验证和测试集上的DICE值均大于现充分利用接壤区域类型的特点来精确识别区域边界，提高组织区域识别的精度和效率，基于所有训练图像块和对应的类型标注，对预设的CNN网络架构的模型进行迭代将训练表现参数最高的一轮训练中得到的模型的权重，确定为最终的模型权重，练组织图像和类型标注对CNN网络进行训练，并基于分类精确度相关的训练表现来选择模域的共同的区域边界的长度占该两个组织区域的总区域边界设定目标函数为所有区域组合的数量达到最少以及区域组合中的组织区域的数任意两个分别属于不同区域组合的组织区域的接壤参数小于预设的第二参数阈将训练数据集输入至预设的CNN架构的模型中进行迭代训练，并在训练中基于损现充分利用接壤区域类型的特点来精确识别区域边界，提高组织区域识别的精度和效率，描述的基于图块划分的组织区域图像识别方描述的基于图块划分的组织区域图像识别方程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式说明书时可以把各单元的功能在同一个或多个软件和于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装[0089]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可