基于多尺度混合分析的病理图像分割模型及方法

技术领域

本发明涉及图像识别数据智能训练技术领域，更具体地说，本发明涉及基于多尺度混合分析的病理图像分割模型及方法。

背景技术

病理图像分析是病理学诊断的重要组成部分，通过对组织切片图像进行分割，可以帮助病理学家识别和定量化不同组织结构，从而提供准确的辅助诊断和治疗建议；目前，病理图像分割主要依赖于人工操作或基于单一尺度的自动算法；然而，由于病理图像的复杂性和多样性，现有技术存在一些问题；首先，人工操作需要耗费大量时间和精力，并且容易受主观因素的影响，导致分割结果的不一致性和主观性；其次，基于单一尺度的自动算法往往无法充分利用病理图像中的多尺度信息，导致分割结果的精度和鲁棒性有限；因此，需要一种能够全面分析和利用多尺度信息的病理图像分割方法，以提高分割结果的准确性和稳定性；如何充分利用病理图像中的多尺度信息以实现全面准确的图像分割；如何进行不同组织结构包括细胞核、细胞质或间质等自动识别和定位；以及如何识别病理图像区域如病变区域、预后关键区等问题尚待解决；因此，有必要提出基于多尺度混合分析的病理图像分割模型及方法，以至少部分地解决现有技术中存在的问题。

发明内容

在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明；本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。

为至少部分地解决上述问题，本发明提供了基于多尺度混合分析的病理图像分割模型，包括：

多尺度混合分析数据获取模块，采用多尺度混合分析，在多个尺度上对病理图像进行分析，获取多尺度病理图像分析数据；

卷积网络分割策略模块，根据多尺度病理图像分析数据，基于卷积神经网络架构，采用多效分割优化策略，训练大规模的病理图像数据，并通过自动学习提取病理图像中的特征，获取深度学习多样病理图像特征；

并行连接多分辨率子网络模块，根据深度学习多样病理图像特征，在卷积神经网络训练过程中，通过并行连接多分辨率子网络，进行循环重用多尺度分辨率融合，获取多尺度病理图像特征融合信息；

特征拼接病理图像分割模块，根据多尺度病理图像特征融合信息，捕捉病理图像中不同组织结构的特征，并始终保持高分辨率图像，预测出精确热力图像，实现病理图像精确分割。

优选的，多尺度混合分析数据获取模块包括：

多尺度混合分析子模块，采用多尺度混合分析，在多个尺度上对病理图像进行分析，获取多尺度病理图像分析信息；

分割结果影响解析子模块，根据多尺度病理图像分析信息，解析不同尺度细节和上下文信息对分割结果的影响，获取多尺度细节上下文分割影响信息；

信息转换数据获取子模块，根据多尺度细节上下文分割影响信息，通过信息数据转换，获取多尺度病理图像分析数据。

优选的，卷积网络分割策略模块包括：

网络架构分割策略子模块，根据多尺度病理图像分析数据，设置卷积神经网络架构，设置多效分割优化策略；

卷积网络训练特征提取子模块，根据卷积神经网络架构和多效分割优化策略，训练大规模的病理图像数据，并通过自动学习提取病理图像中的特征，获取深度学习多样病理图像特征。

优选的，并行连接多分辨率子网络模块包括：

多分辨率子网络设置子模块，根据深度学习多样病理图像特征，设置并行连接多分辨率子网络；

多尺度分辨率融合子模块，在卷积神经网络训练过程中，通过并行连接多分辨率子网络，进行循环重用多尺度分辨率融合；

特征融合信息获取子模块，通过循环重用多尺度分辨率融合，获取多尺度病理图像特征融合信息；

并行连接多分辨率子网络包括：第一分支卷积网络、第二分支卷积网络及第三分支卷积网络；在网络训练过程中，分别通过第一分支卷积网络保持原有的分辨率逐级施加第一卷积层进行高分辨率特征提取；通过第二分支卷积网络第二步长卷积层进行降采样，然后逐级施加第一卷积层完成中分辨率特征提取；通过第三分支卷积网络通过多个第二步长的第一卷积层进行降采样，然后逐级施加第一卷积层完成低分辨率特征提取；利用低分辨率图像提升高分辨率图像的表示，进行循环重用多尺度分辨率融合。

优选的，特征拼接病理图像分割模块包括：

病理组织特征捕捉子模块，根据多尺度病理图像特征融合信息，捕捉病理图像中不同组织结构特征；

上采样多尺度特征拼接子模块，分别对中分辨率和低分辨率特征施加反卷积插值上采样，进行多尺度病理图像特征拼接；反卷积插值上采样包括：反卷积上采样或者插值法上采样；

高分精确病理图像分割子模块，根据多尺度病理图像特征拼接，始终保持高分辨率图像，预测出精确热力图像，实现病理图像精确分割；

分别对中分辨率和低分辨率特征施加反卷积插值上采样，将多尺度病理图像特征进行拼接包括：分别分析判定并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值；当第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值高于设定反卷积上采样分辨率特征值时，自动选择插值法上采样，将并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征施加反卷积插值上采样；当第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值不高于设定反卷积上采样分辨率特征值时，自动选择反卷积上采样，将并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征施加反卷积上采样；将多尺度病理图像特征进行拼接。

本发明提供了基于多尺度混合分析的病理图像分割方法，包括：

S100，采用多尺度混合分析，在多个尺度上对病理图像进行分析，获取多尺度病理图像分析数据；

S200，根据多尺度病理图像分析数据，基于卷积神经网络架构，采用多效分割优化策略，训练大规模的病理图像数据，并通过自动学习提取病理图像中的特征，获取深度学习多样病理图像特征；

S300，根据深度学习多样病理图像特征，在卷积神经网络训练过程中，通过并行连接多分辨率子网络，进行循环重用多尺度分辨率融合，获取多尺度病理图像特征融合信息；

S400，根据多尺度病理图像特征融合信息，捕捉病理图像中不同组织结构的特征，并始终保持高分辨率图像，预测出精确热力图像，实现病理图像精确分割。

优选的，S100包括：

S101，采用多尺度混合分析，在多个尺度上对病理图像进行分析，获取多尺度病理图像分析信息；

S102，根据多尺度病理图像分析信息，解析不同尺度细节和上下文信息对分割结果的影响，获取多尺度细节上下文分割影响信息；

S103，根据多尺度细节上下文分割影响信息，通过信息数据转换，获取多尺度病理图像分析数据。

优选的，S200包括：

S201，根据多尺度病理图像分析数据，设置卷积神经网络架构，设置多效分割优化策略；

S202，根据卷积神经网络架构和多效分割优化策略，训练大规模的病理图像数据，并通过自动学习提取病理图像中的特征，获取深度学习多样病理图像特征。

优选的，S300包括：

S301，根据深度学习多样病理图像特征，设置并行连接多分辨率子网络；

S302，在卷积神经网络训练过程中，通过并行连接多分辨率子网络，进行循环重用多尺度分辨率融合；

S303，通过循环重用多尺度分辨率融合，获取多尺度病理图像特征融合信息；

并行连接多分辨率子网络包括：第一分支卷积网络、第二分支卷积网络及第三分支卷积网络；在网络训练过程中，分别通过第一分支卷积网络保持原有的分辨率逐级施加第一卷积层进行高分辨率特征提取；通过第二分支卷积网络第二步长卷积层进行降采样，然后逐级施加第一卷积层完成中分辨率特征提取；通过第三分支卷积网络通过多个第二步长的第一卷积层进行降采样，然后逐级施加第一卷积层完成低分辨率特征提取；利用低分辨率图像提升高分辨率图像的表示，进行循环重用多尺度分辨率融合。

优选的，S400包括：

S401，根据多尺度病理图像特征融合信息，捕捉病理图像中不同组织结构特征；

S402，分别对中分辨率和低分辨率特征施加反卷积插值上采样，进行多尺度病理图像特征拼接；反卷积插值上采样包括：反卷积上采样或者插值法上采样；

S403，根据多尺度病理图像特征拼接，始终保持高分辨率图像，预测出精确热力图像，实现病理图像精确分割；

分别对中分辨率和低分辨率特征施加反卷积插值上采样，将多尺度病理图像特征进行拼接包括：分别分析判定并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值；当第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值高于设定反卷积上采样分辨率特征值时，自动选择插值法上采样，将并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征施加反卷积插值上采样；当第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值不高于设定反卷积上采样分辨率特征值时，自动选择反卷积上采样，将并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征施加反卷积上采样；将多尺度病理图像特征进行拼接。

相比现有技术，本发明至少包括以下有益效果：

本发明提供了基于多尺度混合分析的病理图像分割模型及方法，利用多尺度混合分析数据获取模块，采用多尺度混合分析，在多个尺度上对病理图像进行分析，获取多尺度病理图像分析数据；卷积网络分割策略模块，根据多尺度病理图像分析数据，基于卷积神经网络架构，采用多效分割优化策略，训练大规模的病理图像数据，并通过自动学习提取病理图像中的特征，获取深度学习多样病理图像特征；并行连接多分辨率子网络模块，根据深度学习多样病理图像特征，在卷积神经网络训练过程中，通过并行连接多分辨率子网络，进行循环重用多尺度分辨率融合，获取多尺度病理图像特征融合信息；特征拼接病理图像分割模块，根据多尺度病理图像特征融合信息，捕捉病理图像中不同组织结构的特征，并始终保持高分辨率图像，预测出精确热力图像，实现病理图像精确分割；本发明自动识别和定位不同组织结构，不同组织结构包括：细胞核、细胞质及间质；对病变区域及预后关键区的病理图像区域进行自动识别；本发明采用了多尺度混合分析不同尺度上的细节和上下文信息对分割结果的影响；通过充分利用病理图像中的多尺度信息，实现全面、准确的图像分割；能够在多个尺度上对病理图像进行分析，并通过融合不同尺度的特征信息，提高分割结果的准确性和稳定性；通过跨尺度的综合分析，能够更好地捕捉病理图像中不同组织结构的特征，从而实现更精确的分割；本发明的模型基于卷积神经网络CNN架构，通过训练大规模的病理图像数据，使其能够自动学习并提取病理图像中的特征；能够更好地适应病理图像的复杂性和多样性，并且具有更高的泛化能力；可以充分利用病理图像中的多尺度信息、采用深度学习技术和有效的分割优化策略，实现了全面、准确的图像分割；本发明具有广泛的应用前景，可用于辅助病理学诊断、研究和治疗策略的制定，为临床医生和病理学家提供可靠的决策支持和有力协助；能够始终保持高分辨率图像，使得预测出的热力图像更加精确；另外，在网络训练过程中，实现了重复性的多尺度分辨率融合，利用低分辨率图像来提升高分辨率图像的表示，反之也同样作用，这样就丰富了预测结果的估计内容；在保持高敏感度的前提下，明显提高特异性。

本发明所述的基于多尺度混合分析的病理图像分割模型及方法，其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明所述的基于多尺度混合分析的病理图像分割模型一个实施例图。

图2为本发明所述的基于多尺度混合分析的病理图像分割模型一类宫颈癌组织病理识别效果与单分辨率模型对比图；图中：2-1为发明所述的基于多尺度混合分析的病理图像分割模型一类宫颈癌组织病理识别效果；2-2为一类宫颈癌组织病理的单分辨率模型识别效果。

图3为本发明所述的基于多尺度混合分析的病理图像分割模型另一类宫颈癌组织病理识别效果与单分辨率模型对比图；图中：3-1为发明所述的基于多尺度混合分析的病理图像分割模型另一类宫颈癌组织病理识别效果；3-2为另一类宫颈癌组织病理的单分辨率模型识别效果。

具体实施方式

下面结合附图以及实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书能够据以实施；如图1-图3所示，本发明提供了基于多尺度混合分析的病理图像分割模型，包括：

多尺度混合分析数据获取模块，采用多尺度混合分析，在多个尺度上对病理图像进行分析，获取多尺度病理图像分析数据；

卷积网络分割策略模块，根据多尺度病理图像分析数据，基于卷积神经网络架构，采用多效分割优化策略，训练大规模的病理图像数据，并通过自动学习提取病理图像中的特征，获取深度学习多样病理图像特征；

并行连接多分辨率子网络模块，根据深度学习多样病理图像特征，在卷积神经网络训练过程中，通过并行连接多分辨率子网络，进行循环重用多尺度分辨率融合，获取多尺度病理图像特征融合信息；

特征拼接病理图像分割模块，根据多尺度病理图像特征融合信息，捕捉病理图像中不同组织结构的特征，并始终保持高分辨率图像，预测出精确热力图像，实现病理图像精确分割。

上述技术方案的原理及效果为：本发明提供了基于多尺度混合分析的病理图像分割模型，包括：多尺度混合分析数据获取模块，采用多尺度混合分析，在多个尺度上对病理图像进行分析，获取多尺度病理图像分析数据；卷积网络分割策略模块，根据多尺度病理图像分析数据，基于卷积神经网络架构，采用多效分割优化策略，训练大规模的病理图像数据，并通过自动学习提取病理图像中的特征，获取深度学习多样病理图像特征；并行连接多分辨率子网络模块，根据深度学习多样病理图像特征，在卷积神经网络训练过程中，通过并行连接多分辨率子网络，进行循环重用多尺度分辨率融合，获取多尺度病理图像特征融合信息；特征拼接病理图像分割模块，根据多尺度病理图像特征融合信息，捕捉病理图像中不同组织结构的特征，并始终保持高分辨率图像，预测出精确热力图像，实现病理图像精确分割；本发明自动识别和定位不同组织结构，不同组织结构包括：细胞核、细胞质及间质；对病变区域及预后关键区的病理图像区域进行自动识别；本发明采用了多尺度混合分析不同尺度上的细节和上下文信息对分割结果的影响；通过充分利用病理图像中的多尺度信息，实现全面、准确的图像分割；能够在多个尺度上对病理图像进行分析，并通过融合不同尺度的特征信息，提高分割结果的准确性和稳定性；通过跨尺度的综合分析，能够更好地捕捉病理图像中不同组织结构的特征，从而实现更精确的分割；本发明的模型基于卷积神经网络CNN架构，通过训练大规模的病理图像数据，使其能够自动学习并提取病理图像中的特征；能够更好地适应病理图像的复杂性和多样性，并且具有更高的泛化能力；可以充分利用病理图像中的多尺度信息、采用深度学习技术和有效的分割优化策略，实现了全面、准确的图像分割；本发明具有广泛的应用前景，可用于辅助病理学诊断、研究和治疗策略的制定，为临床医生和病理学家提供可靠的决策支持和有力协助；能够始终保持高分辨率图像，使得预测出的热力图像更加精确；另外，在网络训练过程中，实现了重复性的多尺度分辨率融合，利用低分辨率图像来提升高分辨率图像的表示，反之也同样作用，这样就丰富了预测结果的估计内容；在保持高敏感度的前提下，明显提高特异性；经过计算机图像对比，通过图2和图3对比，本发明模型和单分辨率模型在宫颈癌组织病理识别上的差异比较，本发明在保持高敏感度的前提下明显提高特异性。

在一个实施例中，多尺度混合分析数据获取模块包括：

多尺度混合分析子模块，采用多尺度混合分析，在多个尺度上对病理图像进行分析，获取多尺度病理图像分析信息；

分割结果影响解析子模块，根据多尺度病理图像分析信息，解析不同尺度细节和上下文信息对分割结果的影响，获取多尺度细节上下文分割影响信息；

信息转换数据获取子模块，根据多尺度细节上下文分割影响信息，通过信息数据转换，获取多尺度病理图像分析数据。

上述技术方案的原理及效果为：利用多尺度混合分析子模块，采用多尺度混合分析，在多个尺度上对病理图像进行分析，获取多尺度病理图像分析信息；分割结果影响解析子模块，根据多尺度病理图像分析信息，解析不同尺度细节和上下文信息对分割结果的影响，获取多尺度细节上下文分割影响信息；信息转换数据获取子模块，根据多尺度细节上下文分割影响信息，通过信息数据转换，获取多尺度病理图像分析数据；多尺度混合分析包括：采用多尺度图像分割算法进行病理图像目标和病理图像背景的分割，获取病理图像目标的第一尺度细节分割数据和病理图像背景的第二尺度近似分割数据；获取病理图像多尺度分析时间序列数据；对病理图像多尺度分析时间序列数据进行小波分解，得到多尺度病理图像的第一尺度细节分量和第二尺度近似分量；根据多尺度病理图像的第一尺度细节分量和第二尺度近似分量，采用粒子群优化进行病理图像的第一尺度细节分量分析和第二尺度近似分量分析；进行多尺度混合分析；能够自动学习并提取病理图像中的特征；能够更好地适应病理图像的复杂性和多样性；可以充分利用病理图像中的多尺度信息。

在一个实施例中，卷积网络分割策略模块包括：

网络架构分割策略子模块，根据多尺度病理图像分析数据，设置卷积神经网络架构，设置多效分割优化策略；

卷积网络训练特征提取子模块，根据卷积神经网络架构和多效分割优化策略，训练大规模的病理图像数据，并通过自动学习提取病理图像中的特征，获取深度学习多样病理图像特征。

上述技术方案的原理及效果为：利用网络架构分割策略子模块，根据多尺度病理图像分析数据，设置卷积神经网络架构，设置多效分割优化策略；卷积网络训练特征提取子模块，根据卷积神经网络架构和多效分割优化策略，训练大规模的病理图像数据，并通过自动学习提取病理图像中的特征，获取深度学习多样病理图像特征；多效分割优化策略包括：结合按比例尺方法切割训练样本，改进模型损失函数，采用第一分割效能目标权重和第二分割效能目标权重设置权重动态调整策略；对病理图像进行多模滤波形态变换，将病理图像亮度值线性映射到总亮度值区间，并使设定第一百分比的数据分布于最大灰度值，及设定第一百分比的数据分布于最小灰度值；并对病理图像进行小波变换，获取病理图像亮度值小波变换数据；使用区域生长变换对病理图像亮度值小波变换数据进行处理；疑似病变部位标记检验：对疑似病变部位面积进行有效性检验，分别设置大、中、小型疑似病变部位面积的有效值限制范围包括：大型疑似病变部位面积的有效值限制范围、中型疑似病变部位面积的有效值限制范围及小型疑似病变部位面积的有效值限制范围，删除不合格的疑似病变部位标记；对大、中型疑似病变部位分别执行设定第一次数和设定第二次数的形态腐蚀操作；对大、中型疑似病变部位分别执行次数为设定第三次数和设定第四次数的形态膨胀操作；将三个疑似病变部位图合并；在合并后的疑似病变部位图上合并标记疑似病变部位；利用疑似病变部位标记，对病理图像进行形态重构；将病理图像取反，然后通过区域生长变换进行疑似病变部位边缘分割；大幅提高了病理图像分割优化策略的适应能力和有效性。

在一个实施例中，并行连接多分辨率子网络模块包括：

多分辨率子网络设置子模块，根据深度学习多样病理图像特征，设置并行连接多分辨率子网络；

多尺度分辨率融合子模块，在卷积神经网络训练过程中，通过并行连接多分辨率子网络，进行循环重用多尺度分辨率融合；

特征融合信息获取子模块，通过循环重用多尺度分辨率融合，获取多尺度病理图像特征融合信息；

并行连接多分辨率子网络包括：第一分支卷积网络、第二分支卷积网络及第三分支卷积网络；在网络训练过程中，分别通过第一分支卷积网络保持原有的分辨率逐级施加第一卷积层进行高分辨率特征提取；通过第二分支卷积网络第二步长卷积层进行降采样，然后逐级施加第一卷积层完成中分辨率特征提取；通过第三分支卷积网络通过多个第二步长的第一卷积层进行降采样，然后逐级施加第一卷积层完成低分辨率特征提取；利用低分辨率图像提升高分辨率图像的表示，进行循环重用多尺度分辨率融合。

上述技术方案的原理及效果为：利用多分辨率子网络设置子模块，根据深度学习多样病理图像特征，设置并行连接多分辨率子网络；多尺度分辨率融合子模块，在卷积神经网络训练过程中，通过并行连接多分辨率子网络，进行循环重用多尺度分辨率融合；特征融合信息获取子模块，通过循环重用多尺度分辨率融合，获取多尺度病理图像特征融合信息；并行连接多分辨率子网络包括：第一分支卷积网络、第二分支卷积网络及第三分支卷积网络；在网络训练过程中，分别通过第一分支卷积网络保持原有的分辨率逐级施加第一卷积层进行高分辨率特征提取；通过第二分支卷积网络第二步长卷积层进行降采样，然后逐级施加第一卷积层完成中分辨率特征提取；通过第三分支卷积网络通过多个第二步长的第一卷积层进行降采样，然后逐级施加第一卷积层完成低分辨率特征提取；利用低分辨率图像提升高分辨率图像的表示，进行循环重用多尺度分辨率融合；实现了重复性的多尺度分辨率融合，利用低分辨率图像来提升高分辨率图像的表示，显著丰富了预测结果的估计内容。

在一个实施例中，特征拼接病理图像分割模块包括：

病理组织特征捕捉子模块，根据多尺度病理图像特征融合信息，捕捉病理图像中不同组织结构特征；

上采样多尺度特征拼接子模块，分别对中分辨率和低分辨率特征施加反卷积插值上采样，进行多尺度病理图像特征拼接；反卷积插值上采样包括：反卷积上采样或者插值法上采样；

高分精确病理图像分割子模块，根据多尺度病理图像特征拼接，始终保持高分辨率图像，预测出精确热力图像，实现病理图像精确分割；

分别对中分辨率和低分辨率特征施加反卷积插值上采样，将多尺度病理图像特征进行拼接包括：分别分析判定并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值；当第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值高于设定反卷积上采样分辨率特征值时，自动选择插值法上采样，将并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征施加反卷积插值上采样；当第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值不高于设定反卷积上采样分辨率特征值时，自动选择反卷积上采样，将并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征施加反卷积上采样；将多尺度病理图像特征进行拼接。

上述技术方案的原理及效果为：利用病理组织特征捕捉子模块，根据多尺度病理图像特征融合信息，捕捉病理图像中不同组织结构特征；上采样多尺度特征拼接子模块，分别对中分辨率和低分辨率特征施加反卷积插值上采样，进行多尺度病理图像特征拼接；反卷积插值上采样包括：反卷积上采样或者插值法上采样；高分精确病理图像分割子模块，根据多尺度病理图像特征拼接，始终保持高分辨率图像，预测出精确热力图像，实现病理图像精确分割；分别对中分辨率和低分辨率特征施加反卷积插值上采样，将多尺度病理图像特征进行拼接包括：分别分析判定并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值；当第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值高于设定反卷积上采样分辨率特征值时，自动选择插值法上采样，将并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征施加反卷积插值上采样；当第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值不高于设定反卷积上采样分辨率特征值时，自动选择反卷积上采样，将并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征施加反卷积上采样；将多尺度病理图像特征进行拼接；能够始终保持高分辨率图像，使得预测出的热力图像更加精确。

本发明提供了基于多尺度混合分析的病理图像分割方法，包括：

S100，采用多尺度混合分析，在多个尺度上对病理图像进行分析，获取多尺度病理图像分析数据；

S200，根据多尺度病理图像分析数据，基于卷积神经网络架构，采用多效分割优化策略，训练大规模的病理图像数据，并通过自动学习提取病理图像中的特征，获取深度学习多样病理图像特征；

S300，根据深度学习多样病理图像特征，在卷积神经网络训练过程中，通过并行连接多分辨率子网络，进行循环重用多尺度分辨率融合，获取多尺度病理图像特征融合信息；

S400，根据多尺度病理图像特征融合信息，捕捉病理图像中不同组织结构的特征，并始终保持高分辨率图像，预测出精确热力图像，实现病理图像精确分割。

上述技术方案的原理及效果为：本发明提供了基于多尺度混合分析的病理图像分割方法，包括：采用多尺度混合分析，在多个尺度上对病理图像进行分析，获取多尺度病理图像分析数据；根据多尺度病理图像分析数据，基于卷积神经网络架构，采用多效分割优化策略，训练大规模的病理图像数据，并通过自动学习提取病理图像中的特征，获取深度学习多样病理图像特征；根据深度学习多样病理图像特征，在卷积神经网络训练过程中，通过并行连接多分辨率子网络，进行循环重用多尺度分辨率融合，获取多尺度病理图像特征融合信息；根据多尺度病理图像特征融合信息，捕捉病理图像中不同组织结构的特征，并始终保持高分辨率图像，预测出精确热力图像，实现病理图像精确分割；本发明自动识别和定位不同组织结构，不同组织结构包括：细胞核、细胞质及间质；对病变区域及预后关键区的病理图像区域进行自动识别；本发明采用了多尺度混合分析不同尺度上的细节和上下文信息对分割结果的影响；能够在多个尺度上对病理图像进行分析，并通过融合不同尺度的特征信息，提高分割结果的准确性和稳定性；通过跨尺度的综合分析，能够更好地捕捉病理图像中不同组织结构的特征，从而实现更精确的分割；本发明的模型基于卷积神经网络CNN架构，通过训练大规模的病理图像数据，使其能够自动学习并提取病理图像中的特征；能够更好地适应病理图像的复杂性和多样性，并且具有更高的泛化能力；可以充分利用病理图像中的多尺度信息、采用深度学习技术和有效的分割优化策略，实现了全面、准确的图像分割；本发明具有广泛的应用前景，可用于辅助病理学诊断、研究和治疗策略的制定，为临床医生和病理学家提供可靠的决策支持和有力协助；能够始终保持高分辨率图像，使得预测出的热力图像更加精确；另外，在网络训练过程中，实现了重复性的多尺度分辨率融合，利用低分辨率图像来提升高分辨率图像的表示，反之也同样作用，这样就丰富了预测结果的估计内容；在保持高敏感度的前提下，明显提高特异性；经过计算机图像对比，通过图2和图3对比，本发明模型和单分辨率模型在宫颈癌组织病理识别上的差异比较，本发明在保持高敏感度的前提下明显提高特异性。

在一个实施例中，S100包括：

S101，采用多尺度混合分析，在多个尺度上对病理图像进行分析，获取多尺度病理图像分析信息；

S102，根据多尺度病理图像分析信息，解析不同尺度细节和上下文信息对分割结果的影响，获取多尺度细节上下文分割影响信息；

S103，根据多尺度细节上下文分割影响信息，通过信息数据转换，获取多尺度病理图像分析数据。

上述技术方案的原理及效果为：采用多尺度混合分析，在多个尺度上对病理图像进行分析，获取多尺度病理图像分析信息；根据多尺度病理图像分析信息，解析不同尺度细节和上下文信息对分割结果的影响，获取多尺度细节上下文分割影响信息；根据多尺度细节上下文分割影响信息，通过信息数据转换，获取多尺度病理图像分析数据；多尺度混合分析包括：采用多尺度图像分割算法进行病理图像目标和病理图像背景的分割，获取病理图像目标的第一尺度细节分割数据和病理图像背景的第二尺度近似分割数据；获取病理图像多尺度分析时间序列数据；对病理图像多尺度分析时间序列数据进行小波分解，得到多尺度病理图像的第一尺度细节分量和第二尺度近似分量；根据多尺度病理图像的第一尺度细节分量和第二尺度近似分量，采用粒子群优化进行病理图像的第一尺度细节分量分析和第二尺度近似分量分析；进行多尺度混合分析；能够自动学习并提取病理图像中的特征；能够更好地适应病理图像的复杂性和多样性；可以充分利用病理图像中的多尺度信息。

在一个实施例中，S200包括：

S201，根据多尺度病理图像分析数据，设置卷积神经网络架构，设置多效分割优化策略；

S202，根据卷积神经网络架构和多效分割优化策略，训练大规模的病理图像数据，并通过自动学习提取病理图像中的特征，获取深度学习多样病理图像特征。

上述技术方案的原理及效果为：根据多尺度病理图像分析数据，设置卷积神经网络架构，设置多效分割优化策略；根据卷积神经网络架构和多效分割优化策略，训练大规模的病理图像数据，并通过自动学习提取病理图像中的特征，获取深度学习多样病理图像特征；多效分割优化策略包括：结合按比例尺方法切割训练样本，改进模型损失函数，采用第一分割效能目标权重和第二分割效能目标权重设置权重动态调整策略；对病理图像进行多模滤波形态变换，将病理图像亮度值线性映射到总亮度值区间，并使设定第一百分比的数据分布于最大灰度值，及设定第一百分比的数据分布于最小灰度值；并对病理图像进行小波变换，获取病理图像亮度值小波变换数据；使用区域生长变换对病理图像亮度值小波变换数据进行处理；疑似病变部位标记检验：对疑似病变部位面积进行有效性检验，分别设置大、中、小型疑似病变部位面积的有效值限制范围包括：大型疑似病变部位面积的有效值限制范围、中型疑似病变部位面积的有效值限制范围及小型疑似病变部位面积的有效值限制范围，删除不合格的疑似病变部位标记；对大、中型疑似病变部位分别执行设定第一次数和设定第二次数的形态腐蚀操作；对大、中型疑似病变部位分别执行次数为设定第三次数和设定第四次数的形态膨胀操作；将三个疑似病变部位图合并；在合并后的疑似病变部位图上合并标记疑似病变部位；利用疑似病变部位标记，对病理图像进行形态重构；将病理图像取反，然后通过区域生长变换进行疑似病变部位边缘分割；大幅提高了病理图像分割优化策略的适应能力和有效性。

在一个实施例中，S300包括：

S301，根据深度学习多样病理图像特征，设置并行连接多分辨率子网络；

S302，在卷积神经网络训练过程中，通过并行连接多分辨率子网络，进行循环重用多尺度分辨率融合；

S303，通过循环重用多尺度分辨率融合，获取多尺度病理图像特征融合信息；

并行连接多分辨率子网络包括：第一分支卷积网络、第二分支卷积网络及第三分支卷积网络；在网络训练过程中，分别通过第一分支卷积网络保持原有的分辨率逐级施加第一卷积层进行高分辨率特征提取；通过第二分支卷积网络第二步长卷积层进行降采样，然后逐级施加第一卷积层完成中分辨率特征提取；通过第三分支卷积网络通过多个第二步长的第一卷积层进行降采样，然后逐级施加第一卷积层完成低分辨率特征提取；利用低分辨率图像提升高分辨率图像的表示，进行循环重用多尺度分辨率融合。

上述技术方案的原理及效果为：根据深度学习多样病理图像特征，设置并行连接多分辨率子网络；在卷积神经网络训练过程中，通过并行连接多分辨率子网络，进行循环重用多尺度分辨率融合；通过循环重用多尺度分辨率融合，获取多尺度病理图像特征融合信息；并行连接多分辨率子网络包括：第一分支卷积网络、第二分支卷积网络及第三分支卷积网络；在网络训练过程中，分别通过第一分支卷积网络保持原有的分辨率逐级施加第一卷积层进行高分辨率特征提取；通过第二分支卷积网络第二步长卷积层进行降采样，然后逐级施加第一卷积层完成中分辨率特征提取；通过第三分支卷积网络通过多个第二步长的第一卷积层进行降采样，然后逐级施加第一卷积层完成低分辨率特征提取；利用低分辨率图像提升高分辨率图像的表示，进行循环重用多尺度分辨率融合；实现了重复性的多尺度分辨率融合，利用低分辨率图像来提升高分辨率图像的表示，显著丰富了预测结果的估计内容。

在一个实施例中，S400包括：

S401，根据多尺度病理图像特征融合信息，捕捉病理图像中不同组织结构特征；

S402，分别对中分辨率和低分辨率特征施加反卷积插值上采样，进行多尺度病理图像特征拼接；反卷积插值上采样包括：反卷积上采样或者插值法上采样；

S403，根据多尺度病理图像特征拼接，始终保持高分辨率图像，预测出精确热力图像，实现病理图像精确分割；

分别对中分辨率和低分辨率特征施加反卷积插值上采样，将多尺度病理图像特征进行拼接包括：分别分析判定并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值；当第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值高于设定反卷积上采样分辨率特征值时，自动选择插值法上采样，将并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征施加反卷积插值上采样；当第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值不高于设定反卷积上采样分辨率特征值时，自动选择反卷积上采样，将并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征施加反卷积上采样；将多尺度病理图像特征进行拼接。

上述技术方案的原理及效果为：根据多尺度病理图像特征融合信息，捕捉病理图像中不同组织结构特征；分别对中分辨率和低分辨率特征施加反卷积插值上采样，进行多尺度病理图像特征拼接；反卷积插值上采样包括：反卷积上采样或者插值法上采样；根据多尺度病理图像特征拼接，始终保持高分辨率图像，预测出精确热力图像，实现病理图像精确分割；分别对中分辨率和低分辨率特征施加反卷积插值上采样，将多尺度病理图像特征进行拼接包括：分别分析判定并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值；当第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值高于设定反卷积上采样分辨率特征值时，自动选择插值法上采样，将并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征施加反卷积插值上采样；当第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征值不高于设定反卷积上采样分辨率特征值时，自动选择反卷积上采样，将并行连接多分辨率子网络的第一分支卷积网络、第二分支卷积网络及第三分支卷积网络的分辨率特征施加反卷积上采样；将多尺度病理图像特征进行拼接；能够始终保持高分辨率图像，使得预测出的热力图像更加精确。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节与这里示出与描述的图例。