(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 202210437761.8 (22)申请日 2022.04.25 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市学府路52 号哈尔滨理工大 学 (72)发明人 何勇军　刘皓晨　王泽鑫　赵晶　 谢怡宁　 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/10(2017.01) G06T 7/62(2017.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/82(2022.01) G06V 10/762(2022.01)G06V 10/764(2022.01) (54)发明名称 细胞病理图像质量评价方法 (57)摘要 细胞病理图像质量评价方法， 本发 明涉及自 动化病理诊断技术中， 缺乏细胞病理图像质量评 价方法的问题。 病理切片数字化积累了大量的数 据， 是自动化病理诊断的重要前提。 然而扫描产 生的质量不合格的细胞病理图像严重影响了自 动化病理诊断的效率， 甚至导致误诊和漏诊。 现 在存在的很多图像质量评价方法都没有考虑到 细胞病理 医生对于样本图像的评价标准， 不适用 于自动化病理诊断领域。 为改善这一问题， 本发 明提出了一种基于 《宫颈液基细胞学的数字病理 图像采集与图像质量控制中国专家共识》 和TBS (The Bethesda system)诊断标准的细胞病理图 像质量评价方法。 实验表明， 该方法能有效地评 价细胞病理图像的质量， 提高自动病理诊断的效 率。 本发明应用于细胞病理图像的质量评价。 权利要求书4页 说明书10页 附图2页 CN 114820510 A 2022.07.29 CN 114820510 A 1.细胞病理图像质量评价方法， 其特 征在于， 包 含如下步骤： S1、 扫描仪扫描样本， 获得全景切片图像， 然后用金字塔分割的方式， 获得金字塔不同 层的图像； S2、 利用金字塔第六层图像， 提取样本有效视野判断其是否完整， 然后提取样本有效视 野外区域的纹 理特征， 判断是否出现图像栅格样成像； S3、 根据金字塔第五层图像， 利用颜色反卷积方法判断细胞染色是否标准； S4、 根据金字塔第五层图像， 利用引入注意力机制的卷积神经网络ResNet ‑34， 对图像 清晰度进行分类， 判断图像是否清晰； S5、 在图像金字塔的第二层， 利用YOLOv5s对图像进行目标检测， 判断图像中脏污面积 占比、 鳞状上皮细胞和细胞团数量是否满足TBS图像标准； S6、 将S2‑S5中获得的图像特 征输入XGBo ost模型， 获得图像特 征值的图像质量分数； S7、 将细胞图像质量评价方法应用在智能病理诊断系统中。 2.如权利要求1所述的细胞病理图像质量评价方法， 其特征在于， 步骤S2中所述的利用 金字塔第六层图像， 提取样本有效视野判断其是否完整， 然后提取样本有效视野外区域的 纹理特征， 判断是否出现图像栅格样成像， 方法如下： S21、 提取图像金字塔的第六层， 获得一张完整视野图像I； S22、 利用图像分割方法分割图像I， 获得二 值图像T； S23、 对二 值图像T做预处 理将图像中所有轮廓连成一个大轮廓， 得到样本的有效视野； S24、 提取有效视野的坐标， 获得其外 接矩形； S25、 根据外接矩形在整张图像中的位置确定有效视野是否完整， 若完整则记为f1＝1， 若不完整则记为f1＝0； S26、 根据步骤S23中获得的大轮廓， 提取轮廓以外区域的纹 理特征值T； S27、 利用S26的方法提取标准 图像中轮廓以外区域的纹理特征值， 然后对特征值做聚 类分析， 获得 标准图像的纹 理特征值范围； S28、 判断纹理特征值T是否在标准 图像的纹理特征值范围内， 若在标准 图像的纹理特 征值范围内则不存在栅格样成像， 判定为 合格记为f2＝1， 若存在栅格样成像则记为f2＝0。 3.如权利要求1所述的细胞病理图像质量评价方法， 其特征在于， 步骤S3 中所述的根据 金字塔第五层图像， 利用颜色反卷积方法判断细胞染色是否标准， 判定方法如下： S31、 提取图像金字塔的第五层， 得到分割为固定大小的非重 叠patch图像； S32、 对每个patch图像进行颜色反卷积， 分离出苏木精通道和伊红通道的染色分布图 像M1、 M2， 颜色反卷积的步骤如下： 对每个OD向量的分量都除以向量的长度： 从而得到标准 化后的OD矩阵M：权　利　要　求　书 1/4 页 2 CN 114820510 A 2标准化后的hematoxyl in,eosin， DAB的OD矩阵为式(5)： 设每个像素上每种染色剂的权重为C， C为3 ×1的向量， 在OD空间下像素点的OD值为y＝ CM， 颜色反卷积矩阵就是OD矩阵的逆矩阵D＝M‑1， 正交化的图像可以表示 为式(6)所示： C＝D[y]  (6) 对于hematoxyl in,eosin， DAB来说， 颜色反卷积矩阵D为: S33、 对染色 分布图像M1、 M2进行图像二 值化， 计算出两个通道染色的图像掩膜； S34、 图像掩膜与原图像进行图像与运算， 获得苏木精和伊红染色像素所在的位置， 计 算出苏木精和伊红通道的平均灰度值； S35、 对医生提供的标准样片按照上述步骤获得其苏木精和伊红像素的平均灰度值， 然 后进行聚类分析， 得到标准灰度值范围； S36、 判断细胞染色是否标准， 若苏木精和伊红通道的平均灰度值在标准灰度值范围内 判定为染色标准记为f3＝1， 若不在则染色标准记为f3＝0。 4.如权利要求1所述的细胞病理图像质量评价方法， 其特征在于， 步骤S4中所述的根据 金字塔第五层图像， 利用引入注 意力机制的卷积神经网络ResNet ‑34， 对图像清晰度进行分 类， 判断图像是否清晰， 判定方法如下： S41、 提取图像金字塔的第五层， 得到分割为固定大小的非重 叠patch图像； S42、 创建数据集， 选取H&E染色的全视野数字切 片， 对每张切 片在20倍放大倍数下扫 描 一个约6毫米面积的感兴趣区域(Region  Of Interest,ROI)， 对每个ROI选取25个聚焦点， 在[‑2.5 μm， +2.5 μm]之间对聚焦平面加 入固定扰动， 获得相同ROI及相同ROI的不同焦平面 图像作为数据集； S43、 对数据集进行标注， 将偏移量在[ ‑0.5,+0.5]之间的patch图标记为清晰图像， 其 余标记为模糊； S44、 使用引入了注意力机制的卷积神经网络ResNet ‑34进行分类模型的训练， 得到分 类网络； S45、 用分类网络对patch图像进行分类， 得到patch图像的聚焦点， 若偏移量在[ ‑0.5,+ 0.5]之间判定为清晰， 记为f4＝1， 若不在则判定为 不清晰， 记为f4＝0。 5.如权利要求1所述的细胞病理图像质量评价方法， 其特征在于， 步骤S5 中所述的在图 像金字塔的第二层， 利用YOLOv5s对图像进行 目标检测， 判断图像中脏污面积占比、 鳞状上 皮细胞和细胞团数量是否满足TBS图像标准， 判定方法如下：权　利　要　求　书 2/4 页 3 CN 114820510 A 3