(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 202211133509.4 (22)申请日 2022.09.18 (71)申请人 湖南智享未来 生物科技有限公司 地址 410125 湖南省长 沙市芙蓉区隆平高 科技园雄天路118号长沙现代服务业 产业园2栋厂房15 01-19室 (72)发明人 郝宇飞　许东　罗儒峰　陈轶　 乔匿骎　邓圣旺　孙振涛　 (74)专利代理 机构 长沙睿翔专利代理事务所 (普通合伙) 43237 专利代理师 周松华　孙建霞 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/187(2017.01) G06V 10/30(2022.01)G06V 10/34(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/82(2022.01) (54)发明名称 一种病理图像中对象检测识别方法及装置 (57)摘要 一种病理图像中对象检测识别方法及 装置， 该方法将病理图像分别输入到形态学处理框架 和深度目标检测网络中； 形态学处理框架处理过 程， 采用像素级图像处理算法， 得到目标区域和 背景分离的二值图像； 深度目标检测网络处理过 程， 将病理图像进行特征提取、 分类和目标区域 回归， 得到检测框； 根据检测框的区域信息， 将二 值图像中的对应区域置为背景色， 清除已知类型 对象对应的目标区域， 得到包含杂质的二值图 像； 采用查找连通域算法， 找到杂质对应区域集 合； 综合已知类型对象对应的目标区域和杂质对 应的区域集合， 得到包含杂质在内的各类对象对 应的区域信息。 本发明实现了全细胞、 微生物和 杂质的检测， 其灵敏度高， 有利于随着深度学习 技术进步而更新。 权利要求书3页 说明书11页 附图8页 CN 115439456 A 2022.12.06 CN 115439456 A 1.一种病理图像中对象检测识别方法， 其特 征在于， 包括： 获取待处理的病理图像， 将所述病理图像分别输入到形态学处理框架和深度目标检测 网络中； 形态学处理框架处理过程， 将所述病理图像采用像素级图像处理算法， 得到目标区域 和背景分离的二 值图像； 深度目标检测网络处理过程， 将所述病理图像进行特征提取、 分类和目标区域回归， 得 到包括位置信息、 尺寸信息、 置信度和类型信息的检测框； 根据所述检测框的区域信息， 将二值图像中的对应区域置为背景色， 清除已知类型对 象对应的目标区域， 得到包 含杂质的二 值图像； 采用查找连通 域算法， 找到所有杂质对应的区域 集合； 综合已知类型对象对应的目标区域和杂质对应的区域集合， 得到包含杂质在内的各类 对象对应的区域信息 。 2.根据权利要求1所述的一种病理图像中对象检测 识别方法， 其特征在于， 采用像素级 图像处理算法包括灰度转换： 若输入的所述病理图像为彩色图像， 将彩色的所述病理图像 转换为灰度图像I， 以根据亮度信息区分图像背景和检测对象。 3.根据权利要求2所述的一种病理图像中对象检测 识别方法， 其特征在于， 采用像素级 图像处理算法还包括背景移除： 背景移除过程， 根据灰度图像I创建副本图像I ’， 使用图像 模糊方法， 对副本图像I ’进行模糊操作， 得到图像的光背景模式图L； 计算灰度图像I与光背景模式图L的对应像素灰度值的差， 并将灰度值范围缩放到(0， Hmax)范围内， 得到移除光背景的图像G。 4.根据权利要求2所述的一种病理图像中对象检测 识别方法， 其特征在于， 采用像素级 图像处理算法还包括二值化： 二值化过程对移除光背景的图像G， 选取置信度阈值为α0∈ (0,1)， 用α0*Hmax作为图像二值化阈值， 以去除与背景亮度差异小于图像二值化阈值的区 域； 采用像素级图像处 理算法还 包括去噪、 膨胀和腐蚀： 去噪过程， 对得到的二 值化图像， 采用去噪算法去除噪点； 膨胀过程， 对得到的去噪图像， 采用形态学膨胀算法， 融合在预设距离范围内的区域； 腐蚀过程， 采用形态学腐蚀算法， 去除多余的小孔区域。 5.根据权利要求1所述的一种病理图像中对象检测 识别方法， 其特征在于， 对于输出的 检测框， 通过N个置信度阈值α1, α2,…, αN过滤控制要保留的检测框， 要保留的检测框区域集 Dd表示为： Dd＝{Ai|ti＞αi， i∈[1， N]} 其中， Ai表示第i类区域集合， ti表示第i类区域的置信度， αi表示第i类区域的置信度阈 值， N表示深度目标检测网络的分类数。 6.根据权利要求5所述的一种病理图像中对象检测识别方法， 其特征在于， 通过设定N+ 1个置信度阈值α0, α1,…, αN分别控制所保留的识别 出的杂质区域和已知类别对象区域， 所 有保留的区域 集D表示为： D＝Dd∪{A0}＝{Ai|ti＞αi， i∈[1， N]}∪{A0}＝{Ai|ti＞αi， i∈[0， N]} 其中， Ai表示第i类区域集合， ti表示第i类区域的置信度， αi表示第i类区域的置信度阈权　利　要　求　书 1/3 页 2 CN 115439456 A 2值， N表示深度目标检测网络的分类数； i ＝0表示杂质类别， α0表示杂质的置信度阈值。 7.一种病理图像中对象检测识别装置， 其特 征在于， 包括： 图像配置模块， 用于获取待处理的病理图像， 将所述病理图像分别输入到形态学处理 框架和深度目标检测网络中； 形态学处理模块， 用于形态学处理框架处理过程， 将所述病理图像采用像素级图像处 理算法， 得到目标区域和背景分离的二 值图像； 目标检测模块， 用于深度目标检测网络处理过程， 将所述病理图像进行特征提取、 分类 和目标区域回归， 得到包括 位置信息、 尺寸信息、 置信度和类型信息的检测框； 区域剔除模块， 用于根据所述检测框的区域信息， 将二值图像中的对应区域置为背景 色， 清除已知类型对象对应的目标区域， 得到包 含杂质的二 值图像； 查找模块， 用于采用查找连通 域算法， 找到所有杂质对应的区域 集合； 对象识别模块， 用于综合已知类型对象对应的目标区域和杂质对应的区域集合， 得到 包含杂质在内的各类对象对应的区域信息 。 8.根据权利要求6所述的一种病理图像中对象检测 识别装置， 其特征在于， 所述形态学 处理模块中包括： 灰度转换子模块， 用于若输入的所述病理图像为彩色图像， 将彩色的所述病理图像转 换为灰度图像I， 以根据亮度信息区分图像背景和检测对象； 背景移除子模块， 用于背景移除过程， 根据灰度图像I创建副本图像I ’， 使用图像模糊 方法， 对副本图像I ’进行模糊操作， 得到图像的光背 景模式图L； 计算灰度图像I与光背 景模 式图L的对应像素灰度值的差， 并将灰度值范围缩放到(0， Hmax)范围内， 得到移除光背景的 图像G； 二值化子模块， 用于二值化过程对移除光背景的图像G， 选取置信度阈值为α0∈(0,1)， 用 α0*Hmax作为图像二 值化阈值， 以去除与背景亮度差异小于图像二 值化阈值的区域； 去噪子模块， 用于去噪过程， 对得到的二 值化图像， 采用去噪算法去除噪点； 膨胀子模块， 用于膨胀过程， 对得到的去噪图像， 采用形态学膨胀算法， 融合在预设距 离范围内的区域； 腐蚀子模块， 用于腐蚀过程， 采用形态学腐蚀算法， 去除多余的小孔区域。 9.根据权利要求7所述的一种病理图像中对象检测 识别装置， 其特征在于， 所述目标检 测模块中： 对于输出的检测框， 通过N个置信度阈值α1, α2,…, αN过滤控制要保留的检测框， 要保留 的检测框区域 集Dd表示为： Dd＝{Ai|ti＞αi， i∈[1， N]} 其中， Ai表示第i类区域集合， ti表示第i类区域的置信度， αi表示第i类区域的置信度阈 值， N表示深度目标检测网络的分类数。 10.根据权利要求9所述的一种病理图像中对象检测识别装置， 其特征在于， 所述对象 识别模块中： 通过设定N+1个置信度阈值α0, α1,…, αN分别控制所保留的识别出的杂质区域和已知类 别对象区域， 所有保留的区域 集D表示为： D＝Dd∪{A0}＝{Ai|ti＞αi， i∈[1， N]}∪{A0}＝{Ai|ti＞αi， i∈[0， N]}权　利　要　求　书 2/3 页 3 CN 115439456 A 3