技术摘要：
本发明公开了一种病理图像处理方法及装置，方法包括：基于语义分割模型分割病理图像，得到第一分割结果，语义分割模型基于深度学习网络；基于粒子滤波分割病理图像，得到第二分割结果；计算第一分割结果和第二分割结果，得到平均值和对应的第三分割结果；基于分类网络  全部
背景技术：
通过对细胞的培养个和观察，能够提供重要的生物学的研究素材。细胞的外形、细 胞分泌物的物理和化学性质、细胞分裂情况等相关的参数，能够指导研究人员获得对应的 成果。这些成果可以应用于生物、制药和医疗等领域，以造福人类社会。 针对病理图像的解析，即对细胞的图像的研究，能够帮助研究员深化对病理的研 究。其中，癌症，例如乳腺癌，是人类主要的的死亡原因之一。乳腺癌的早期发现、早期诊断 是提高疗效的关键。在乳腺癌分级中，有丝分裂的数量是一个重要的参数。然而，手动对有 丝分裂进行计数对于病理学家是一件非常繁琐、枯燥的工作。并且，在这个过程中也有很多 困难，诸如存在凋亡细胞、淋巴细胞等与有丝分裂细胞相似的细胞干扰对有丝分裂细胞的 计数工作。而在病理切片扫描仪出现后，传统的病理切片转换成数字病理切片，自动检测有 丝分裂逐渐受到越来越多人的关注。 常规的检测算法，例如CNN只能进行简单的分类；而FCN虽可以解决语义级别的图 像分割问题，实现图像到图像，但是其得到的结果不够精确，丢失了很多细节，并且训练网 络时需要大量的数据。但医学数据获取成本大，对应的数据量也较少，因此实际的图像解析 中存在训练效率低和成本高的问题。
技术实现要素：
本发明实施例旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本 发明实施例的一个目的是提供一种病理图像处理方法及装置。 本发明所采用的技术方案是： 第一方面，本发明实施例提供一种病理图像处理方法，包括：基于语义分割模型分 割病理图像，得到第一分割结果，语义分割模型基于深度学习网络；基于粒子滤波分割病理 图像，得到第二分割结果；计算第一分割结果和第二分割结果，得到平均值和对应的第三分 割结果；基于分类网络处理第三分割结果，得到最终分割结果。 本发明实施例的有益效果至少包括：通过语义分割和粒子滤波分割，能够识别并 分割病理图像中的细胞；通过求平均值的方式，能够合理的降低识别的误差和提高分割的 效果；通过分类网络能够降低识别的假阳性，提高识别准确率。 基于本发明的一实施例的一种病理图像处理方法，深度学习网络包括U-Net网络。 基于本发明的一实施例的一种病理图像处理方法，分类网络包括Xception网络。 基于本发明的一实施例的一种病理图像处理方法，基于分类网络处理第三分割结 果，包括：基于分类网络和特征筛选，处理第三分割结果以降低假阳率。 基于本发明的一实施例的一种病理图像处理方法，病理图像为乳腺癌的细胞图 像，对应的，第一分割结果、第二分割结果和第三分割结果为细胞的识别和图像分割。 3 CN 111612740 A 说　明　书 2/6 页 第二方面，本发明实施例提供一种病理图像处理装置，包括：第一分割模块，用于 基于语义分割模型分割病理图像，得到第一分割结果，语义分割模型基于深度学习网络；第 二分割模块，用于基于粒子滤波分割病理图像，得到第二分割结果；第三分割模块，用于计 算第一分割结果和第二分割结果，得到平均值和对应的第三分割结果；第四分割模块，基于 分类网络处理第三分割结果，得到最终分割结果。 本发明实施例的有益效果至少包括：通过语义分割和粒子滤波分割，能够识别并 分割病理图像中的细胞；通过求平均值的方式，能够合理的降低识别的误差和提高分割的 效果；通过分类网络能够降低识别的假阳性，提高识别准确率。 基于本发明的一实施例的一种病理图像处理装置，深度学习网络包括U-Net网络。 基于本发明的一实施例的一种病理图像处理装置，分类网络包括Xception网络。 基于本发明的一实施例的一种病理图像处理装置，基于分类网络处理第三分割结 果，包括：基于分类网络和特征筛选，处理第三分割结果以降低假阳率。 基于本发明的一实施例的一种病理图像处理装置，病理图像为乳腺癌的细胞图 像，对应的，第一分割结果、第二分割结果和第三分割结果为细胞的识别和图像分割。 附图说明 图1是本发明实施例的病理图像处理方法的流程图； 图2是本发明实施例的Xception的框架图； 图3是本发明实施例的病理图像处理装置的框图。