[發明專利]一種基于生成對抗網絡的細胞核分割方法

在審

• 申請號: 201811529495.1
• 申請日: 2018-12-14
• 公開（公告）號: CN109726644A
• 公開（公告）日: 2019-05-07
• 發明（設計）人: 高陳強;李鵬程;劉芳岑;廖詩沙;周風順;木松
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06N3/04
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 盧勝斌

本發明涉及一種基于生成對抗網絡的細胞核分割方法，包括對原始圖像進行歸一化處理；歸一化后的圖像經循環生成對抗網絡生成新的圖像和對應的二值掩碼圖像，并入到數據集中；將數據集中的至少一部分經具有編解碼結構的生成對抗網絡生成第一分割預測概率圖和第二分割預測概率圖；將第一分割預測概率圖與第二分割預測概率圖送入全卷積神經網絡獲得分割結果，本發明提高了具有重疊邊界的細胞核的分割準確率，可以輕松用于多種器官的細胞核分割任務中。

技術領域

本發明屬于醫學圖像處理與計算機視覺技術領域，涉及一種基于生成對抗網絡的細胞核分割方法。

背景技術

圖像分割問題是醫學圖像分析中的一個基本研究問題。傳統上，癌癥患者腫瘤的診斷和分級是通過工作人員在高精度顯微鏡下檢查組織標本來完成的，這種組織標本通常稱為數字病理圖像(Digital Pathology,DP)，DP中的細胞核分割是當前的研究熱點。對不同器官的DP進行精確的細胞核分割，可以顯著地減少醫生的工作量，提高診斷的準確性，促進臨床和醫學研究的發展。

得到精確的細胞核分割圖像之后，再利用細胞核形態學特征如密度、細胞核-質比例、平均大小和多形性等來評估癌癥等級，還可以用于預測后續的治療效果。在醫學圖像的細胞核分割任務中，常用的圖像數據是帶有H&E染色(Hematoxylin and Eosin stain)的DP切片。在產生DP的過程中，制作工藝如制片、染色、掃描等或設備生產商生產的設備平臺不相同、生物信息存在差異等原因，造成染色后的圖像質量參差不齊，為后期分割任務帶來極大困難。

近年來，基于深度學習的圖像分析方法在細胞核分割任務中取得了不錯的進展，特別在DP的分類、檢測、分割任務中取得了比傳統方法更加準確的結果，得到了醫學領域的廣泛關注。

目前，基于深度學習的細胞核分割任務中主要存在兩大挑戰：

(1)數據集的數據量少，不具備通用性，且標注質量不高。目前已有的公開數據中，大多只針對某一種特定器官的病理切片進行標注，而這樣的數據通常無法泛化到其他器官進行細胞核分割任務；

(2)重疊部分的細胞核難以分割。一是細胞核相互接觸，使得細胞核的邊界難以界定；二是病理圖像在染色制片、成像等過程中由于染色、光照不均對圖像成像有損傷，影響最后的分割效果。

發明內容

有鑒于此，本發明的目的在于提供一種基于生成對抗網絡的細胞核分割方法，尤其涉及一種基于循環生成對抗網絡和具有編解碼結構的生成對抗網絡的細胞核分割方法。其中，循環生成對抗網絡對已有數據集進行擴充，豐富訓練集數據量，并保留數據的合理性與多樣性，提升數據集通用性；而具有編解碼結構的生成對抗網絡則可以利用細胞核圖像及二值掩碼圖像數據，結合全局信息和精細的邊界信息，得到準確的細胞核分割結果，解決重疊細胞核難以分割的問題。

為達到上述目的，本發明提供如下技術方案：

一種基于生成對抗網絡的細胞核分割方法，包括循環生成對抗網絡和具有編解碼結構的生成對抗網絡，其特征在于，包括以下步驟：

S1、將原始圖像進行歸一化處理；

S2、歸一化后的圖像經循環生成對抗網絡生成新的圖像和對應的二值掩碼圖像，并入到數據集中；

S3、將數據集中的至少一部分經具有編解碼結構的生成對抗網絡生成第一分割預測概率圖和第二分割預測概率圖；

S4、將第一分割預測概率圖與第二分割預測概率圖送入全卷積神經網絡獲得分割結果。

優選地，所述歸一化處理包括將原始圖像的至少一部分轉化為光學密度圖像，將所述光學密度圖像分解為染色矩陣Si與濃度矩陣Ci，使用目標矩陣R與Ci組成新的矩陣N，具體為：

OD＝Ci×Si

N＝Ci×R