[發明專利]一種基于聚類生成候選錨框的細胞圖像檢測與分割方法

在審

• 申請號: 202010465810.X
• 申請日: 2020-05-28
• 公開（公告）號: CN111666850A
• 公開（公告）日: 2020-09-15
• 發明（設計）人: 胡海根;賈福燦;周乾偉;肖杰;管秋;陳勝勇;李小薪
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種基于聚類生成候選錨框的細胞圖像檢測與分割方法，包括以下步驟：步驟1，制作數據集；步驟2，數據集樣本維度特征統計，設置ISODATA聚類算法初始參數，通過聚類算法統計樣本維度信息，生成樣本維度比例；步驟3，細胞的特征提取與融合，包括以下步驟：3.1、特征提取網絡的搭建；3.2、特征多尺度融合；步驟4，癌細胞目標區域候選框的生成，將融合后的特征與目標樣本維度比例送入RPN網絡中進行目標區域生成；步驟5，癌細胞圖像的檢測目標結果精煉；步驟6，癌細胞圖像的分割Mask生成。本發明使生成的候選錨框更加貼合真實樣本維度規律，降低了候選框回歸的難度，提升了算法回歸速度，提升了檢測和分割的性能。

技術領域

本發明屬于計算機視覺領域，本發明公開了一種基于聚類生成候選錨框的細胞圖像檢測與分割方法。具體通過聚類算法對數據集中樣本的維度進行統計并將維度轉換比例作為RPN網絡中候選錨框的寬高比送入深度學習Mask R-CNN算法實現癌細胞圖像的檢測和分割，即首先利用ISODATA聚類算法對樣本維度進行統計，然后將統計結果換算成維度比例作為RPN網絡中候選錨框的寬高比的參數設置，最后通過Mask R-CNN算法實現癌細胞圖像的檢測和分割。

背景技術

分子細胞水平研究是新藥研制的重要組成步驟，特別近些年來，癌癥等細胞疾病的發病率呈逐年上升的趨勢。在我國，每年有過百萬人被檢測出患有癌癥，并有大量患者因癌癥而死亡，因此，抗癌藥物的研發對于癌癥的治療和預防起著至關重要的作用，醫學病理細胞圖像分析是抗癌藥物研發過程中的一個重要步驟。在醫學細胞圖像分析中，細胞圖像的檢測與分割是最為重要的環節之一，同時也是對細胞圖像進行識別等研究的基本前提。在病理細胞圖像的分割任務中，最常遇到的問題是由細胞圖像切片制作不理想所帶來的。在切片制作過程中，顯微鏡下的細胞圖像呈現出隨機分布的狀態，由于人為或自然因素而導致細胞圖像中出現細胞重疊或粘連的情況。真實細胞圖像具有多樣性和復雜性。例如，單個細胞的大小和形狀不一，團簇細胞之間發生重疊甚至相互擠壓變形，細胞質及細胞核區域不均勻等。細胞圖像的這些缺陷會對細胞圖像的檢測和分割過程造成不良影響，導致檢測與分割結果出現誤差。

目標檢測即在識別出圖像中目標對象類別的基礎上，確定目標對象的絕對位置，并用適合目標對象大小的矩形框標記。在細胞檢測領域，根據檢測思路的不同，可以將目標檢測算法大致分成兩類：基于候選窗口的目標檢測算法(Two Stage)和基于回歸的目標檢測算法(One Stage)。基于候選窗口的目標檢測算法在預測階段首先選出包含目標概率較大的區域，之后對所選區域進行預測。這類算法檢測的精度比較高，但檢測速度比較慢，常見的算法有Fast R-CNN、Faster R-CNN、Mask R-CNN等。基于回歸的目標檢測算法將檢測問題看成回歸問題。不需要選取候選框，預測一步完成。這類算法檢測速度比較快，但在精度方面一般弱于基于候選窗口的目標檢測算法，常見的算法有SSD、YOLO、YOLO v2、 YOLO v3等。

圖像分割是指根據圖像的紋理、灰度、色彩、幾何信息等不同特征進行區域劃分，把圖像分割成若干區域，將感興趣區域提取出來的過程。隨著深度學習的發展，因其優越性被廣泛用于解決圖像分割問題。面向CNN區域分類的圖像分割算法是將傳統圖像處理算法與深度學習中的卷積神經網絡相融合，先將輸入的圖片按不同的目標進行候選區域的劃分，得到候選區域后再通過網絡對區域內每個像素進行語義分類，然后使用分類器分類的結果對輸入圖像進行標注，最終得到分割的Mask結果。其中，候選區域的質量決定了圖像分割的精度，故面向CNN 區域分類的圖像分割算法的關鍵在于如何從輸入圖像中產生不同的目標的候選區域。根據區域生成算法以及候選區域劃分標準的不同，可以將面向CNN區域分類的圖像分割算法分成兩類：基于候選區域的方法和基于分割掩膜的方法。在基于候選區域的分割方法中常見的算法有SDS、MCG、Mask R-CNN、Mask Scoring R-CNN等，在基于掩膜的分割方法中常見的算法有DeepMask、 SharpMask等。

發明內容