[發明專利]細胞病理圖像分割方法及裝置

有效

• 申請號: 202011379134.0
• 申請日: 2020-11-30
• 公開（公告）號: CN112508900B
• 公開（公告）日: 2022-11-01
• 發明（設計）人: 柯晶;沈逸卿
• 申請（專利權）人: 上海交通大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/26;G16H70/60;G06N3/04
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 鄭朝然

1.一種細胞病理圖像分割方法，其特征在于，包括：

獲取待進行分割的細胞病理圖像；

將所述細胞病理圖像輸入圖像分割模型中，輸出細胞核與細胞質分割開的圖像；

其中，所述圖像分割模型是基于帶有分割標注的細胞樣本圖像訓練得到的，所述圖像分割模型包括網絡參數確定模塊、細胞尺寸分類模塊、圖像分割模塊和分割圖像聚合模塊；

所述網絡參數確定模塊用于確定分割細胞樣本圖像的子神經網絡個數以及各子神經網絡參數，所述各子神經網絡對不同尺寸細胞的感受野不同，所述細胞尺寸分類模塊用于對所述細胞樣本圖像中的各細胞尺寸進行分類，并基于分類結果確定分割各細胞對應的子神經網絡，所述圖像分割模塊用于在確定分割各細胞對應的子神經網絡后，通過各子神經網絡分別對所述細胞樣本圖像進行圖像分割，獲取初始分割圖像，所述分割圖像聚合模塊用于根據各子神經網絡的分割結果權重，對所有初始分割圖像進行加權聚合，獲取最終細胞核與細胞質分割開的樣本圖像；

所述網絡參數確定模塊確定子神經網絡個數以及各子神經網絡參數的步驟包括：

根據所述細胞樣本圖像中各細胞尺寸，以及各細胞尺寸對應的細胞數量，獲取細胞尺寸粒度曲線；

將所述細胞尺寸粒度曲線的峰值個數作為子神經網絡個數；

根據所述峰值對應的細胞尺寸，確定子神經網絡的卷積層數和各卷積層對應的感受野尺寸。

2.根據權利要求1所述的細胞病理圖像分割方法，其特征在于，所述子神經網絡的卷積層數和各卷積層對應的感受野尺寸是基于遞推模型確定的，所述遞推模型為：

其中，R_k代表第k層子神經網絡的感受野尺寸，R_k-1代表第k-1層子神經網絡的感受野尺寸，F_k代表第k層子神經網絡的卷積核尺寸，s_k代表第k層卷積核滑動的步長。

3.根據權利要求1所述的細胞病理圖像分割方法，其特征在于，所述細胞尺寸分類模塊對所述細胞樣本圖像中的各細胞尺寸進行分類的步驟包括：

將所述細胞樣本圖像輸入分類器，輸出所述細胞樣本圖像中各細胞尺寸所屬類別；

其中，所述分類器是基于帶有細胞尺寸分類標注的樣本訓練得到的，在對所述分類器進行訓練時，通過損失函數來優化所述分類器，直至滿足預設收斂條件。

4.根據權利要求3所述的細胞病理圖像分割方法，其特征在于，所述損失函數為：

其中，l(θ)表示損失值，θ代表帶訓練的圖像分割模型的參數，L表示細胞樣本圖像的多分類標簽，W表示權重向量，X表示分類器邏輯回歸層的輸出結果。

5.根據權利要求1所述的細胞病理圖像分割方法，其特征在于，所述圖像分割模塊通過各子神經網絡分別對所述細胞樣本圖像進行圖像分割，獲取初始分割圖像的步驟包括：

通過各子神經網絡分別對所述細胞樣本圖像進行圖像分割，獲取帶有標簽的待修正樣本圖像；

若所述待修正樣本圖像中的連續區域存在分割面積小于預設值的子圖像，則基于與所述子圖像相鄰的區域標簽修正所述子圖像的標簽，直至所述待修正樣本圖像中的連續區域面積均大于預設值后，將所述待修正樣本圖像作為初始分割圖像。

6.根據權利要求1所述的細胞病理圖像分割方法，其特征在于，所述分割圖像聚合模塊是基于加權模型對所有初始分割圖像進行加權聚合的，所述加權模型為：

其中，C_k表示第k個連續區域，Class[C_k]表示相鄰于第k個連續區域的分割結果，l_list表示分割的標簽集合，l表示標簽集合l_list中的一個標簽，w_i表示第i個子神經網絡分割結果的權重，m_i是第i個子神經網絡分割的結果，p表示連續區域C_k中的一個像素，I表示指標函數。