[發明專利]一種基于非完備標記的深度學習的核染色細胞計數方法、計算機設備、存儲介質

有效

• 申請號: 202011641839.5
• 申請日: 2020-12-31
• 公開（公告）號: CN112750106B
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 付樹軍;廖勝海;張欣欣;孫青;陳曉藺;王建行;李玉亮;齊澤榮
• 申請（專利權）人: 山東大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/136;G06T7/90;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 濟南金迪知識產權代理有限公司 37219
• 代理人: 許德山

本發明涉及一種基于非完備標記的深度學習的核染色細胞計數方法、計算機設備、存儲介質，包括：(1)制作標注數據：加載病理圖像到標注軟件，獲取所有的子圖像與陽性細胞的子掩碼圖像數據對；(2)訓練模型：訓練卷積神經網絡模型，分別得到訓練好的陽性細胞卷積神經網絡模型、訓練好的陰性細胞卷積神經網絡模型；(3)推理階段：將待檢測的病理圖像分別輸入訓練好的卷積神經網絡模型，得到真實掩碼圖像；(4)后處理階段：計算陽性細胞和陰性細胞數量，并計算得到陽性細胞占全部細胞的比例p。本發明無需額外參數，通用性高，大幅減少人工調節，有效提高了識別的準確性和魯棒性。本發明在數據標記上更快、更準、更有效。

技術領域

本發明涉及一種基于非完備標記的深度學習的核染色細胞計數方法、計算機設備、存儲介質，屬于深度學習技術領域。

背景技術

目前，癌癥已經是全球第一大致死因素。除了提高癌癥治療技術，癌癥的早期診斷和篩查也是提高癌癥患者存活率的重要一方面。病理切片輔助診斷是根據患者的ER、PR和Ki-67的陽性狀態進行免疫組化分型，并根據不同分型確定不同的診療方案。這依賴于計算病理切片中陰性細胞和陽性細胞占全部細胞的比例進行判斷。通常，醫生進行陽性狀態判斷時，需要對顯微鏡放大切片中的不同視野觀察，根據經驗得到大致的估計。這種方式不僅費時費力，容易造成視覺疲勞，在準確性方面也存在主觀性風險。

當前，國內外專家學者提出的細胞計數方法，大都建立在圖像分割的基礎上，即試圖盡可能完整地在病理圖像中分割出全部細胞個體。

傳統的圖像分割方法依賴于顏色、紋理等特征在同一目標中的相似性，根據相似性先驗對圖像進行區域劃分。常用的方法包括閾值分割、邊緣檢測以及基于區域的分割方法，基于變分模型的方法，基于聚類和超像素的方法。這些方法在細胞計數方面存在的問題主要是，依賴于手工設定的特征和參數，無法自適應應對復雜多變的細胞圖像，無法解決細胞粘連性問題。

基于人工智能或深度學習的細胞分割和計數方法是當前研究最熱的方法，依賴于大量準確完整的標注數據。然而，完整的細胞標注數據是難以獲取的，一方面是細胞大小、形態各異，另一方面逐像素標記費時費力，導致公開的數據集往往是數量較少且只針對特定類型的細胞。

綜上，現有技術中存在以下問題：

(1)傳統的基于閾值分割、顏色通道分離等方法的細胞計數，存在準確度低、無法通用、參數在不同類型細胞下需要手動調整等缺點。

(2)基于深度學習的細胞計數方法依賴于準確的標注數據，但醫生手工逐像素的標注費時費力，難以形成大規模的有效訓練數據。于計數而言，逐像素的識別結果需要更多的后處理步驟，例如使用分水嶺算法進一步分割。

(3)細胞形態復雜，逐像素的完整標記很難完成智能化學習，也難以擴展，容易讓深度學習模型陷入只能識別單一形態和單一顏色細胞的狀態。

發明內容

針對現有技術的不足，本發明提出了一種非完備標記方案，即細胞個體的全部像素點并未被全部標記，而只是以矩形標注了其中心。這種方式不僅高效，更對后續的統計計數是極其有利的，因此增強了本發明的易用性和擴展性，提高了準確度。

本發明基于深度神經網絡的細胞計數方法，輸入任意尺寸的病理圖像，自動快速準確地計算出陰性細胞和陽性細胞的數量及比例，輔助醫生的工作。

本發明還提出了一種計算機設備和存儲介質。

術語解釋：

1、標注軟件，在本發明實踐中采用MATLAB R2019b的工具箱Image Labeler。

2、S型函數sigmoid，該函數定義為將任意實數x映射到區間(0,1)，常用來表示屬于所研究類別的概率。