[發(fā)明專利]一種基于標(biāo)簽校正的元學(xué)習(xí)細(xì)胞核分割系統(tǒng)及方法

有效

• 申請?zhí)枺?/td>: 202110651067.1
• 申請日: 2021-06-10
• 公開（公告）號: CN113450363B
• 公開（公告）日: 2023-05-02
• 發(fā)明（設(shè)計）人: 李辰;時江波;高澤宇;鮑鑫睿
• 申請（專利權(quán)）人: 西安交通大學(xué)
• 主分類號: G06T7/10
• 分類號: G06T7/10
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 閔岳峰

本發(fā)明公開了一種基于標(biāo)簽校正的元學(xué)習(xí)細(xì)胞核分割系統(tǒng)及方法，該系統(tǒng)包括細(xì)胞核提取模塊、分割校正模塊和后處理模塊；該方法包括：對于一張原始的病理圖片以及其相應(yīng)部分噪聲標(biāo)注，將所有的連通域提取出，并進(jìn)行像素級掩膜校正；對提取的每個連通域噪聲標(biāo)注和相應(yīng)原圖，通過該標(biāo)簽校正網(wǎng)絡(luò)完成對噪聲標(biāo)簽的校正，監(jiān)督分割網(wǎng)絡(luò)的訓(xùn)練；獲得每個連通域噪聲標(biāo)簽的校正掩膜之后，對所有的校正掩膜用帶有標(biāo)識符的分水嶺算法，分割開重疊細(xì)胞核的標(biāo)注，最終對于每個細(xì)胞核都能獲得分割邊界。本發(fā)明訓(xùn)練的網(wǎng)絡(luò)模型可以準(zhǔn)確識別每個細(xì)胞核的邊界輪廓，輔助病理臨床診斷，提升病理醫(yī)生的工作效率，同時支撐下游腫瘤微環(huán)境研究等任務(wù)。

技術(shù)領(lǐng)域

本發(fā)明屬于醫(yī)學(xué)圖像處理與計算機(jī)視覺技術(shù)領(lǐng)域，具體涉及一種基于標(biāo)簽校正的元學(xué)習(xí)細(xì)胞核分割系統(tǒng)及方法。

背景技術(shù)

病理診斷是癌癥審查的“金標(biāo)準(zhǔn)”。細(xì)胞核分割任務(wù)是從病理圖像中將所有的細(xì)胞核從背景中分離出來。準(zhǔn)確分割出所有的細(xì)胞核對于輔助臨床病理診斷至關(guān)重要。在傳統(tǒng)病理診斷中，病理醫(yī)生需要在顯微鏡視野下人工找到所有的細(xì)胞核并對細(xì)胞核的惡性程度進(jìn)行判斷，再通過細(xì)胞核形態(tài)學(xué)特征比如核質(zhì)比、面積等來確定癌癥等級，給出病理診斷報告，幫助提升病人的預(yù)后。一張病理切片通常含有數(shù)百萬個細(xì)胞核且切片的染色參差不齊，這給快速準(zhǔn)確的病理診斷帶來了巨大的挑戰(zhàn)。在數(shù)字病理圖像分析中，細(xì)胞核的準(zhǔn)確分割也對基因型表型關(guān)聯(lián)，預(yù)后分析等下游任務(wù)具有重要的支撐作用。

經(jīng)典的機(jī)器學(xué)習(xí)方法由于受到病理切片染色質(zhì)量和細(xì)胞核多形性等影響，很難通過人工設(shè)計的特征，建立一個具有良好泛化性能的模型，實現(xiàn)細(xì)胞核的準(zhǔn)確分割。近些年，隨著以深度學(xué)習(xí)為代表的人工智能技術(shù)的發(fā)展，在多個癌種環(huán)境中，深度學(xué)習(xí)模型取得了良好的分割性能。大規(guī)模帶標(biāo)注數(shù)據(jù)是訓(xùn)練良好深度學(xué)習(xí)模型的燃料。病理圖像包含復(fù)雜的表型信息，比如細(xì)胞核的數(shù)量多、密集重疊、且通常以簇或者團(tuán)的形式出現(xiàn)。病理圖像等醫(yī)學(xué)圖像的標(biāo)注通常還具有一定的醫(yī)學(xué)知識瓶頸。這導(dǎo)致大規(guī)模細(xì)粒度精細(xì)標(biāo)注病理數(shù)據(jù)的難以獲取，且由于不同標(biāo)注者間置信度低等原因進(jìn)一步導(dǎo)致數(shù)據(jù)標(biāo)注通常含有一定量的噪聲。如何利用帶有部分標(biāo)注或者帶有噪聲標(biāo)注的數(shù)據(jù)訓(xùn)練一個具有良好分割性能的模型十分重要。

目前主要有兩類用來解決利用部分標(biāo)注或者噪聲標(biāo)注進(jìn)行訓(xùn)練的方法。第一類是引入額外的先驗知識，人為生成額外的約束，輔助監(jiān)督模型訓(xùn)練，一定程度上緩解數(shù)據(jù)標(biāo)注不足的問題。比如，基于點稀疏標(biāo)注生成聚類標(biāo)簽和泰森多邊形監(jiān)督貝葉斯網(wǎng)絡(luò)，從中挑選出不確定性大的細(xì)胞核交由標(biāo)注者進(jìn)行標(biāo)注，極大緩解標(biāo)注的負(fù)擔(dān)。這類方法的主要問題是需要基于外部知識生成偽標(biāo)簽并進(jìn)行迭代優(yōu)化，當(dāng)數(shù)據(jù)中含有較多噪聲的時候，模型很難收斂到較好的性能。第二類是采用損失加權(quán)的方法。通過學(xué)習(xí)權(quán)重矩陣降低噪聲標(biāo)注損失對于模型訓(xùn)練的影響。比如，通過對每個像素?fù)p失梯度方向生成重要性權(quán)重，來調(diào)整每個像素點對于模型優(yōu)化的貢獻(xiàn)，弱化模型訓(xùn)練時噪聲標(biāo)注的影響。這類方法的局限是只能增加或者降低在學(xué)習(xí)過程中實例貢獻(xiàn)的權(quán)重，并且存在信息瓶頸的問題，由于這種方法是對損失函數(shù)的重要性進(jìn)行加權(quán)，如果不同的輸入對的損失相同，學(xué)習(xí)到的重要性權(quán)重?zé)o法進(jìn)行有效區(qū)分。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于標(biāo)簽校正的元學(xué)習(xí)細(xì)胞核分割系統(tǒng)及方法，以克服現(xiàn)有技術(shù)的不足。

為達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于標(biāo)簽校正的元學(xué)習(xí)細(xì)胞核分割系統(tǒng)，包括細(xì)胞核提取模塊、分割校正模塊和后處理模塊；

細(xì)胞核提取模塊根據(jù)部分標(biāo)注或噪聲標(biāo)注預(yù)先訓(xùn)練一個分割模型，得到初始分割結(jié)果，將初始分割結(jié)果中的每一個聯(lián)通區(qū)域提取出，輸入到下一模塊；

分割校正模塊根據(jù)噪聲標(biāo)簽和相應(yīng)的圖片，在總樣本數(shù)百分之五細(xì)粒度精度標(biāo)注的輔助下，訓(xùn)練一個分割網(wǎng)絡(luò)和標(biāo)簽校正網(wǎng)絡(luò)，完成對噪聲細(xì)胞核標(biāo)簽的校正；其中，分割網(wǎng)絡(luò)輸入病理圖片生成分割掩膜特征圖，標(biāo)簽校正網(wǎng)絡(luò)輸入分割特征圖和噪聲標(biāo)簽生成校正標(biāo)簽監(jiān)督分割網(wǎng)絡(luò)的訓(xùn)練；

后處理模塊在分割校正模塊輸出結(jié)果的基礎(chǔ)上，采用基于標(biāo)識符的分水嶺算法將重疊的細(xì)胞核掩膜分隔開。