[發(fā)明專利]一種識別眼底圖像中細(xì)胞的方法及裝置

在審

• 申請?zhí)枺?/td>: 202211071164.4
• 申請日: 2022-09-01
• 公開（公告）號: CN115424093A
• 公開（公告）日: 2022-12-02
• 發(fā)明（設(shè)計）人: 李凱文;殷琪;任驥;張杰
• 申請（專利權(quán)）人: 南京博視醫(yī)療科技有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/82;G06V20/69;G06T7/00;G06T7/13;G06T7/11;G06T7/66
• 代理公司: 北京智丞瀚方知識產(chǎn)權(quán)代理有限公司 11810
• 代理人: 周學(xué)永

本申請?zhí)峁┝艘环N識別眼底圖像中細(xì)胞的方法及裝置，該方法包括：對細(xì)胞圖像進(jìn)行預(yù)處理；構(gòu)建訓(xùn)練集和驗證集的圖像樣本和分類標(biāo)簽樣本；其中分類標(biāo)簽包括細(xì)胞標(biāo)簽、細(xì)胞邊緣標(biāo)簽和背景標(biāo)簽；利用訓(xùn)練集和驗證集的圖像樣本和分類標(biāo)簽樣本訓(xùn)練和驗證神經(jīng)網(wǎng)絡(luò)模型；利用訓(xùn)練和驗證后的神經(jīng)網(wǎng)絡(luò)模型處理預(yù)處理后的細(xì)胞圖像，獲得細(xì)胞圖像的分類預(yù)測結(jié)果，并得到細(xì)胞概率結(jié)果；根據(jù)細(xì)胞概率結(jié)果獲得細(xì)胞中心點。根據(jù)本申請的技術(shù)方案，通過加入細(xì)胞邊緣分類，從而減少細(xì)胞黏連的現(xiàn)象，使得得到的細(xì)胞概率圖更加準(zhǔn)確。

技術(shù)領(lǐng)域

本申請涉及圖像處理領(lǐng)域，尤其涉及一種識別眼底圖像中細(xì)胞的方法及裝置。

背景技術(shù)

視網(wǎng)膜是眼睛的重要組織，包括在視網(wǎng)膜的黃斑區(qū)分布有視錐細(xì)胞，用來分辨精細(xì)形態(tài)和色覺。隨著年齡增大，患上黃斑病變的可能性會增加。通過視網(wǎng)膜黃斑區(qū)視錐細(xì)胞的圖像來對黃斑病變早期干預(yù)和預(yù)防是非常重要，可以使患者免于重大視力喪失。

CN103745257B公開了一種基于圖像識別的錐細(xì)胞密度的計算方法，其中涉及視錐細(xì)胞的識別方法，其采用濾波、傅里葉變換、二值化、膨脹處理等操作得到細(xì)胞質(zhì)心，再進(jìn)行圖像的三角分割，并輔以人工處理，從而完成視錐細(xì)胞的識別。該技術(shù)方案自動化程度低，難以適應(yīng)醫(yī)療技術(shù)發(fā)展的需要，因而需要提供新的視錐細(xì)胞識別技術(shù)方案。

發(fā)明內(nèi)容

有鑒于此，本申請?zhí)岢隽艘环N識別眼底圖像中細(xì)胞的方法及裝置，以提高細(xì)胞概率圖的準(zhǔn)確性。

根據(jù)本申請的一個方面，本申請?zhí)峁┝艘环N識別眼底圖像中細(xì)胞的方法，該方法包括：

對細(xì)胞圖像進(jìn)行預(yù)處理；

構(gòu)建訓(xùn)練集和驗證集的圖像樣本和分類標(biāo)簽樣本；其中分類標(biāo)簽包括細(xì)胞標(biāo)簽、細(xì)胞邊緣標(biāo)簽和背景標(biāo)簽；

利用訓(xùn)練集和驗證集的圖像樣本和分類標(biāo)簽樣本訓(xùn)練和驗證神經(jīng)網(wǎng)絡(luò)模型；

利用訓(xùn)練和驗證后的神經(jīng)網(wǎng)絡(luò)模型處理預(yù)處理后的細(xì)胞圖像，獲得細(xì)胞圖像的分類預(yù)測結(jié)果，并得到細(xì)胞概率結(jié)果；

根據(jù)細(xì)胞概率結(jié)果獲得細(xì)胞中心點。

優(yōu)選地，在圖像樣本中，當(dāng)細(xì)胞邊緣內(nèi)部所含細(xì)胞像素數(shù)量大于或等于預(yù)設(shè)值情況下，采用的分類標(biāo)簽為細(xì)胞標(biāo)簽、細(xì)胞邊緣標(biāo)簽和背景標(biāo)簽；當(dāng)細(xì)胞邊緣內(nèi)部所含細(xì)胞像素數(shù)量小于預(yù)設(shè)值的情況下，分類標(biāo)簽為細(xì)胞標(biāo)簽和背景標(biāo)簽。

優(yōu)選地，該方法還包括：在所述構(gòu)建訓(xùn)練集和驗證集的圖像樣本和分類標(biāo)簽樣本的同時，構(gòu)建分類標(biāo)簽所對應(yīng)的權(quán)重標(biāo)簽樣本；

利用訓(xùn)練集和驗證集的圖像樣本、分類標(biāo)簽樣本和權(quán)重標(biāo)簽樣本訓(xùn)練和驗證神經(jīng)網(wǎng)絡(luò)模型；

所述利用訓(xùn)練集和驗證集的圖像樣本、分類標(biāo)簽樣本和權(quán)重標(biāo)簽樣本訓(xùn)練和驗證神經(jīng)網(wǎng)絡(luò)模型包括特征提取模塊和與特征提取模塊連接的多任務(wù)學(xué)習(xí)模塊，多任務(wù)學(xué)習(xí)模塊用于完成分類任務(wù)、權(quán)重預(yù)測的線性回歸任務(wù)及任務(wù)間的交互；

所述任務(wù)間的交互為將權(quán)重預(yù)測的線性回歸任務(wù)最后一層卷積層輸出的結(jié)果與分類任務(wù)最后一層卷積層輸出的結(jié)果進(jìn)行點乘操作，將點乘結(jié)果進(jìn)行分類預(yù)測計算分類損失。

優(yōu)選地，所述利用訓(xùn)練集和驗證集的圖像樣本、分類標(biāo)簽樣本和權(quán)重標(biāo)簽樣本訓(xùn)練和驗證神經(jīng)網(wǎng)絡(luò)模型還包括域自適應(yīng)模塊，用于處理多種模態(tài)圖像；所述域自適應(yīng)模塊與所述特征提取模塊相連。

優(yōu)選地，構(gòu)建訓(xùn)練集和驗證集的分類標(biāo)簽樣本包括：

檢測已有數(shù)據(jù)集中二分類標(biāo)簽的細(xì)胞邊緣輪廓，設(shè)置細(xì)胞邊緣對應(yīng)的像素值為第三像素值，從而構(gòu)建包含像素值為第一像素值的背景、像素值為第三像素值的細(xì)胞邊緣以及像素值為第二像素值的細(xì)胞的三分類標(biāo)簽圖，其中，檢測到的細(xì)胞邊緣為圖像邊緣的情況下，設(shè)置細(xì)胞邊緣對應(yīng)的像素值為第二像素值；或者手動標(biāo)注細(xì)胞圖像，得到三分類標(biāo)簽圖；