[发明专利]基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统

权利要求书

1.一种基于Mask-RCNN的子宫颈细胞涂片的图像分割方法，其特征在于，包括以下步骤：

a、数据集构建步骤，包括训练数据集、验证数据集和测试数据集的准备与标注，以及数据集的归一化及预处理；

b、模型的构建和训练步骤，构建基于Mask-RCNN的图像分割模型并利用所述训练数据集训练该模型，以及利用所述验证数据集验证该模型的图像分割结果；

c、模型的验证步骤，利用所述测试数据集测试该模型，同时利用相似性系数评价分割结果；

步骤a中，所述训练数据集、验证数据集和测试数据集的准备与标注步骤具体包括：

a1、选取一定数量的符合临床标准的子宫颈细胞涂片图像，每张图像选取一个宽和高大约为1500像素的包含细胞的区域，用选取的区域构成所述数据集；

a2、将所述数据集分为训练数据集、验证数据集和测试数据集，并且所述训练数据集、验证数据集和测试数据集的数量比为(6.5~7.5):1:(1.5~2.5)；

a3、对区域中的细胞进行多边形标注，标注为闭合的多边形轮廓，存储多边形及多边形对应的类别为细胞；用同样的方法对区域中的细胞核进行多边形标注，存储多边形及多边形对应的类别为细胞核；

a4、对每个多边形标注生成相应的分割模板：多边形内定义为细胞或细胞核，填充1，多边形外定义为背景，填充0，对每一个标注的细胞及细胞核轮廓实例生成模板图片；

步骤b中，所述构建基于Mask-RCNN的图像分割模型的步骤具体包括：

b1、构建特征提取网络，该特征提取网络为主要由重复堆砌的卷积层、采样层及非线性激活层组成的神经网络架构，基于深度学习中的反向传播算法，利用所述数据集中所含物体类别标签进行预训练，总结提取图像抽象特征，输出图像的高维特征张量；

b2、构建区域选取网络，该区域选取网络主要由全连接层和非线性激活层组成，其通过在所述特征提取网络输出的高维特征张量上进行滑窗分类和物体边界框坐标回归，分类结果为判断当前该窗口位置包含细胞或细胞核的概率及估计当前窗口所含细胞的尺寸和长宽比，当前窗口位置即对应原图像中相应坐标位置，实现对细胞及细胞核的位置，大小，外接矩形框的长宽比进行估计；

b3、构建分类网络，该分类网络主要由堆砌的全连接层和非线性激活层组成，用于对所述区域选取网络输出中，包含细胞及细胞核的位置所对应的高维特征张量进行分类，判断该区域中所包含的目标是细胞，细胞核或是背景；

b4、构建分割网络，该分割网络主要由重复堆砌的卷积层组成，通过卷积及转置卷积，输入为所述区域选取网络中分类结果包含细胞和细胞核的区域所对应的所述特征提取网络输出结果中的高维张量的子张量，该子张量包含对原图中细胞及细胞核的形状和特征的抽象编码，该分割网络用于对该抽象编码进行解码和重构，输出重构后的分割模板，以完成细胞及细胞核的图像分割。

2.如权利要求1所述的图像分割方法，其特征在于，步骤a1中，所述子宫颈细胞涂片图像的数量为90~130张，且所述训练数据集、验证数据集和测试数据集的数量比为7:1:2。

3.如权利要求1所述的图像分割方法，其特征在于，步骤a1中，所述数据集的归一化及预处理的步骤具体包括：

获取数据集中图像的mpp参数，通过双线性插值法进行放大或缩小以使图像具有相近的物理尺寸。

4.如权利要求1所述的图像分割方法，其特征在于，步骤a还包括以下步骤：

a5、数据增强，将所述训练数据集中的图像进行随机切割和镜像操作，以对训练数据集进行扩充。

5.如权利要求4所述的图像分割方法，其特征在于，步骤a5具体包括以下步骤：

随机切割，在所述训练数据集中的单张图像范围内，在随机位置切割尺寸大小为512*512像素的图片，同时对所切512*512像素范围内所对应的标注模板进行切割，生成训练所述图像分割模型时的标签，每张图随机切割10次，构成训练样本集一；

垂直镜像，对训练样本集一及其标注图像同时进行垂直镜像，与训练样本集一汇总形成训练样本集二；

水平镜像，对训练样本集二及其标注图像同时进行水平镜像，与训练样本集二汇总形成训练样本集三，训练样本集三为训练所述图像分割模型所使用的训练数据。