[发明专利]基于深度学习神经网络的细胞检测与分割的系统和方法

说明书

本发明提出一种基于深度学习神经网络的细胞检测分割的系统和方法。其中，方法利用深度学习的方法对细胞病理图片进行检测，将图片中的正常细胞、炎症细胞、滴虫细胞、萎缩细胞和HPV病毒等细胞分割出来，标记每一种类型并分别统计它们的数量，对患者是否被感染、发炎等患病情况进行判断，为病理医生提供一个可靠高效的辅助诊断。本发明具有简单有效，所需硬件配置少，实施成本低的优点。

技术领域

本发明涉及深度学习技术在医学图像处理方面的应用，尤其涉及一种基于深度学习神经网络的细胞检测分割的系统和方法。

背景技术

宫颈癌是女性健康的重要杀手。其发病率在女性恶性肿瘤中居第二位，仅次于乳腺癌。统计数据显示，每年约有2-3万人死于宫颈癌，并呈上升趋势及年轻化。TCT宫颈防癌细胞学检查是一项重要的检查手段，能够检查出宫颈癌细胞，同时还能发现部分癌前病变，微生物感染如霉菌、滴虫、病毒、衣原体等。但病理图像通常都是超大像素图像，传统方法需要靠病理医生来检查全片，需要耗费很长的时间和极大的精力。深度学习技术在近几年来得到迅速的发展，在医学图像处理方向上也得到了极大的应用。深度学习技术可以辅助医生进行快速诊断，减少诊断时间，提高诊断效率。本发明提出的基于深度学习神经网络的细胞检测分割的方法能够快速地检测出病理图像中的细胞种类情况，为医生提供辅助诊断依据。

发明内容

本发明的技术解决问题是：通过深度学习技术检测细胞种类，能够快速地检测出病理图像中的细胞种类情况，为医生提供辅助诊断依据的一种基于深度学习神经网络的细胞检测分割的系统和方法。

本发明提供了一种基于深度学习神经网络的细胞检测分割的系统，该系统包括：图像截取模块、训练模块、特征处理模块、特征融合模块、图像拼接和数据分析模块；

所述图像截取模块用于读取超大图像(例如8w x 8w像素的图像)，通过滑动窗口的方法将图像切割成N个感兴趣区域；

所述训练模块用于构造深度学习神经网络，使用截取的数据进行训练，得到细胞的分类和分割模型；

所述特征处理模块用于从截取的每一张图像中提取细胞病理特征，记录每个特征的位置和大小，对细胞特征进行分类和分割；

所述特征融合模块用于将所述特征提取模块中的细胞特征进行分析，对漏识别、误识别的细胞进行筛查，并将处理结果融合在一起；

所述图像拼接模块用于将经过检测后的N个图像依次拼接成原来的图像；

所述数据分析模块用于统计病理图像中的细胞类型和数量，对患者是否被感染、发炎等患病情况进行判断。

本发明还提供一种基于深度学习神经网络的细胞检测分割的方法，包括如下步骤：

步骤1: 图像截取，通过滑动窗口的方法将图像分割成N个感兴趣区域图像；

步骤2: 训练，构造深度学习神经网络，将步骤1分割出来的N个感兴趣区域图像输入深度学习神经网络进行训练，得到细胞的分类和分割模型；

步骤3: 特征处理：使用训练好的深度学习神经网络模型提取候选框，对每个细胞的特征候选区域进行分类和分割；

步骤4: 特征融合：处理因处于图像边缘而漏识别、误识别的细胞，将经过处理后的细胞进行融合；

步骤5: 图像拼接，将N个经过处理后的感兴趣区域图像拼接成原来的图像；

步骤6: 数据分析，统计图像中细胞的类型和数量，进行病情判断。

所述步骤1的具体步骤为：读取图像，从图像左边起，取512 x 512大小的窗口，以窗口边长的25%为步长依次滑动窗口，将图像分割成N个感兴趣区域图像。

所述步骤2的具体步骤为：