[发明专利]一种细胞核分割方法及装置

权利要求书

1.一种细胞核分割方法，其特征在于，包括：

在待分割图像的分辨率不大于预设分辨率的情况下，将所述待分割图像输入训练后的分割模型中，得到对所述待分割图像中细胞核的分割结果；所述预设分辨率通过所述训练后的分割模型固定的输入分辨率确定；

所述训练后的分割模型是采用不同类型的训练样本，分别对预设的分割模型进行训练得到；所述训练样本的图像分辨率不大于所述预设分辨率；其中，先以预设的自然场景图像为训练样本，对所述预设的分割模型进行训练，得到第一分割模型；再以多种组织分别对应的多类别组织病理图像为训练样本，对所述第一分割模型进行训练，得到第二分割模型；最后以所需组织的多类别组织病理图像为训练样本，对所述第二分割模型进行训练，得到所述训练后的分割模型。

2.根据权利要求1所述的方法，其特征在于，还包括：

在所述待分割图像的分辨率大于所述预设分辨率的情况下，对所述待分割图像进行分块，得到多个分块图像；任一分块图像的分辨率不大于所述预设分辨率；

将所述多个分块图像依次输入所述训练后的分割模型，输出细胞核分割结果；

将所述细胞核分割结果中，非完整细胞的分割结果进行合并，得到所述待分割图像中各完整细胞核的分割结果；所述非完整细胞的分割结果为所述待分割图像中的完整细胞核，被分块在不同的分块图像后形成的非完整细胞核的分割结果。

3.根据权利要求1所述的方法，其特征在于，所述预设的分割模型是按照骨干网络、特征网络金字塔层、候选区域生成网络、区域对齐网络和预设的全卷积神经网络的顺序，依次连接得到；所述骨干网络通过移除ResNet101模型的全局池化层和全连接层得到；

对于输入所述预设的分割模型的图像，所述骨干网络，用于输出所述图像的四级特征图；

所述特征网络金字塔层，用于对所述四级特征图进行融合，得到5个特征金字塔图；

所述候选区域生成网络，用于针对每个所述特征金字塔图，分别采用相应的预设尺寸的矩形框对细胞核进行标记，得到候选区域；一个矩形框所在的区域为一个候选区域；

所述区域对齐网络，用于从所述候选区域中删除目标候选区域，得到待处理候选区域；所述目标候选区域包括：冗余候选区域和置信度低于预设阈值的候选区域；

所述全卷积神经网络，用于分别从每个待处理候选区域中提取特征向量，并依据所述特征向量进行细胞分割。

4.根据权利要求1所述的方法，其特征在于，在对所述第一分割模型进行训练之前，还包括：

对所述多种组织分别对应的多类别组织病理图像，按照类别进行分类，得到各类别下的多种组织病理图像；

在所述各类别下的多种组织病理图像不满足预设均衡标准的情况下，对于任一类别下的多种组织病理图像的数量小于预设数量阈值的情况下，对该类别下的多种组织病理图像进行过采样，得到均衡后的各类别下的多种组织病理图像；

对全部的组织病理图像进行颜色正则化操作；

对所述颜色正则化后的组织病理图像进行在线的随机数据增强操作，得到用于对所述第一分割模型进行训练的训练样本。

5.根据权利要求1所述的方法，其特征在于，在所述对所述第二分割模型进行训练之前，还包括：

对所述所需组织的多类别组织病理图像，按照类别进行分类，得到各类别下的组织病理图像；

在所述各类别下的组织病理图像不满足预设均衡标准的情况下，对于任一类别下的组织病理图像的数量小于预设数量阈值的情况下，对该类别下的组织病理图像进行过采样，得到均衡后的各类别下的组织病理图像；

对全部的组织病理图像进行颜色正则化操作；

对所述颜色正则化后的组织病理图像进行在线的随机数据增强操作，得到用于对所述第二分割模型进行训练的训练样本。

6.根据权利要求1所述的方法，其特征在于，在所述将所述待分割图像输入所述训练后的分割模型之前，还包括：

对所述待分割图像进行颜色正则化操作，得到颜色正则化后的待分割图像；

将所述颜色正则化后的待分割图像，输入所述训练后分割模型，得到对所述分割图像中细胞核的分割结果。