[发明专利]基于深度学习的高分辨率显微内窥镜图像细胞核分割方法

说明书

本发明公开了一种基于深度学习的高分辨率显微内窥镜图像细胞核分割方法，该方法包括：获取原始内窥镜图像，对内窥镜图像进行细胞核的像素级标注，得到细胞核的掩码图像，并将标注后的掩码图像与内窥镜图像一并分成训练集、验证集；构建分层多尺度注意机制高分辨卷积神经网络模型；训练数据集进行数据增强后输入至所述卷积神经网络中进行迭代训练，并使用验证集判断迭代训练是否完成；当判断迭代训练完成后，将所述原始内窥镜图像输入至训练后的所述卷积神经网络，输出内窥镜图像中各像素属于细胞核的预测概率，得到所述细胞核的分割结果，实现对输入图像的精确分割。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于深度学习的显微内窥镜图像细胞核分割方法。

背景技术

内窥镜是一种可以探测物体内部影像信息的光学器件，医用内窥镜可以经过人体的天然孔道或手术的小切口进入人体内，可以帮助医生看到X射线不能显示的人体内部结构，是体内病变探察诊断和微创手术的必备医疗设备，被广泛应用于临床医学的各个领域。普通内窥镜在宏观尺度上观察体内组织，识别可疑区域，必要时钳取可疑组织到体外进行组织病理学诊断，这是一个带有创伤的过程，常伴随出血、感染、早期漏诊等现象，具有一定的风险性。而高分辨率显微内窥镜使得对活体组织的显微观察能够达到与组织学样品的体外显微成像相当的放大倍数和分辨率，则无需取样活检即可实现体内器官的实时高分辨率组织病理学诊断，是早期病变无创诊断的重要器具，尤其对于常规内窥镜难以发现的病变早期诊断具有重大意义。

高分辨率显微内窥镜能拍摄出高分辨率的内窥镜图像，医生根据自身的先验知识对这些图像的定量分析(如细胞或细胞核大小、形状、密度、数量和多形性等)，为医学诊断提供可靠的支持，并据此制定对应的方案。然而，内窥镜图像使得医生在进行判断分析时需要花费过多的时间，并且往往带有主观性，易造成误判。与时间消耗性强、复现性差、主观性强的人工处理过程相比，基于图像处理的细胞核自动分割技术，可以快速、准确、可重现的获得客观的定量数据，从而提高对内窥镜图像的分析效率。在保证准确率的前提下，显著提高观测的复现性、时效性和客观性，可以将基础科学研究者和临床医生从无聊和重复的日常工作中解救出来。传统的细胞核分割方法主要有距离变换、形态学运算、区域特征提取、霍夫变换等方法，往往只适用于图像背景简单、细胞分布稀疏的细胞核分割任务。基于深度学习的细胞核分割模型利用卷积神经网络，对图像上的每个像素点进行分类，这种方式虽然可以准确分类大多数的像素点，但是依赖于更深的网络模型、更庞大的参数量。这些复杂的网络模型能有效提取全局一致性较强的上下文特征，但是缺乏边界空间信息，对细胞核边界的分割并不友好，在处理显微内窥镜图像时，易受图像背景复杂、细胞排布紧密、细胞边界模糊、大小形态染色深浅各不相同等因素的干扰，导致细胞核分割的鲁棒性差、准确率低，因此，现有技术还有待于改进和发展。

发明内容

针对现有技术存在的问题，本发明提出了一种基于深度学习的显微内窥镜图像细胞核分割方法，通过高分辨网络与分层多尺度注意机制，融合不同层次的特征，实现细胞核边界的精确分割,解决现有技术对显微内窥镜图像细胞核分割准确度低的问题，并减少了人工处理成本。

为实现本发明的目的，采用如下技术方案：一种基于深度学习的显微内窥镜图像细胞核分割方法，包括如下步骤：

(1)收集原始内窥镜细胞核图像集，根据先验知识对所述原始内窥镜细胞核图像集进行细胞核的像素级标注，获取细胞核的掩膜图像集，并将所述掩码图像集与原始内窥镜细胞核图像集进行去中心化，使其均值为零，再进行正则化处理，获得图像数据集；所述图像数据集分为训练集以及验证集；

(2)构建分层多尺度注意机制高分辨卷积神经网络模型：所述的分层多尺度注意机制高分辨卷积神经网络模型由第一编码网络、第二编码网络、第三编码网络分别与解码网络连接组成；所述第一编码网络的结构为高分辨网络，所述第二编码网络、第三编码网络均由多个卷积层、池化层组成，所述解码网络包括三个不同尺度的特征映射层、卷积层和softmax层；

(3)训练分层多尺度注意机制高分辨卷积神经网络模型，包括如下子步骤：