[发明专利]一种基于病理图像的细胞标注方法及系统

权利要求书

1.一种基于病理图像的细胞标注方法，其特征在于，包括以下步骤：

采集病理图像，通过对所述病理图像进行分割，构建用于深度学习网络的数据集，其中，所述深度学习网络为具有跳跃连接结构的卷积神经网络；

基于所述深度学习网络，通过选取所述数据集的训练集进行训练，并通过所述数据集的测试集进行测试后，构建用于识别细胞形状轮廓的深度学习网络模型，其中，所述深度学习网络模型用于对待细胞标注的病理图像进行细胞标注。

2.如权利要求1所述一种基于病理图像的细胞标注方法，其特征在于，

在构建用于深度学习网络的数据集的过程中，所述深度学习网络包括，

特征提取模块，用于通过设计所述跳跃连接结构，对浅层级特征与高层级特征进行融合，获取细胞轮廓特征；

特征映射模块，用于根据所述特征提取模块提取的所述细胞轮廓特征生成映射图像；

可形变池化模块，用于根据所述映射图像，获得维度相同的深度细胞轮廓特征；

输出模块，用于通过构建两个连接层，根据所述深度细胞轮廓特征，对所述病理图像进行细胞分类以及定位。

3.如权利要求2所述一种基于病理图像的细胞标注方法，其特征在于，

在获取所述细胞轮廓特征的过程中，所述特征提取模块包括至少n个卷积池化层，以及m个所述跳跃连接结构，其中，7≤n≤13，n为奇数，m＝n/2+0.5，每个卷积池化层由1个卷基层和1个最大池化层组成，所述跳跃连接结构为Concatenate特征连接单元。

4.如权利要求3所述一种基于病理图像的细胞标注方法，其特征在于，

在获取所述细胞轮廓特征的过程中，取第m层卷积池化层为对称中心将所述特征提取模块划分为左侧卷积池化层和右侧卷积池化层，通过所述跳跃连接结构，将所述左侧卷积池化层的输入端与所述右侧卷积池化层的输出端连接，构建所述特征提取模块。

5.如权利要求4所述的一种基于病理图像的细胞标注方法，其特征在于，

所述卷积池化层由一个卷积层和一个最大池化层构成，其中，所述卷积层为可形变卷积，用于在标准卷积的基础上对卷积核中的每个卷积采样点加一个偏移量，以实现对细胞任意形变的卷积操作。

6.如权利要求5所述一种基于病理图像的细胞标注方法，其特征在于，

所述可形变卷积为：

其中，R表示通过对所述病理图像进行分割获得的patch，R定义为R＝{(-1,-1),(-1,0),…,(0,1),(1,1)}，p₀是R中的元素，w表示每个采样点p的值与卷积核对应位置的权值，x是输入特征图，Δp_n是在标准卷积的基础上增加的偏移量，n是R中的元素个数，所述可形变卷积的卷积核的大小是3×3。

7.如权利要求6所述一种基于病理图像的细胞标注方法，其特征在于，

所述细胞标注方法还包括人工二次标注过程，包括以下步骤：

根据所述深度学习网络模型，获得细胞的线性细胞轮廓；

根据所述线性细胞轮廓，采集所述细胞的分类标注信息，通过人工进行数字标注表达并计数，获得指定的细胞形状轮廓及分类计数，并生成具有细胞轮廓的数字病理图像。

8.一种基于病理图像的细胞标注系统，其特征在于，包括，

图像采集模块，用于获取病理图像；

图像处理模块，用于通过对所述病理图像进行分割，获得用于深度学习网络的数据集，其中，所述深度学习网络为具有跳跃连接结构的卷积神经网络；

图像特征提取与识别模块，用于基于所述深度学习网络，通过选取所述数据集的训练集进行训练，并通过所述数据集的测试集进行测试后，构建用于识别细胞形状轮廓的深度学习网络模型，其中，所述深度学习网络模型用于对待细胞标注的病理图像进行细胞标注。