[发明专利]一种基于病理图像的细胞标注方法及系统

说明书

本发明公开了一种基于病理图像的细胞标注方法及系统，方法包括以下步骤，采集病理图像，通过对病理图像进行分割，构建用于深度学习网络的数据集；基于深度学习网络，通过选取数据集的训练集进行训练，并通过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；系统包括图像采集模块，图像处理模块，图像特征提取与识别模块，第一显示模块，第二显示模块，保存模块，各个模块通过模块之间的数据交互功能实现了系统的功能实现，本发明通过深度学习自动分割，人工二次标注，以实现细胞的快速、精准标注。

技术领域

本发明属于医学病理图像分析领域，特别是涉及一种基于病理图像的细胞标注方法及系统。

背景技术

数字化病理切片是利用全玻片数字成像扫描技术，应用现代数字系统与传统光学放大装置有机结合的技术，通过全自动显微镜扫描采集到高分辨数字图像，应用计算机数据处理软件对所得图像进行无缝拼接处理，生成整张全视野的数字化切片。与传统病理切片相比，数字化病理系统易于保存管理、方便浏览传输，实现了可视化数据的永久储存和不受时空限制的同步浏览处理。

病理诊断是癌症是诊断的金标准，病理图像中蕴含极大的信息量。基于人工阅片的的病理诊断，其准确性依赖于病理医生的知识储备及临床经验，存在一定的主观性。计算机辅助诊断具有客观性、可重复性，是未来的发展趋势。随着数字病理图像成像技术不断成熟，基于全玻片扫描的数字化病理图像智能诊断分析系统也在飞速发展。

但是数字化病理诊断的相关研究，尤其是基于深度学习的数字病理图像研究，需要大量的数字病理图像标注信息，准确的标注信息可以提高诊断系统的准确率。然而目前数字化的病理图像标注方式费时费力，标注勾画时边缘准确性难以保证，难以对细胞进行快速、精准标注。

发明内容

针对目前数字化的病理图像标注方式费时费力，标注勾画时边缘准确性难以保证，难以对细胞进行快速、精准标注的问题，本发明的目的是提供一种基于病理图像的细胞标注方法及系统，通过深度学习自动分割，人工二次标注，以实现细胞的快速、精准标注。

为了实现本发明的目的，本发明提供了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，通过对病理图像进行分割，构建用于深度学习网络的数据集，其中，深度学习网络为具有跳跃连接结构的卷积神经网络；

基于深度学习网络，通过选取数据集的训练集进行训练，并通过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，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。

优选地，在构建用于深度学习网络的数据集的过程中，深度学习网络包括，

特征提取模块，用于通过设计跳跃连接结构，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，用于根据特征提取模块提取的细胞轮廓特征生成映射图像；

可形变池化模块，用于根据映射图像，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，根据深度细胞轮廓特征，对病理图像进行细胞分类以及定位。

优选地，在获取细胞轮廓特征的过程中，特征提取模块包括至少n个卷积池化层，以及m个跳跃连接结构，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，跳跃连接结构为Concatenate特征连接单元。

优选地，在获取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，通过跳跃连接结构，将左侧卷积池化层的输入端与右侧卷积池化层的输出端连接，构建特征提取模块。