[发明专利]基于深度学习的自适应椭圆拟合细胞自动检测分割方法

摘要

本发明公开了基于深度学习的自适应椭圆拟合细胞自动检测分割方法，首先运用深度学习方法检测出病理图像中的细胞，然后运用主动轮廓模型找到精确的细胞轮廓，最后使用自适应椭圆拟合技术将重叠的细胞轮廓分割出来。本发明以大幅切片图为研究对象，采用深度学习加滑动窗口的方法，能准确找到图像中细胞的位置，主动轮廓结合自适应椭圆拟合对分割重叠细胞具有明显的效果。本发明提出的细胞自动检测分割方法能辅助临床医生对数字病理学切片中细胞进行量化评估，准确快速的进行临床诊断，减少不同观察者或同一个观察者在不同时间段间的诊断差异性。相对于现有的细胞检测分割方法，本发明无论是从准确率还是从可实行效果上来看，具有明显的优势。

主权项

基于深度学习的自适应椭圆拟合细胞自动检测分割方法，其特征在于，包括如下步骤：步骤1，在病理切片图像中选取完全包含细胞的图像、部分包含细胞的图像和完全不包含细胞的图像，并将上述三种图像组合起来作为训练样本；步骤2，利用步骤1的训练样本训练自动编码器，找到使重构样本和训练样本之间的误差小于预设阈值的自动编码器参数；步骤3，使用步骤2训练好的自动编码器参数初始化卷积神经网络，并利用步骤1的训练样本训练初始化后的卷积神经网络，找到使输入标签和输出标签之间的误差最小的卷积参数；步骤4，利用镜像边界的方法扩充待检测病理切片图像的图像边缘；步骤5，利用步骤3训练好的卷积神经网络，对经过步骤4的待检测病理切片图像进行细胞检测，并排除对同一个细胞的重复检测；步骤6，以步骤5检测到的细胞位置为中心构建一个半径为细胞半径的圆作为主动轮廓的初始轮廓，利用主动轮廓模型方法演化初始轮廓，从而得到精确的细胞轮廓；步骤7，使用自适应椭圆拟合技术分割重叠的细胞，从而得到待检测病理切片图像中细胞的检测分割结果。