[发明专利]一种无监督式的宫颈细胞图像自动分割方法及系统

说明书

本发明公开了一种无监督式的宫颈细胞图像自动分割方法，所述方法包括：步骤1)对宫颈细胞图像进行预处理；步骤2)对预处理后的细胞图像进行前背景粗分割，提取细胞所属的区域；步骤3)对粗分割后的细胞图像进行细胞成分的检测分割，使用快速区域卷积神经网络分割出不同类型的细胞；步骤4)检测并分割宫颈细胞细胞核；步骤5)根据细胞核的特征参数筛选细胞核，得到最终的候选细胞核；步骤6)判断步骤3)中得到的细胞类型是否为细胞团簇，如果不是，则使用活动轮廓模型以及先验模板进行细胞质区域的分割；否则，转入步骤7)；步骤7)综合细胞核与细胞质的分割结果与领域知识进行后处理，完成整个宫颈细胞的有效分割。

技术领域

本发明涉及医学细胞图像处理领域，具体涉及一种无监督式的宫颈细胞图像自动分割方法及系统。

背景技术

宫颈细胞人工智能辅助阅片本身对于减轻阅片工作者的劳动强度、提升阅片准确率和工作效率、应用于大批量的宫颈癌细胞学普查等方面将产生积极的作用，其遵循医疗市场的发展规律与需要，符合国家健康医疗大数据的研究布局。从宫颈细胞图像中精确定位每个细胞的细胞质和细胞核，并把二者从整个图像中分割出来，是实现宫颈细胞人工智能辅助阅片的重要基础。

针对宫颈细胞如何进行分割是一个值得探讨的问题，细胞图像往往存在细胞重叠粘连、染色颜色不一致以及背景含有杂质的问题，多种分割技术已经应用到宫颈细胞图像的分割算法中。考虑到背景、细胞质区域、细胞核区域在色彩、灰度值、纹理等方面存在区分性，基于像素分类的分割方法应用到宫颈细胞学液基涂片图像的分割中，但此方法无法解决重叠细胞的问题；另外一种基于细胞核边界局特征和细胞核形状特征的重叠细胞核分割方法，基于物理原则的形变模型，经过迭代形变直到收敛，最终确定重叠细胞核的轮廓，但该方法没有针对细胞质区域进行处理，只完成了细胞核的检测分割；目前世界各地的医学图像分析组正在迅速进入深度学习领域，并将卷积神经网络和医学图像处理方法广泛的应用于医疗影像领域，国外研究学者针对脑肿瘤病理切片使用像素级分割的卷积神经网络得到了理想的结果，但是该方法对重叠细胞以及较小的细胞核的分割也存在一定问题。

由于涂片染色不均匀、染色不一致、不均匀光照、细胞重叠、杂质干扰(包括：微生物、细胞碎片、血液、污染物等)的原因，针对宫颈细胞的分割研究尚未有有效的方法，目前任何一种基于单一特征的算法都难以获得满意的结果，亟待针对实际应用研究建立针对特殊组织的有效分割方法。

发明内容

本发明的目的在于克服目前宫颈细胞分割存在的上述问题，提供一种无监督式的宫颈细胞图像自动分割方法，能够解决单个独立细胞与重叠的团簇细胞的分割问题。该发明结合了医学图像处理、宫颈液基细胞学领域知识、深度学习算法、机器学习算法、大数据列式存储等多项技术，充分利用宫颈细胞形态结构信息、空间邻域信息和颜色分布信息建立准确的细胞图像分割。

为了解决上述目的，本发明提供了一种无监督式的宫颈细胞图像自动分割方法，所述方法包括：

步骤1)对宫颈细胞图像进行预处理；

步骤2)对预处理后的细胞图像进行前背景粗分割，提取细胞所属的区域；

步骤3)对粗分割后的细胞图像进行细胞成分的检测分割，使用快速区域卷积神经网络分割出不同类型的细胞；

步骤4)检测并分割宫颈细胞细胞核；

步骤5)根据细胞核的特征参数筛选细胞核，得到最终的候选细胞核；

步骤6)判断步骤3)中得到的细胞类型是否为细胞团簇，如果不是，则使用活动轮廓模型以及先验模板进行细胞质区域的分割；否则，转入步骤7)；

步骤7)综合细胞核与细胞质的分割结果与领域知识进行后处理，完成整个宫颈细胞的有效分割。