[发明专利]一种基于对抗式生成网络的宫颈细胞图像分割方法

说明书

本发明公开了一种基于对抗式生成网络的宫颈细胞图像分割方法，包括细胞图像粗分割，所述细胞图像粗分割对原始图像使用阈值法和分水岭算法进行粗分割，作为指导因子，同时将原像裁剪成小图；生成虚体分割图像，所述生成虚体分割图像是使用结合自编码器设计的对抗式生成网络，以裁剪后小图为输入，指导因子帮助神经网络定位感兴趣区域来生成；实体细胞图像提取，所述实体细胞图像提取是根据虚体分割图像从裁剪小图中提取出真实的细胞图像。本发明所述的基于对抗式生成网络的宫颈细胞图像分割方法，是首次使用对抗式生成网络来解决此类问题，提供了一种全新的自动的细胞图像分割的方法，同时解决了传统方法分割重叠细胞时的成分缺失。

技术领域

本发明涉及医学图像处理技术领域，具体为一种基于对抗式生成网络的宫颈细胞图像分割方法。

背景技术

宫颈癌是最常见的妇科恶性肿瘤之一，虽然宫颈癌有着很高的发病率和死亡率，但是尽早地发现和治疗，可以有效降低死亡的风险。因此，准确而又高效的宫颈癌细胞早期检测可以帮助挽救更多的女性的生命。在过去的20多年里，大多数的宫颈癌细胞检测方法一般采用先把单个细胞从背景中分割出来，然后再逐个进行识别的策略。在这个过程中，宫颈细胞图像分割的好坏与否对最终检测结果的准确性也有着十分重要的影响。理想的细胞图像分割结果不仅会降低后续分类器设计的复杂度，而且也有助于提升最终检测的准确率。

传统的细胞图像分割方法大致分为两类：基于区域的分割方法以及基于边缘的分割方法。基于区域的分割方法的基本原理是通过把具有相似特征的相邻区域归为一类来实现分割。其中，常用分割方法有阈值法、区域生长法、以及聚类法等。阈值法中虽然方法简单易于实现，但该方法当细胞边缘模糊且图像灰度分布严重不均匀时，或当存在有重叠细胞时，分割的结果差强人意。区域生长法主要依据图像的颜色、纹理、灰度以及形状等特征来选取种子像素，然后再将具有相似属性的像素合并到种子像素中去。但该方法的运行时间开销较大，需要多次迭代，而且种子点的选择往往需要人工选择，同时对噪声敏感，可能会导致区域内出现空洞。聚类法中最常用的方法是K-均值和模糊C均值，虽然这些方法被证实是行之有效细胞图像分割算法，但是聚类初始中心点的选取以及聚类准则的差异经常会使得最终结果不尽相同，而且这种算法的收敛速度较慢。

基于边缘的分割方法一般通过把灰度级或者结构具有突变的地方作为边缘来进行分割。其中代表性的方法有微分算子法、模型法等。在微分算子法中常用到的一阶微分算子有Prewitt算子、Robert算子、Canny算子和Sobel算子，二阶微分算子有Laplace算子以及Kirsh算子等。然而这些算子分别针对于不同的图像环境，因而很难找到单一的算子同时满足光照不同或者噪声强度不一的细胞图像的分割。模型法则是尝试对细胞的轮廓建立模型，然后求解轮廓模型来实现分割。其中应用较为广泛的是参数活动轮廓模型以及基于简化M- S模型的水平集分割方法(C-V模型)。然而对于该方法，当细胞轮廓较为复杂时，很难去人为得建立该细胞轮廓模型。

总体而言，传统的细胞分割方法面临着两个难题。一方面是在重叠细胞的处理上，传统方法试图在细胞的重叠区域寻找出一条边界来划分重叠细胞，这使得重叠区域的像素点归属问题变成了一种一一映射的关系，进而难以避免细胞成分的缺失。另一方面在于细胞分割方法整体架构的设计。无需人工干预，可以自动的分割感兴趣区域的自动细胞分割方法是所有分割方法的终极目标，然而自动分割方法通常有着高的结构复杂度，而且在分割背景复杂，细胞边缘模糊的细胞图片时效果并不尽如人意。因此半自动的细胞分割方法更为常用，虽然因此会降低便捷性。

发明内容

本发明的目的在于提供一种基于对抗式生成网络的宫颈细胞图像分割方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于对抗式生成网络的宫颈细胞分割方法，包括以下步骤：