The invention discloses a method for segmentation of unconventional cells in pathological sections, which includes: processing cells in pathological sections into pre-segmented cell images with a separate transparent background, assigning pixel labels to each pixel of each pre-segmented image, and using mapping method, making these pre-segmented cell images randomly distributed in white. In the background, the pseudo-input image is formed by overlapping cells with a certain probability, and the corresponding full-image pixel label is acquired and recorded as the truth label; Mask_RCNN is trained with the pseudo-input image and the truth label as the training data, so that it has the ability to detect the pixel label in the unconventional cell boundary box and the prediction box; The labeled new pathological sections were input convergent ask RCNN to detect the unconventional cells in the undivided pathological sections, and the final segmentation results were obtained by post-processing. The segmentation method provided by the invention can effectively reduce the labeling time and cost, generate a large number of training data in a short time, and can better fit a large number of data.
【技术实现步骤摘要】
一种病理切片中非常规细胞的分割方法
本专利技术属于医疗影像数据处理领域,具体涉及一种病理切片中非常规细胞的分割方法。
技术介绍
图像实例语义分割(InstanceSemanticSegmentation)是计算机视觉的一个重要研究方向,其任务是通过计算机算法在图像中使用方形框标出图像中的物体数量,并对框中的每个像素预测类别标签,完成在框中的语义分割。实例语义分割任务在自动驾驶,工业制造,罪犯追踪等场景中都有着重要应用。在医疗影像中,语义分割常常被用于分割图像中的细胞、组织或器官等。在1998年LECUN等人首次提出了卷积神经网络(convolutionalneuralnetwork,NCC)LeNet模型被美国许多银行用来识别支票上的手写数字之后。各种不同架构的CNN模型如VGG,ResNet等在ImageNet竞赛中取得多次比赛的冠军,CNN在图像处理与目标识别领域被广泛应用,成为深度学习在图像处理领域的通用神经网络。CNN在语义分割中也被广泛使用:2014年,Long等人提出全卷积神经网络(FullyConvolutionalNetwork,FCN),使得卷积神经网络无需全连接层就可进行密集的像素预测,实现了像素级别的分类,2017年KaimingHe提出的MaskR-CNN结构在实例语义分割任务上取得了很好的效果,并在ICCV2017会议上获得了最佳论文。专利CN107886515A公开了一种较快速、鲁棒性将高的图像分割方法,包括:根据多帧图像的特征,确定多帧图像中待分割图像的初始背景区域,进而确定适应于背景区域的基础矩阵;根据背景区域的基础矩阵,确 ...
【技术保护点】
1.一种病理切片中非常规细胞的分割方法,包括:(1)对电子扫描放大的病理切片进行预分割,得到单个细胞的透明背景的预分割细胞图像,同时对所得预分割细胞图像中的每个像素点分配像素标签;通过贴图方法及二元高斯分布分配法将所需预分割细胞图像随机分布在与输入病理切片大小一致的白色背景上,得到伪输入图像;(2)根据步骤(1)中分配的像素标签,对伪输入图像中的每个细胞分配一个细胞边界方框位置并根据步骤(1)中分配的像素标签标记边界方框内细胞图像的每个像素点的标签,记为真值标签,保持真值标签与步骤(1)中对应的单个细胞像素一致;(3)将步骤(1)中生成的伪输入图像与步骤(2)中的得到的真值标签作为训练数据训练Mask‑RCNN模型,所述的Mask‑RCNN使用ResNet‑121为基础网络,网络的训练过程使用单阶段训练方式,直接使用RPN损失函数与Faster‑RCNN损失函数相加作为最终损失函数,使用学习率为lr的随机梯度下降法最小化目标损失函数,直至收敛,获得收敛的Mask RCNN模型,使其具有检测非常规细胞边界方框与预测方框内像素标签的能力;所述lr的取值范围为10‑5至10‑3之间;(4)将 ...
【技术特征摘要】
1.一种病理切片中非常规细胞的分割方法,包括:(1)对电子扫描放大的病理切片进行预分割,得到单个细胞的透明背景的预分割细胞图像,同时对所得预分割细胞图像中的每个像素点分配像素标签;通过贴图方法及二元高斯分布分配法将所需预分割细胞图像随机分布在与输入病理切片大小一致的白色背景上,得到伪输入图像;(2)根据步骤(1)中分配的像素标签,对伪输入图像中的每个细胞分配一个细胞边界方框位置并根据步骤(1)中分配的像素标签标记边界方框内细胞图像的每个像素点的标签,记为真值标签,保持真值标签与步骤(1)中对应的单个细胞像素一致;(3)将步骤(1)中生成的伪输入图像与步骤(2)中的得到的真值标签作为训练数据训练Mask-RCNN模型,所述的Mask-RCNN使用ResNet-121为基础网络,网络的训练过程使用单阶段训练方式,直接使用RPN损失函数与Faster-RCNN损失函数相加作为最终损失函数,使用学习率为lr的随机梯度下降法最小化目标损失函数,直至收敛,获得收敛的MaskRCNN模型,使其具有检测非常规细胞边界方框与预测方框内像素标签的能力;所述lr的取值范围为10-5至10-3之间;(4)将未经过标记的新病理切片,输入步骤(3)得到的收敛的Mask-RCNN模型,检测出B个最有可能含有非常规细胞的边界方框以及方框中每个像素点的概率值T,若T大于阈值t,则认为该像素为背景像素,记为0,否则取T最大值处的非常规细胞类别作为预测标签,所述预测标签使用后处理方法输出最终预测标签,作为分割结果;其中,B为10~100之间的整数,t为0.01~0.5之间的正数。2.根据权利要求1所述的病理切片中非常规细胞的分割方法,其特征在于,步骤(1)中,所述分配的像素标签包括:背景标签、常规细胞标签和k种非常规细胞标签;对背景标签分配0标签,常规细胞分配1标签,k种非常规细胞分配2至k+1标签,其中k为大于等于1的整数。3.根据权利要求1所述的病理切片中非常规细胞的分割方法,其特征在于,步骤(1)中所述的二元高斯分布分配法,包括以下步骤:(1-1)在白色背景的平面上生成m个服从均值为μ,标准差为Σ的二元高斯分布的中心点坐标,...
【专利技术属性】
技术研发人员:吴健,王彦杰,陈子仪,黄晓园,郝鹏翼,吴福理,吕卫国,陈为,叶德仕,吴朝晖,
申请(专利权)人:浙江大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。