一种基于滑动窗口和深度结构提取特征的细胞检测方法技术

本发明专利技术公开了一种基于滑动窗口和深度结构提取特征的细胞检测方法，首先运用深度模型提取特征，然后运用滑动窗口技术作用于病理切片图像中细胞自动检测的方法。具体步骤包括：对切片图像取块，特征提取模型堆叠稀疏自编码的训练，检测器训练，滑动窗口扫描大图像，标注细胞位置。本发明专利技术以大幅切片图为研究对象，采用检测器加滑动窗口的新方法，更能准确找到图像中细胞的位置，且更加快速和全面，对图像中一些不是很明显的细胞也能起到很好的检测效果。本发明专利技术提出的细胞自动检测方法能辅助临床医生对数字病理学切片进行量化评估，准确快速的进行临床诊断，减少不同的观察者或者同一个观察者在不同时间段之间的诊断差异性。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了，首先运用深度模型提取特征，然后运用滑动窗口技术作用于病理切片图像中细胞自动检测的方法。具体步骤包括：对切片图像取块，特征提取模型堆叠稀疏自编码的训练，检测器训练，滑动窗口扫描大图像，标注细胞位置。本专利技术以大幅切片图为研究对象，采用检测器加滑动窗口的新方法，更能准确找到图像中细胞的位置，且更加快速和全面，对图像中一些不是很明显的细胞也能起到很好的检测效果。本专利技术提出的细胞自动检测方法能辅助临床医生对数字病理学切片进行量化评估，准确快速的进行临床诊断，减少不同的观察者或者同一个观察者在不同时间段之间的诊断差异性。【专利说明】
本专利技术公开了，涉及图像 信息处理
。
技术介绍
随着大幅切片图像数字扫描技术的产生以及扫描的高效率性提高，组织病理切片 的数字化显示和存储变得现实可行。利用数字化技术可以对病理图像进行更高质量的分 析。因为从组织切片病理成像图相中几乎可以找出各种癌症细胞和组织的特征，并可以用 来辅助医生诊断，但是现有的针对医学图像处理的技术研究仍然很少，所以研究一套针对 病理图像的分析工具十分重要。 在组织病理图像的研究中很大一部分集中在特定组织结构的分辨上，如淋巴细胞 检测，癌症细胞检测，腺体检测。这些组织的位置，大小，形状，或其他的特有性质表示对预 测病人的疾病状况都是十分重要的指标，例如在乳腺癌诊断中，切片中的细胞大小和分布 以及细胞形态都是重要的预测癌症等级的生物标志。然而人工的细胞标定是一项十分费时 费力的任务，不利于临床治疗。如果有计算机辅助的自动检测工具将会大大帮助临床医生 做出快速的诊断结果。 与放射和其他形式的图像相比，处理病理组织学图像的最大挑战在于其中巨大的 组织结构密度。举例来说，放大40倍的前列腺切片组织图像就有15000*15000个像素。除 了高密度，组织图像本身结构也很复杂，包含很多组织结构，而且这些结构没有明显的边 界，同一结构还存在很多的形态，这些都给处理带来巨大挑战。Wolberg针对乳腺癌图像最 早提出了基于主动轮廓模型的分割方法。在运用中它需要使用者手动输入细胞核的位置， 来方便程序进行分割。但是所遇到的问题是，位于基质但不在上皮层组织中的细胞数量是 十分巨大的。以前基于细胞或细胞核的检测是利用分割算法来实现的，这些方法包括区域 增长法、自适应阈值法、非监督的颜色聚类法，水平集法，形态学基础的方法和基于监督的 颜色纹理方法。但是这些方法对处理多变化形状和多尺度大小的乳腺癌细胞时显得不是很 鲁棒。这其中还存在组织切片获取，染色和数字化过程中人为造成的不可避免的干扰现象。 对于组织切片图像来说，为学习和训练模型而获取足够的标注图像付出的代价 是十分昂贵的，因为这些标注工作需要具有专业知识的人才能够来完成。而另一方面随着 数字化显示组织图像技术的快速发展，我们可以很容易获得大量的未标注数据。如果我们 能够找到一种有效的方法来利用这些未标注的高信息度的数据，那我们就能提高现有的基 于监督的模型处理效果。对这些大量未标注的数据提取更高层次的特征表示将是一个解决 此问题的处理方法。一个丰富全面描述原图像的特征能够帮助识别模型更准确地区分我们 的目标结构。
技术实现思路
本专利技术所要解决的技术问题在于克服现有基于分割检测算法无法处理病理切片 细胞时出现的细胞形状多变化和尺度不同的问题，提供一种基于滑动窗口和提取深层特征 的细胞检测方法，在充分利用大量未标注的细胞数据的同时，有效地检测出图片中的各类 细胞，取得比基于分割的检测更高的准确度结果。 本专利技术为解决上述技术问题采用以下技术方案： -种基于滑动窗口和深度结构提取特征的细胞检测方法，包括以下步骤： 步骤1、在病理图像中选取细胞正样本和细胞负样本，得到图像集； 步骤2、对选取的图像集进行特征提取训练，特征提取方法为深度结构提取特征， 运用稀疏自编码器进行一层稀疏自编码的训练，使得重构误差低于设定的阈值，得到第一 层特征； 步骤3、在得到第一层特征的基础上，再次运用稀疏自编码器以第一层特征作为原 始输入进行第二次特征提取，满足重构误差低于设置的阈值，得到第二层特征； 步骤4、把第二层特征输入细胞分类器，训练细胞分类器； 步骤5、将第一层特征的结构、第二层特征的结构和细胞分类器的结构串连组成整 体，对整体网络结构进行微调，使得整个网络结构最优； 步骤6、对要检测的病理切片图像运用镜像边界的方法扩充图像边缘； 步骤7、以训练好的细胞分类器为监测器，利用滑动窗口的方法对病理切片图像进 行检测，依次对窗口内的病理图像切片小块进行标记； 步骤8、运用去重叠的方法排除重复的细胞位置，并在病理切片图像中标记出所有 的细胞位置。 作为本专利技术的进一步优选方案，所述细胞分类器为Softmax分类器。 作为本专利技术的进一步优选方案，所述步骤1中，图像集的选取方法具体为： 根据专业病理知识在病理图像中标记出细胞块标记点，以标记点为中心，选取边 长为34个像素的正方形病理图像切片小块，所述包含细胞的正方形病理图像切片小块作 为细胞正样本； 设定包含部分细胞和完全不包括细胞的病理图像切片小块为细胞负样本，细胞负 样本在病理图像中随机选取，且满足条件： (301)离专家标注的点距离34个像素； (302)选取的细胞负样本不重复。 作为本专利技术的进一步优选方案，在利用滑动窗口的方法对病理切片图像进行检测 的过程中，当遇到重复的检测窗口响应时，采用局部极值响应的方法排除同一区域内的重 复响应。 本专利技术采用以上技术方案与现有技术相比，具有以下技术效果： ⑴在同样的实验条件下，本专利技术方法的检测准确率比基于分割检测方法的准确率 高，且消耗时间少； ⑵本专利技术方法在检测细胞位置的同时并在原图上做出标记，方便临床医生直接观 看，并在此基础上做出后续诊断； ⑶本专利技术方法针对边缘细胞，采取镜像边缘像素的方法来扩充边缘，从而来检测 这些细胞的位置。 【专利附图】【附图说明】 图1是自动编码器编码解码的训练结构示意图。 图2是自动编码器编码解码训练完成后提取的特征结构示意图。 图3是本专利技术基于滑动窗口和深度结构提取特征的细胞检测结构示意图。 图4是本专利技术方法中用两层稀疏自动编码器训练得到的第一层特征显示示意图。 图5是本专利技术方法中用两层稀疏自动编码器训练得到的第二层特征显示示意图。 【具体实施方式】 下面结合附图对本专利技术的技术方案做进一步的详细说明： 本专利技术的，如图3所示， 包括以下步骤： 步骤1、训练样本的选取：在病理图像中选取包含细胞的小块和非细胞小块，其中 非细胞小块包括有部分细胞的小块和完全不包括细胞的小块； 关于细胞块的选取，完全由拥有专业病理知识的临床医生在大幅切片图像中进行 标记，程序会根据这些标记点到原图中截取以标注点为中心，边长为34个像素的正方形小 块。这些包含细胞的小块作为细胞正样本。对于大细胞，采取50个像素的框将其取出。并 改变其大小为34*34。对于细胞负样本，我们规定包含部分细胞和完全不包括细胞的切片小 块为样本。设计程序为在原图像中本文档来自技高网...

【技术保护点】
一种基于滑动窗口和深度结构提取特征的细胞检测方法，其特征在于，包括以下步骤：步骤1、在病理图像中选取细胞正样本和细胞负样本，得到图像集；步骤2、对选取的图像集进行特征提取训练，特征提取方法为深度结构提取特征，运用稀疏自编码器进行一层稀疏自编码的训练，使得重构误差低于设定的阈值，得到第一层特征；步骤3、在得到第一层特征的基础上，再次运用稀疏自编码器以第一层特征作为原始输入进行第二次特征提取，满足重构误差低于设置的阈值，得到第二层特征；步骤4、把第二层特征输入细胞分类器，训练细胞分类器；步骤5、将第一层特征的结构、第二层特征的结构和细胞分类器的结构串连组成整体，对整体网络结构进行微调，使得整个网络结构最优；步骤6、对要检测的病理切片图像运用镜像边界的方法扩充图像边缘；步骤7、以训练好的细胞分类器为监测器，利用滑动窗口的方法对病理切片图像进行检测，依次对窗口内的病理图像切片小块进行标记；步骤8、运用去重叠的方法排除重复的细胞位置，并在病理切片图像中标记出所有的细胞位置。

【技术特征摘要】

【专利技术属性】
技术研发人员：徐军，项磊，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32