用于乳腺癌病理图像的分割方法和装置制造方法及图纸

本发明专利技术公开了一种用于乳腺癌病理图像的分割方法，主要包括三大模块：数据的预处理、细胞核检测和细胞核边界精细分割。病理专家首先对细胞核边界进行人工标定。对病理图像进行标准化处理，消除染色差异。制作基于细胞核像素、细胞核边界像素和背景像素的训练样本，训练卷积神经网络分类器，实现基于Patch小块图像中心像素的分类器。将训练好的卷积神经网络模型在整张病理图像上检测，输出概率图，经过后处理算法产生二值图像作为主动轮廓模型的初始化形状轮廓，采用主动轮廓模型对细胞核边界进行精细化分割。本发明专利技术是一种具有较高分割准确率，可实现对乳腺癌病理图像中的重叠细胞进行分割的算法。本发明专利技术还公开了一种用于乳腺癌病理图像的分割装置。

Segmentation method and device for pathological image of breast cancer

The present invention discloses a segmentation method for pathological image of breast cancer, which mainly includes three modules: data preprocessing, nuclear detection and fine segmentation of nuclear boundary. The pathological experts first manually calibrated the cell boundary. The pathological images were standardized to eliminate the difference in staining. The training samples based on the pixel of the nucleus, the pixel of the nucleus and the background pixels are made, and the classifier of the convolution neural network is trained to realize the classifier based on the central pixel of the Patch small image. The trained convolution neural network model is detected on the whole pathological image, and the output probability graph is obtained. After the post-processing algorithm, the two value image is produced as the initialization contour of the active contour model, and the active contour model is used to fine segment the boundary of the nucleus. The invention is an algorithm with high segmentation accuracy, which can realize the segmentation of overlapping cells in breast cancer pathological images. The invention also discloses a segmentation device for pathological images of breast cancer.

【技术实现步骤摘要】
用于乳腺癌病理图像的分割方法和装置
本专利技术涉及生物医学信息
，特别是涉及一种用于乳腺癌病理图像的分割方法和装置。
技术介绍
为了解决传统组织病理学分析遇到的实际困难，数字病理学近年来得到了飞速的发展。数字病理学是一个新的、发展迅速的医学成像领域。组织切片被扫描仪以超高分辨率扫描后数字化，再应用计算机对得到的图像自动进行高精度多视野无缝隙拼接和处理，获得优质的可视化数据以应用于病理学的各个领域。数字化病理系统的应用最早始于1985年，20世纪90年代在美国开始被应用于商业领域,从2000年开始在医学院校逐步取代传统显微镜。此后，美国以及全世界范围内有50％的医学院校都已经或正在筹备引进数字化病理系统。病理图像分析系统的应用，极大地丰富了病理科研工作的方法，使得病理工作人员的思路开阔了许多，使得一些原来不可能的工作如：腺体形态计算、DNA计算、AGNOR计算变得简单起来。数字病理能够自动地分析、分割、检测感兴趣区域，能够定量地评估病变区域地恶性程度、结果相比于人工分析具有较高的可重复性。细胞核分割在病理图像辅助诊断系统中都是首要步骤，细胞核的形态、结构、空间分布对癌症的分期是重要的参考指标。要实现病理分期首先需要对病理图像中的细胞核进行准确的分割。但是由于病理图像中细胞核的重叠、细胞核结构的不一致性、背景的复杂性以及染色方式的差异等因素造成了细胞核分割非常困难。传统的分割算法，如自适应阈值分割、分水岭、区域生长算法对病理图像的分割效果较为有限，对重叠细胞核的分割能力也不足。近年来，主动轮廓模型分割算法在图像分割领域得到了广泛的应用，特别是在病理图像分割方面。主动轮廓模型算法虽然对重叠细胞的分割效果较好，对弱细胞边界的分割也较为有效，但是，主动轮廓模型在分割开始的时候需要以初始化的形状轮廓为初始化轮廓，以此轮廓为初始点对目标进行边界分割。所以，初始化形状轮廓的选取对最终的分割效果起到很大影响，准确的初始化轮廓有助于得到准确的细胞边界。同时，如果初始化形状选择不合适，将会造成过分割现象，造成对非细胞核区域错误分割。深度学习近年来在计算机视觉特别是图像分类、图像检测和图像分割领域取得了优于传统方法的效果。深度学习在图像领域取得的进展在医疗图像领域也得到了应用，基于深度学习医疗图像分类、病灶检测和分割取得了优于传统方法的效果。相比于传统的机器学习算法，深度学习方法是一个端到端的系统，向网络输入图像之后能自动提取多种低级和高等级特征，自动对提取的特征进行有效组合，实现高准确率的分类。相比于传统的机器学习人工设计特征的种类，人工提取特征，深度学习算法不必人工设计特征，免除了特征工程的麻烦。所以，深度学习提取的特征能对不同的数据都能取得不错的效果，而传统机器学习算法针对不同的数据需要设计不同的特征种类，设计出的特征往往对特定的任务有效，对不同的数据泛化能力较差。深度学习是一个数据驱动的算法，深度神经网络能从海量数据中提取出丰富的特征，增加了特征提取的丰富度，增加了分类的准确率。而海量的数字化后的数字病理图像为深度神经网络模型的训练提供了大量的数据。近年来，基于学习的深度学习方法在细胞核检测任务中取得了不错的进展，特别在组织病理图像的分类、检测、分割任务中取得了比传统方法更加准确的结果。相比于非学习类型的方法，深度学习方法是数据驱动的，深度神经网络模型可以高效地自动的提取特征，免除了人工手动设计特定数据类型的特征的负担，能加快算法的开发周期，提高效率。深度学习神经网络模型通过卷积操作对输入图像进行低阶特征抽取，然后随着网络层数的增加，神经网络将前几层提取到的低阶特征组合成高阶特征，这些经过组合之后抽取的高阶特征相比于前几层的低阶特征能更好的表示物体的语义特征。相比于计算机视觉中对图像特征抽取常用的灰度、SIFT、HoG等特征，深度卷积神经网络提取的特征类型更加丰富，正是由于这些高阶的抽象的特征，提升了深度神经网络对图像的分类、检测、分割效果。但是，这些高阶特征相比于计算机视觉中的常规特征，缺乏直观的解释。深度学习神经网络一般是指卷积神经网络和循环神经网络，卷积神经网络常常用在图像的分类、目标检测和识别以及图像分割等任务上。卷积神经网络一般包括三大部分：卷积层(ConvolutionalLayer)池化层(PoolingLayer)和全连接层(FullyConnectedLayer)。卷积层是卷积神经网络中最重要的结构，是网络对图像进行特征提取的关键结构。常用的池化层有最大池化(MaxPooling)和平均池化(AveragePooling)，池化层对卷积层输出的特征图进行维度缩减，在一定程度上可以避免过拟合现象的发生。全连接层是常规的全连接神经网络加上Sigmoid激活函数，实现对不同类别的分类。卷积神经网络具有的局部感受野和权值共享特点，使卷积神经网络比全连接神经网络具有更好的泛化能力，网络参数极大减少，更加容易训练。权值共享的特点使卷积神经网络对特征的提取更加丰富，能够提取在计算机视觉中所不存在的特征，使卷积神经网络具有较好的性能，而且权值共享也使网络的连接参数极大较少，更加容易训练。初始化水平集函数对主动轮廓的最终分割效果的影响很大，主动轮廓模型对初始轮廓较为敏感，准确的初始轮廓将会提高分割的效果。传统的初始化轮廓都是采用大津法或者分水岭方法作粗分割，粗分割的结果的二值图像作为主动轮廓的初始化轮廓。但是，大津法在组织病理图像中的分割效果很差，往往导致了初始化轮廓结果较差。而分水岭方法虽然比大津法提升了分割效果，但是分水岭方法容易造成过分割现象，用分水岭方法分割结果做初始化轮廓将会分割出非细胞区域，造成分割出一些背景区域像素。为了解决主动轮廓对初始轮廓选取较为敏感的问题，可以使用准确率较高的细胞核检测算法输出的概率图经过二值化后作为细胞核的初始轮廓作为零水平集加入分割算法的能量函数中，最小化能量函数，得到细胞核的边界。于是，采用深度学习方法，首先检测出组织病理图像上的细胞核的准确位置和大致边界，将深度学习的检测结果经过二值化输出二值图像作为混合主动轮廓的初始化轮廓，加入能量函数中。这样的过程保证了主动轮廓模型在进行细胞核分割时采用的主动跟轮廓是较为准确的，不会对非细胞核区域进行误分割。这样的处理一方面可以减少过分割现象的出现，另一方面，可以减少主动模型的计算消耗。
技术实现思路
基于此，有必要针对传统病理图像细胞核分割方法中存在的问题，提供一种用于乳腺癌病理图像的分割方法和装置。具体的，提供一种基于深度学习和主动轮廓模型的乳腺癌病理图像分割方法和装置。将深度学习模型进行细胞核检测的结果作为主动轮廓的初始化形状轮廓为后续分割模型提供了细胞核的准确位置，同时减轻了主动轮廓模型的计算复杂度，对重叠细胞也能做到很好的分割，为数字化病理图像分析提供了一个可靠的分割算法。深度学习算法与传统分割算法相结合，弥补了主动轮廓模型分割算法对初始化轮廓选取较为敏感的缺点。第一方面，本专利技术实施例提供了一种用于乳腺癌病理图像的分割方法，所述方法包括：对乳腺癌病理图像通过标定与预处理操作生成训练样本；根据所述训练样本训练基于图像Patch中心像素的卷积神经网络分类模型，以完成所述乳腺癌病理图像中细胞核的检测操作；通过后处理算法将本文档来自技高网...

【技术保护点】
1.一种用于乳腺癌病理图像的分割方法，其特征在于，所述方法包括：对乳腺癌病理图像通过标定与预处理操作生成训练样本；根据所述训练样本训练基于图像Patch中心像素的卷积神经网络分类模型，以完成所述乳腺癌病理图像中细胞核的检测操作；通过后处理算法将CNN模型在整张所述乳腺癌病理图像对细胞核的检测结果的概率图进行转换，生成二值图像，并将所述二值图像定义为主动轮廓模型的初始化形状轮廓；通过所述主动轮廓模型对细胞核的边界进行分割。

【技术特征摘要】
1.一种用于乳腺癌病理图像的分割方法，其特征在于，所述方法包括：对乳腺癌病理图像通过标定与预处理操作生成训练样本；根据所述训练样本训练基于图像Patch中心像素的卷积神经网络分类模型，以完成所述乳腺癌病理图像中细胞核的检测操作；通过后处理算法将CNN模型在整张所述乳腺癌病理图像对细胞核的检测结果的概率图进行转换，生成二值图像，并将所述二值图像定义为主动轮廓模型的初始化形状轮廓；通过所述主动轮廓模型对细胞核的边界进行分割。2.根据权利要求1所述的方法，其特征在于，所述对乳腺癌病理图像通过标定与预处理操作生成训练样本，包括：基于细胞核像素、细胞核边界像素以及所述乳腺癌病理图像背景像素对所述乳腺癌病理图像通过标定与预处理操作，生成所述训练样本。3.根据权利要求1所述的方法，其特征在于，所述对乳腺癌病理图像通过标定与预处理操作生成训练样本，还包括：选取特定细胞核使用病理图像标注软件对所述乳腺癌病理图像中的细胞核边界进行部分标定；基于标定的细胞核进行正负样本采集。4.根据权利要求1所述的方法，其特征在于，所述对乳腺癌病理图像通过标定与预处理操作生成训练样本，还包括：使用线性变换方法在Lab颜色空间对数据库中所有的所述乳腺癌病理图像进行颜色标准化处理；从数据库中随机挑选一张所述乳腺癌病理图像作为参考图像，并对剩余的所述乳腺癌病理图像运用标准化算法；其中，所述线性变换方法为：将RGB颜色空间的待处理的H&E染色的所述乳腺癌病理图像转化到特定的CIELab颜色空间，对Lab通道中的每一个像素进行一个线性转化，且线性转化公式为：其中，和分别表示L通道所有像素的均值和方差。5.根据权利要求1所述的方法，其特征在于，所述对乳腺癌病理图像通过标定与预处理操作生成训练样本，还包括：在被标注的细胞核边界内部取正样本像素点，并以所述正样本像素点为中心生成64*64像素大小的Patch作为正样本；将被标注的细胞核边界做三个像素的形态学腐蚀操作，并在所述三个像素宽的边界区域取像素点，以所述像素点为中心取64*64像素大小的Patch，获得边界Patches；对所述乳腺癌病理图像做去卷积操作，获取所述乳腺癌病理图像中不同的染色成分，并解析出所述乳腺癌病理图像的背景像素和前景像素；采用直方图均衡化算法对所述背景像素和所述前景像素进行强化操作...

【专利技术属性】
技术研发人员：万涛，秦曾昌，赵磊，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11