宫颈细胞核自动分割方法及系统技术方案

本发明专利技术公开了一种宫颈细胞核自动分割方法，构建金字塔伴随式交互卷积神经网络，金字塔伴随式交互卷积神经网络包括聚合路径和选择路径，聚合路径用于聚合局部细节特征，选择路径用于选择全局特性；聚合路径包含N个编码器，选择路径包含N个解码器，编码器包括交互卷积模块和内部金字塔分辨率补充模块，解码器包括交互卷积模块，每个解码器对编码器中的特征进行融合，然后使用两个连续的交互卷积模块进行卷积，输出特征；训练上述卷积神经网络，得到分割模型；使用训练好的分割模型对图像进行分割，得到宫颈细胞核。可以准确定位细胞核，可以对细胞核形态、大小各异的宫颈细胞核的分割，解决了细胞核边界信息丢失的问题。

【技术实现步骤摘要】
宫颈细胞核自动分割方法及系统
本专利技术属于图像处理
，具体地涉及一种基于金字塔伴随式交互卷积神经网络的宫颈细胞核自动分割方法及系统。
技术介绍
自动阅片技术采用图像处理方法，在细胞核识别的基础上实现对细胞核DNA含量的准确测量，能够为医生诊断提供辅助。图像分割作为自动阅片系统关键直接影响系统性能。目前，对宫颈细胞核进行自动分割的方法主要有两大类：非监督分割和监督分割。对于非监督分割，主要包括：K均值聚类算法、非参数层次分割算法、分水岭算法、自适应阈值算法、主动轮廓模型算法、形态学操作算法和图切算法。这些算法的一个很明显的缺点就是它们不足以完全的描述宫颈细胞核，因为它们都是基于不完全的手动设计和低层次的特征。除此之外，低级特征缺少详细的结构化信息，从而导致分割性能有限。在尽可能的去尝试设计更多的宫颈细胞核的特征时，还是很难完全的描述所有不同细胞核的形态和大小，特别是对于5种异常的细胞核。对于监督分割，主要包括：基于超分辨率策略的监督深度学习网络算法、结合图分割和多尺度卷积网络的算法、结合模糊C均值聚类和反向传播神经网路的算法、结合完全卷积网络和动态规划的算法，结合稠密连接和可变性卷积的U型卷积网络算法。这些基于神经网络的算法的冗长流水线和复杂过程都很不稳定，并且是只能适应特定任务和特定数据。目前现有的分割方法在处理5种异常宫颈细胞核的过程中，由于细胞核不同的形态和大小，以及神经网络中池化层导致图像分辨率大小逐层减小(从而导致细胞核边界信息的丢失)，使得很难准确和自动的对细胞核进行识别和定位(分割)。
技术实现思路
针对上述存在的技术问题，本专利技术提出了一种宫颈细胞核自动分割方法，本专利技术采用金字塔伴随式交互卷积神经网络，包含两条路径：聚合路径和选择路径。第一个路径用于聚合宫颈细胞核的局部细节特征，从而准确识别细胞核，第二路径用于选择细胞核整体结构信息和全局上下文信息，从而准确定位细胞核。本专利技术的技术方案是：一种宫颈细胞核自动分割方法，包括以下步骤：S01：构建金字塔伴随式交互卷积神经网络，所述金字塔伴随式交互卷积神经网络包括聚合路径和选择路径，所述聚合路径用于聚合宫颈细胞核的局部细节特征，所述选择路径用于选择细胞核整体结构信息和全局上下文信息；所述聚合路径包含N个编码器，所述选择路径包含N个解码器，所述编码器包括交互卷积模块和内部金字塔分辨率补充模块，所述解码器包括交互卷积模块，每个解码器对来自编码器中的特征进行融合，然后使用两个连续的交互卷积模块进行卷积，得到输出特征；S02：训练构建的金字塔伴随式交互卷积神经网络，得到分割模型；S03：使用训练好的分割模型对图像进行分割，得到宫颈细胞核。优选的技术方案中，所述交互卷积模块包括两个并行的卷积路径，第一卷积路径使用第一卷积核捕获细胞核内部结构化信息，第二卷积路径使用第二卷积核捕获细胞核整体结构信息和全局上下文信息，所述第二卷积核大于第一卷积核，所述第一卷积路径和第二卷积路径首先通过两个大小不同的卷积核学习不同的特征，然后在中间过程中进行一次信息交换，使用元素相加操作并附加一个ReLU激活层将对方的特征与自己学习的特征进行融合，最后再继续一次卷积过程，并融合两个不同的特征，得到最后的融合特征。优选的技术方案中，所述交互卷积模块中第二卷积核通过分离卷积控制参数，包括以下步骤：将K*K卷积分为1*K卷积和K*1卷积，对两条路径学习的特征数进行融合。优选的技术方案中，所述内部金字塔分辨率补充模块包括n-1个多分辨率表示模块和n-1个补充分辨率特征模块，其中，n为分辨率配置数，所述分辨率表示模块将输入特征通过最大池化层+1*1卷积层和上采样层+1*1卷积层的组合得到重建的n-1个多分辨率表示，所述补充分辨率特征模块使用上采样层或最大池化层重建当前分辨率大小的n-1个补充分辨率特征，每一个多分辨率表示连接一个补充分辨率特征，将n-1个补充分辨率特征和输入特征被一个1*1卷积核卷积的结果进行融合，得到最终的输出特征图。优选的技术方案中，所述补充分辨率特征CR的计算公式为：其中，i为多分辨率表示模块的索引，In为输入，RIn是当前输入的分辨率大小，Ri是其他n-1个分辨率大小，Up是一个上采样层，Pool是一个最大池化层，Conv是一个1*1卷积层。本专利技术还公开了一种宫颈细胞核自动分割装置，包括：金字塔伴随式交互卷积神经网络构建模块，用于构建金字塔伴随式交互卷积神经网络，所述金字塔伴随式交互卷积神经网络包括聚合路径和选择路径，所述聚合路径用于聚合宫颈细胞核的局部细节特征，所述选择路径用于选择细胞核整体结构信息和全局上下文信息；所述聚合路径包含N个编码器，所述选择路径包含N个解码器，所述编码器包括交互卷积模块和内部金字塔分辨率补充模块，所述解码器包括交互卷积模块，每个解码器对来自编码器中的特征进行融合，然后使用两个连续的交互卷积模块进行卷积，得到输出特征；训练模块，用于训练构建的金字塔伴随式交互卷积神经网络，得到分割模型；分割模块，使用训练好的分割模型对图像进行分割，得到宫颈细胞核。优选的技术方案中，所述交互卷积模块包括两个并行的卷积路径，第一卷积路径使用第一卷积核捕获细胞核内部结构化信息，第二卷积路径使用第二卷积核捕获细胞核整体结构信息和全局上下文信息，所述第二卷积核大于第一卷积核，所述第一卷积路径和第二卷积路径首先通过两个大小不同的卷积核学习不同的特征，然后在中间过程中进行一次信息交换，使用元素相加操作并附加一个ReLU激活层将对方的特征与自己学习的特征进行融合，最后再继续一次卷积过程，并融合两个不同的特征，得到最后的融合特征。优选的技术方案中，所述内部金字塔分辨率补充模块包括n-1个多分辨率表示模块和n-1个补充分辨率特征模块，其中，n为分辨率配置数，所述分辨率表示模块将输入特征通过最大池化层+1*1卷积层和上采样层+1*1卷积层的组合得到重建的n-1个多分辨率表示，所述补充分辨率特征模块使用上采样层或最大池化层重建当前分辨率大小的n-1个补充分辨率特征，每一个多分辨率表示连接一个补充分辨率特征，将n-1个补充分辨率特征和输入特征被一个1*1卷积核卷积的结果进行融合，得到最终的输出特征图。优选的技术方案中，所述补充分辨率特征CR的计算公式为：其中，i为多分辨率表示模块的索引，In为输入，RIn是当前输入的分辨率大小，Ri是其他n-1个分辨率大小，Up是一个上采样层，Pool是一个最大池化层，Conv是一个1*1卷积层。本专利技术又公开了一种宫颈细胞核自动分割系统，包括服务器、终端和网页端，所述服务器部署有宫颈细胞核自动分割装置，所述终端用于上传病理切片数据，所述网页端用于读取宫颈细胞核自动分割装置分割得到的宫颈细胞核。与现有技术相比，本专利技术的优点是：本专利技术采用金字塔伴随式交互卷积神经网络，包含两条路径：聚合路径和选择路径。第一个路径用于聚合宫颈细胞核的局部细节特征，从而准确识别细胞核，第二路径本文档来自技高网...

【技术保护点】
1.一种宫颈细胞核自动分割方法，其特征在于，包括以下步骤：/nS01：构建金字塔伴随式交互卷积神经网络，所述金字塔伴随式交互卷积神经网络包括聚合路径和选择路径，所述聚合路径用于聚合宫颈细胞核的局部细节特征，所述选择路径用于选择细胞核整体结构信息和全局上下文信息；所述聚合路径包含N个编码器，所述选择路径包含N个解码器，所述编码器包括交互卷积模块和内部金字塔分辨率补充模块，所述解码器包括交互卷积模块，每个解码器对来自编码器中的特征进行融合，然后使用两个连续的交互卷积模块进行卷积，得到输出特征；/nS02：训练构建的金字塔伴随式交互卷积神经网络，得到分割模型；/nS03：使用训练好的分割模型对图像进行分割，得到宫颈细胞核。/n

【技术特征摘要】
1.一种宫颈细胞核自动分割方法，其特征在于，包括以下步骤：
S01：构建金字塔伴随式交互卷积神经网络，所述金字塔伴随式交互卷积神经网络包括聚合路径和选择路径，所述聚合路径用于聚合宫颈细胞核的局部细节特征，所述选择路径用于选择细胞核整体结构信息和全局上下文信息；所述聚合路径包含N个编码器，所述选择路径包含N个解码器，所述编码器包括交互卷积模块和内部金字塔分辨率补充模块，所述解码器包括交互卷积模块，每个解码器对来自编码器中的特征进行融合，然后使用两个连续的交互卷积模块进行卷积，得到输出特征；
S02：训练构建的金字塔伴随式交互卷积神经网络，得到分割模型；
S03：使用训练好的分割模型对图像进行分割，得到宫颈细胞核。


2.根据权利要求1所述的宫颈细胞核自动分割方法，其特征在于，所述交互卷积模块包括两个并行的卷积路径，第一卷积路径使用第一卷积核捕获细胞核内部结构化信息，第二卷积路径使用第二卷积核捕获细胞核整体结构信息和全局上下文信息，所述第二卷积核大于第一卷积核，所述第一卷积路径和第二卷积路径首先通过两个大小不同的卷积核学习不同的特征，然后在中间过程中进行一次信息交换，使用元素相加操作并附加一个ReLU激活层将对方的特征与自己学习的特征进行融合，最后再继续一次卷积过程，并融合两个不同的特征，得到最后的融合特征。


3.根据权利要求2所述的宫颈细胞核自动分割方法，其特征在于，所述交互卷积模块中第二卷积核通过分离卷积控制参数，包括以下步骤：将K*K卷积分为1*K卷积和K*1卷积，对两条路径学习的特征数进行融合。


4.根据权利要求1所述的宫颈细胞核自动分割方法，其特征在于，所述内部金字塔分辨率补充模块包括n-1个多分辨率表示模块和n-1个补充分辨率特征模块，其中，n为分辨率配置数，所述分辨率表示模块将输入特征通过最大池化层+1*1卷积层和上采样层+1*1卷积层的组合得到重建的n-1个多分辨率表示，所述补充分辨率特征模块使用上采样层或最大池化层重建当前分辨率大小的n-1个补充分辨率特征，每一个多分辨率表示连接一个补充分辨率特征，将n-1个补充分辨率特征和输入特征被一个1*1卷积核卷积的结果进行融合，得到最终的输出特征图。


5.根据权利要求4所述的宫颈细胞核自动分割方法，其特征在于，所述补充分辨率特征CR的计算公式为：



其中，i为多分辨率表示模块的索引，In为输入，RIn为当前输入的分辨率大小，Ri是其他n-1个分辨率大小，Up是一个上采样层，Pool是一个最大池化层，Conv是一个1*1卷积层。


6.一种宫颈细胞核自动...

【专利技术属性】
技术研发人员：吴俊敏，杨晓青，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34