一种细胞核分割网络的形状损失计算方法技术

一种细胞核分割网络的形状损失计算方法，本发明专利技术涉及智能病理诊断技术中，细胞核分割网络损失计算问题。智能病理诊断通过深度学习技术分割并识别细胞图像中的异常细胞。然而在细胞核分割网络中没有考虑细胞核的先验知识，导致部分细胞核轮廓不光滑、存在异形，影响后续分类的结果。为此，我们提出一种细胞核分割网络的形状损失计算方法。其主要思想是估计预测细胞核边缘区域对核形状特征影响的权重。通过最小化这个权重，使分割后的细胞核与实际细胞核形状上保持一致。实验表明：我们的损失计算方法可以有效解决细胞核轮廓不光滑、异形等问题。本发明专利技术应用于智能病理诊断中的细胞核分割网络损失计算。网络损失计算。

【技术实现步骤摘要】
一种细胞核分割网络的形状损失计算方法


[0001]本专利技术涉及智能病理诊断，特别是细胞核分割网络的损失计算

技术介绍

[0002]宫颈癌是第二大威胁女性健康的杀手。全球每两分钟就有一名女性死于宫颈癌。早期宫颈癌可以完全治愈，所以早诊断早治疗是应对癌症爆发的有效手段。液基薄层细胞检测是目前国际上最常用的一种宫颈癌细胞学检查技术，可以发现部分癌前病变和微生物感染。但是传统的病理诊断完全依赖于医生手动操作、肉眼观察的人工阅片。但是工作量大，诊断率准确率低，无法推广大面积筛查。随着计算机图像处理和人工智能技术的发展，病理自动诊断技术应运而生。在该技术中细胞分割是分析的基础。细胞分割的目的是准确定位细胞并画出细胞的轮廓，为后续的处理提供输入。然而分割网络的损失计算方法存在很多问题。在医学图像分割中，选取合适的损失函数是十分有必要的。已有的文献中提出了许多的损失函数，但只有少部分的文章对提出的损失函数进行了具体的研究。损失函数主要是用于评估模型的预测值和真实标签的匹配程度的重要指标。在过去的几年，不同的损失函数被提出并应用到医学图像分割上。一般形式上，损失函数采用期望风险最小化的形式表示。基于分布的损失函数旨在最小化两种分布的差异。这一类中最基本的是交叉熵，其他的都是基于交叉熵变换来的。基于区域的损失函数旨在最小化ground truth G和预测分割区域S二者不匹配的区域，或者最大化G和S重叠区域。主要代表由Dice loss。基于边界的损失函数是一种新的损失函数类型，旨在最小化ground truth和predicated segmentation的边界距离。
[0003]上述损失函数没有考虑细胞核的先验知识，导致部分细胞核轮廓不光滑、存在异形，影响后续分类的结果。为此，我们提出一种细胞核分割网络的形状损失计算方法。本质就是在交叉熵损失函数中加入基于形状先验的惩罚项，其主要思想是估计预测细胞核边缘区域对核形状特征影响的权重。通过最小化这个权重，使分割后的细胞核与实际细胞核形状上保持一致。在模型训练时采用形状损失函数，可以控制轮廓的生成，解决细胞核轮廓不光滑、异形等问题。

技术实现思路

[0004]本专利技术的目的是为了解决智能病理诊断中的细胞核分割网络损失计算问题，而提出的一种细胞核分割网络的形状损失计算方法。
[0005]上述专利技术目的主要是通过以下技术方案实现的：
[0006]S1、利用语义分割模型输出预测图，这里面的语义分割模型可以是U-Net，FCN，DANet,等语义分割模型。
[0007]S2、计算模型预测图x与标记图y的损失，公式如下：
[0008]L
bce
(x,y)＝-w[ylogx+(1-y)log(1-x)]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)。
[0009]S3、计算预测图中每个细胞核轮廓周围像素点影响其形状特征的权重；如图1所
示，首先以真实边缘的部分点为中心选取大小相等的矩形区域；按照公式2计算每个矩形框中预测区域影响F的权重；
[0010][0011]式中A代表矩形框内真实区域的面积，B代表矩形框内预测区域的面积；I
i
的值越接近于1代表矩形框内预测区域越接近椭圆。
[0012]S4、形状损失惩罚项P，首先计算预测细胞核的形状特征F；然后采用如下公式计算惩罚项，该矩形框内的所有像素点的惩罚项都是P
i
，除了矩形框区域其他区域设置为0；
[0013]P
i
＝(1-I
i
)(1-F)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)。
[0014]S5、计算形状损失L，计算公式如下：
[0015]L＝L
bce
(x,y)+P
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0016]该函数可以有效控制轮廓的形状，避免图像中其他复杂情况的干扰，使轮廓更光滑。
[0017]专利技术效果
[0018]本专利技术提出了一种细胞核分割网络的形状损失计算方法。在训练分割模型时加入形状损失函数，控制轮廓的生成，使细胞核轮廓更光滑。如图2展示了利用本专利技术训练后的模型分割效果。
附图说明
[0019]图1权重计算示意图；
[0020]图2模型分割效果图。
[0021]具体实施方法
[0022]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0023]实施例1：
[0024]本专利技术提供的一种细胞核分割网络的形状损失计算方法，包含如下步骤：
[0025]S1、利用U-Net网络输出预测图；
[0026]S2、计算模型预测图x与标记图y的损失；
[0027]S3、计算预测图中每个细胞核轮廓周围像素点影响其形状特征的权重；
[0028]S4、计算形状损失惩罚项；
[0029]S5、计算形状损失。
[0030]下面对本专利技术实施例进行详细的说明：
[0031]本专利技术实施例具体实现下。
[0032]S1、利用U-Net模型输出预测图。
[0033]S2、计算模型预测图x与标记图y的损失，公式如下：
[0034]L
bce
(x,y)＝-w[ylogx+(1-y)log(1-x)]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)。
[0035]S3、计算预测图中每个细胞核轮廓周围像素点影响其形状特征的权重；如图1所
示，首先以真实边缘的部分点为中心选取大小相等的矩形区域；按照公式2计算每个矩形框中预测区域影响F的权重；
[0036][0037]式中A代表矩形框内真实区域的面积，B代表矩形框内预测区域的面积；I
i
的值越接近于1代表矩形框内预测区域越接近椭圆。
[0038]S4、计算形状损失惩罚项P，首先计算预测细胞核的形状特征(椭圆度)F；然后采用如下公式计算惩罚项，该矩形框内的所有像素点的惩罚项都是P
i
，除了矩形框区域其他区域设置为0；
[0039]P
i
＝(1-I
i
)(1-F)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)。
[0040]S5、计算形状损失L，计算公式如下：
[0041]L＝L
bce
(x,y)+P
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0042]该函数可以有效控制轮廓的形状，避免图像中其他复杂情况的干扰，使轮廓更光滑。最终的实现效果如图2所示，从图中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种细胞核分割网络的形状损失计算方法，其特征在于，包含如下步骤：S1、利用语义分割模型输出预测图x；S2、计算模型预测图x与标记图y的损失；S3、计算预测图中每个细胞核轮廓边缘像素点影响其形状特征的权重；S4、计算形状损失惩罚项；S5、计算形状损失。2.如权利要求1所述的一种细胞核分割网络的形状损失计算方法，其特征在于，步骤S2中计算模型预测图x与标记图y的损失，公式如下：L
bce
(x,y)＝-w[ylogx+(1-y)log(1-x)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中L
bce
(x,y)是二值交叉熵损失函数，w是权重。3.如权利要求1所述的一种细胞核分割网络的形状损失计算方法，其特征在于，步骤S3中计算预测图中每个细胞核轮廓周围像素点影响其形状特征的权重；首先以真实边缘的部分点为中心选取大小相等的矩形区域；按照公式2计算每个矩形框中预测区域影响F的权重；式中A代表矩形框内...

【专利技术属性】
技术研发人员：何勇军，赵晶，赵司琦，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：