一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法技术

本发明专利技术公开一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法，包括：对已确诊的骨髓瘤显微图像中的部分骨髓瘤细胞实例进行标注，生成第一轮骨髓瘤细胞实例分割数据集；使用第一轮骨髓瘤细胞实例分割数据集对骨髓瘤细胞实例分割模型进行第一轮深度学习训练；使用第一轮深度学习训练后的模型对未标注的骨髓瘤细胞实例进行分割，生成第二轮骨髓瘤细胞实例分割数据集；使用第二轮骨髓瘤细胞实例分割数据集对第一轮训练后的模型进行第二轮深度学习训练；使用第二轮深度学习训练后的模型对其他骨髓瘤显微图像的骨髓瘤细胞实例进行分割。本发明专利技术的骨髓瘤细胞实例分割方法，降低了人工分割骨髓瘤细胞的标注成本，且具有较高的分割召回率。高的分割召回率。高的分割召回率。

【技术实现步骤摘要】
一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法


[0001]本专利技术涉及计算机视觉与医学图像分析
，更具体来讲，涉及一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法。

技术介绍

[0002]骨髓瘤属于一种血液疾病，与白血病和淋巴瘤一起并称为血液系统的三大高发肿瘤。通过显微镜观察到的骨髓瘤细胞常常表现出多样化的结构特征，因而，准确识别出骨髓瘤细胞可以为骨髓瘤研究人员分析病变产生的原因、发病机理、病变的发展过程提供很好的数据支持，有助于骨髓瘤的研究过程。
[0003]然而，分析大量的显微细胞图像，例如采用手动检测和计数是一项耗时耗力的工作，如果没有自动化的方法，生物学家和疾病研究人员需要花费很长的时间来手动量化(例如检测、分割、计数等)图像。并且，医学图像中细胞的选择标准的差异可能导致观察者之间和观察者自身的高差异性，加上显微图像往往表现出高度的细胞异质性，导致了样本复杂多变，加大了骨髓瘤细胞实例分割的难度。
[0004]近年来，计算机视觉与图像分析技术的发展使得计算机视觉领域的基于深度学习的实例分割算法性能得到迅速提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法，其特征在于，包括：步骤S1：获取已确诊的骨髓瘤显微图像；步骤S2：对已确诊的骨髓瘤显微图像中存在的部分骨髓瘤细胞实例进行像素级标注，生成第一轮骨髓瘤细胞实例分割数据集MCD
p
；步骤S3：建立骨髓瘤细胞实例分割模型；所述骨髓瘤细胞实例分割模型包括骨髓瘤细胞检测模块St1、骨髓瘤细胞分割模块St2和掩膜映射模块；所述骨髓瘤细胞检测模块St1用于输入一骨髓瘤显微图像并输出骨髓瘤细胞检测结果Bb；所述骨髓瘤细胞分割模块St2用于输入骨髓瘤细胞检测结果Bb并输出骨髓瘤细胞的分割掩膜M
′
；所述掩膜映射模块用于将骨髓瘤细胞的分割掩膜M
′
映射回所输入的原骨髓瘤显微图像并输出预测的骨髓瘤细胞分割图像；步骤S4：使用第一轮骨髓瘤细胞实例分割数据集MCD
p
对骨髓瘤细胞实例分割模型进行第一轮深度学习训练；步骤S5：使用第一轮深度学习训练后的骨髓瘤细胞实例分割模型对已确诊的骨髓瘤显微图像中未标注的骨髓瘤细胞实例进行分割，生成第二轮骨髓瘤细胞实例分割数据集MCD
c
；步骤S6：加载第一轮训练后的骨髓瘤细胞实例分割模型；步骤S7：使用第二轮骨髓瘤细胞实例分割数据集MCD
c
对第一轮训练后的骨髓瘤细胞实例分割模型进行第二轮深度学习训练；步骤S8：使用第二轮深度学习训练后的骨髓瘤细胞实例分割模型对其他骨髓瘤显微图像的骨髓瘤细胞实例进行分割。2.如权利要求1所述的一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法，其特征在于：步骤S1中，采用相机拍摄从显微镜观察到的骨髓抽取切片图像以获取所述已确诊的骨髓瘤显微图像；其中，所述骨髓抽取切片图像为已确诊骨髓瘤患者经吉姆萨法染色后的骨髓抽取切片图像。3.如权利要求1所述的一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法，其特征在于，所述步骤S2具体为：随机选取已确诊的骨髓瘤显微图像中的部分骨髓瘤细胞，标注所选取的骨髓瘤细胞的像素区域，以得到所述第一轮骨髓瘤细胞实例分割数据集MCD
p
。4.如权利要求3所述的一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法，其特征在于，所述标注所选取的骨髓瘤细胞的像素区域具体为：为选取的骨髓瘤细胞的像素区域内的每个像素点都分配标签，并将所述第一轮骨髓瘤细胞实例分割数据集MCD
p
中的第i张图片的第j个细胞掩膜样本标注表示为(P
i
，M
i，j
)；其中，P
i
为第i张骨髓瘤显微图像，M
i，j
为第i张骨髓瘤显微图像上的第j个细胞的像素级别标注数据，且j∈[0，N
i
]，N
i
为第i张骨髓瘤显微图像上的骨髓瘤细胞数量。5.如权利要求1所述的一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法，其特征在于：所述骨髓瘤细胞检测模块St1包含一个骨干网络Bn和三个分支模块，该三个分支模块包括骨髓瘤细胞回归模块Dn1、检测结果可信度评估模块Cn1和检测结果误差程度评估模块En；所述骨干网络Bn用于输入骨髓瘤显微图像并提取图像的语义特征Ft，且将语义特征Ft
分别输入至所述骨髓瘤细胞回归模块Dn1、检测结果可信度评估模块Cn1、检测结果误差程度评估模块En；所述骨髓瘤细胞回归模块Dn1、检测结果可信度评估模块Cn1、检测结果误差程度评估模块En接收所述语义特征Ft并分别输出骨髓瘤细胞检测结果Dt1、每个骨髓瘤细胞检测结果的可信度Cr1和每个骨髓瘤细胞检测结果的误差程度De；所述骨髓瘤细胞检测模块St1还根据所述骨髓瘤细胞检测结果Dt1、每个骨髓瘤细胞检测结果的可信度Cr1和每个骨髓瘤细胞检测结果的误差程度De输出最终的骨髓瘤细胞检测结果Bb。6.如权利要求5所述的一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法，其特征在于：所述骨干网络Bn基于ResNet结构并包括前、中、后三个部分，该前、中、后三个部分所抽取的图像特征进行叠加，以作为所述骨干网络Bn所提取的语义特征Ft。7.如权利要求5所述的一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法，其特征在于：所述骨髓瘤细胞回归模块Dn1、检测结果可信度评估模块Cn1、检测结果误差程度评估模块En均包含由relu非线性激活函数连接起来的前半部分卷积层和后半部分卷积层，所述前半部分卷积层的卷积核参数共享，所述后半部分卷积层的卷积核参数不共享；所述骨髓瘤细胞回归模块Dn1的输出通道数是所述检测结果可信度评估模块Cn1、检测结果误差程度评估模块En的输出通道数的4倍；所述骨髓瘤细胞回归模块Dn1的前半部分卷积层用于对所述语义特征Ft增加感受野，其后半部分卷积层用于对骨髓瘤细胞的位置进行预测，其预测结果表示为：t
*
＝[x
*
，y
*
，w
*
，h
*
]；其中，x
*
为骨髓瘤细胞中心点的横坐标，y
*
为骨髓瘤细胞中心点的纵坐标，w
*
为骨髓瘤细胞的宽度，h
*
为骨髓瘤细胞的高度；所述检测结果可信度评估模块Cn1的前半部分卷积层用于对所述语义特征Ft增加感受野，其后半部分卷积层用于对所述骨髓瘤细胞回归模块Dn1的预测结果进行可信度预测，其预测结果表示为s*；其中，s*...

【专利技术属性】
技术研发人员：朱顺痣，严燚，王继伟，叶海礼，李建敏，王大寒，
申请(专利权)人：王继伟，
类型：发明
国别省市：