基于神经网络的肺部病理切片癌细胞分割算法制造技术

本发明专利技术公开了一种基于神经网络的肺部病理切片癌细胞分割算法，首先，根据实验需要收集一定数量肺癌病人的肺部病理切片图像数据，完成数据的采集；之后使用预处理技术对数据进行初步处理得到符合标准的数据，并将数据集分为训练集和验证集；接下来根据算法设计逐步搭建图像分割模型，在模型搭建好后，使用训练集对模型进行训练，并使用验证集对模型效果进行评估；最后在模型训练完毕后使用本专利算法提出的网络对癌变区域进行预测。结果表明，本发明专利技术提出的网络性能更优。我们可以得出结论，在基于肺病理切片图像的小细胞肺癌分割中，相比于传统方法，本申请的方法更加清晰明了，得到的预测结果更加准确。的预测结果更加准确。的预测结果更加准确。

【技术实现步骤摘要】
基于神经网络的肺部病理切片癌细胞分割算法


[0001]本专利技术属于深度学习
，具体涉及一种基于神经网络的肺部病理切片癌细胞分割算法。

技术介绍

[0002]随着计算机技术的高速发展，计算机医学图像处理在特征提取和分析的研究中发挥着重要作用，计算机在医疗辅助诊断中也发挥着越来越大的作用。如何将模式识别，图像分割与临床病理组织切片的诊断更好的结合在一起已经成为当前研究的主要方向之一。肺肿瘤的病理组织切片诊断作为临床诊断的难点之一，自然也被列为研究的热点数据类型之一。
[0003]不同于CT和MRI影像，肺肿瘤病理组织切片图像的特征提取难度更大，近几年，相比其他人体器官和组织的医学影像分析比如肝癌分割，乳腺癌分割等，针对肺肿瘤病理切片图像分割的研究较少。在算法方面，仍然存在很多不足，比如特征提取缺少针对性目的性，卷积神经网络的特征向量维度过高，分割或者分类的精度还不足以达到临床应用的要求，研究过程中缺少病理专家的诊断学指导等等。

技术实现思路

[0004]为了解决现有技术中的问题，本专利技术提供一种基于神经网络的肺部病理切片癌细胞分割算法，解决现有技术中特征提取缺少针对性目的性，卷积神经网络的特征向量维度过高，分割或者分类的精度还不足以达到临床应用的要求问题。
[0005]本专利技术的技术方案为：
[0006]一种基于神经网络的肺部病理切片癌细胞分割算法，包括以下步骤：
[0007]S1、数据预处理，获得所需的肺部病理切片图像；
[0008]S2、运用高分辨率多尺度特征融合网络构建分割模型；具体包括：
[0009]S2
‑
1、将病理切片图像的patch输入高分辨率多尺度特征融合网络模型；
[0010]S2
‑
2、依据构建的分割模型，生成预测的普通细胞区域和癌变细胞区域；
[0011]S3、对所述分割模型进行模型训练和评估。
[0012]所述S1步骤包括：
[0013]S1
‑
1、采用病理学切片图像数据作为数据源；
[0014]S1
‑
2、将XML格式的标注文件转换为与图像大小相同的二值PNG图像；
[0015]S1
‑
3、使用改进的基于Vahadane方法的颜色归一化方法来处理数据；
[0016]S1
‑
4、使用数据增强技术，如镜像、翻转、旋转和偏移来扩充数据量。
[0017]所述S2高分辨率多尺度特征融合网络模型包括卷积层、归一化层、ReLU激活函数和反卷积层。
[0018]所述S3步骤包括：
[0019]S3
‑
1、使用Cross
‑
Entropy Loss和Dice Score Loss之和作为损失函数；其中
Cross
‑
Entropy Loss的计算公式为：
[0020][0021]Dice Score Loss的计算公式为：
[0022][0023]S3
‑
2、使用SGD对模型进行优化；将mini
‑
batch大小设置为12，学习率设置为0.01，采用聚学习率策略调整学习率，学习率下降公式为：
[0024][0025]其中lr
initial
＝0.01，power＝0.9，iter
max
＝500；然后使用He初始化策略来初始化权重；最后，选择mIOU(平均交并比)最高的模型作为最佳模型。
[0026]本专利技术有益效果：本专利技术提出了一种基于多尺度融合网络的小细胞肺癌病理切片图像自动分割模型。这是一个重要的问题，因为U型网络的发展与医学图像分割的发展密切相关，多尺度特征的提取有利于高分辨率医学图像分割算法的发展。本专利技术提出了一种基于多尺度特征融合的U形网络。我们使用mIOU作为分割效果的主要评价标准。结果表明，本专利技术提出的网络性能更优。我们可以得出结论，在基于肺病理切片图像的小细胞肺癌分割中，相比于传统方法，本申请的方法更加清晰明了，得到的预测结果更加准确。
附图说明
[0027]图1为本专利技术方法的流程图；
[0028]图2为本专利技术的高分辨率多尺度特征融合网络的结构示意图；
[0029]图3为本专利技术的预测结果与标注结果的示意图。
具体实施方式
[0030]以下结合附图1～3和具体实施例对本专利技术作进一步详细说明，但不作为对本专利技术的限定。
[0031]一种基于多尺度特征融合的肺部病理切片癌细胞分割方法，如图1所示，包括以下步骤：
[0032]S1、数据预处理，获得所需的肺部病理切片图像；
[0033]S1
‑
1、采用病理学切片图像数据作为数据源；
[0034]S1
‑
2、将XML格式的标注文件转换为与图像大小相同的二值PNG图像；
[0035]S1
‑
3、使用改进的基于Vahadane方法的颜色归一化方法来处理数据。
[0036]S1
‑
4、使用数据增强技术，如镜像、翻转、旋转和偏移来扩充数据量。
[0037]S2、运用高分辨率多尺度特征融合网络构建分割模型；
[0038]S2
‑
1、将病理切片图像的patch输入高分辨率多尺度特征融合网络模型，高分辨率多尺度特征融合网络模型包括卷积层、归一化层、ReLU激活函数和反卷积层。；
[0039]S2
‑
2、依据构建的分割模型，生成预测的普通细胞区域和癌变细胞区域。
[0040]S3、对所述分割模型进行模型训练和评估。
[0041]S3
‑
1、使用Cross
‑
Entropy Loss和Dice Score Loss之和作为损失函数；其中Cross
‑
Entropy Loss的计算公式为：
[0042][0043]Dice Score Loss的计算公式为：
[0044][0045]S3
‑
2、使用SGD对模型进行优化。将mini
‑
batch大小设置为12，学习率设置为0.01，采用聚学习率策略调整学习率，学习率下降公式为：
[0046][0047]其中lr
initial
＝0.01，power＝0.9，iter
max
＝500。然后使用He初始化策略来初始化权重。最后，选择mIOU(平均交并比)最高的模型作为最佳模型。
[0048]在具体的预测方法中，使用数字幻灯片扫描仪(Hamamatsu Nano Zoomer digital Pathology)对31例患者的肺组织切片进行了H&E染色，客观放大倍数为20倍。形态学诊断依据世界卫生组织(WHO)肺、胸膜、胸腺、心脏肿瘤分类标准(第四本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的肺部病理切片癌细胞分割算法，其特征在于，包括以下步骤：S1、数据预处理，获得所需的肺部病理切片图像；S2、运用高分辨率多尺度特征融合网络构建分割模型；具体包括：S2
‑
1、将病理切片图像的patch输入高分辨率多尺度特征融合网络模型；S2
‑
2、依据构建的分割模型，生成预测的普通细胞区域和癌变细胞区域；S3、对所述分割模型进行模型训练和评估。2.根据权利要求1所述基于神经网络的肺部病理切片癌细胞分割算法，其特征在于，所述S1步骤包括：S1
‑
1、采用病理学切片图像数据作为数据源；S1
‑
2、将XML格式的标注文件转换为与图像大小相同的二值PNG图像；S1
‑
3、使用改进的基于Vahadane方法的颜色归一化方法来处理数据；S1
‑
4、使用数据增强技术，如镜像、翻转、旋转和偏移来扩充数据量。3.根据权利要求1所述基于神经网络的肺部病理切片癌...

【专利技术属性】
技术研发人员：徐君海，张钦程，魏建国，
申请(专利权)人：天津大学，
类型：发明
国别省市：