基于生成式对抗网络的胃癌病理切片图像分割预测方法技术

本发明专利技术公开了一种基于生成式对抗网络的胃癌病理切片图像分割预测方法，该方法包括下述步骤：基于图像增强技术提取图像的形态特征和感兴趣的区域；基于多尺度全卷积网络的分割模型M

【技术实现步骤摘要】
基于生成式对抗网络的胃癌病理切片图像分割预测方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于生成式对抗网络的胃癌病理切片图像分割预测方法。

技术介绍

[0002]由于病理切片可以用扫描仪扫描为数字病理切片，并能够储存在计算机中，因此利用计算机的方法对数字病理切片进行诊断也成为了可能，同时还能够减轻医生的工作量。目前，基于UNet等的分割网络已经能够利用深度学习技术对数字病理切片实现较为精确的分割，但是普遍存在以下问题：
[0003](1)网络复杂度高，分割网络会含带大量参数，在训练阶段时需要耗费大量硬件资源和时间，同时预测结果的运行效率也不够高；
[0004](2)存在假阳性的现象，许多早期恶性肿瘤的病理切片中只包含了很少癌变区域，早期恶性肿瘤病理切片中癌变区域的稀疏性导致了预测结果中假阳性的问题偏多；
[0005](3)多尺度信息未能充分捕捉，病理切片中病灶大小、形态往往存在巨大差异。这需要神经网络可以同时捕捉粗粒度的腺体特征和细粒度的细胞特征。但现有的分割网络对不同尺度的信息挖掘依然不够充分。...

【技术保护点】

【技术特征摘要】
1.一种基于生成式对抗网络的胃癌病理切片图像分割预测方法，其特征在于，包括下述步骤：基于图像增强技术提取图像的形态特征和感兴趣的区域；基于多尺度全卷积网络的分割模型M
‑
FCN对图像进行分割，采用具有不同尺寸的卷积核的全卷积网络模型，对胃癌病理切片图像同时进行卷积，在单个全卷积网络上设置卷积层、池化层和反卷积层，池化层操作和卷积层操作交替组合进行，通过卷积池化操作，提取不同尺度的细胞组织特征，通过反卷积层恢复图像大小；基于空洞卷积原理得到优化的分割模型M
‑
DFCN；基于生成式对抗网络的博弈思想，通过对抗训练对分割模型M
‑
DFCN做更高阶的约束与判断，进行对抗训练；基于动态交替训练的对抗训练进行结果预测，区分分割图和分割标签图。2.根据权利要求1所述的基于生成式对抗网络的胃癌病理切片图像分割预测方法，其特征在于，基于图像增强技术提取图像的形态特征，具体步骤包括：使用限制对比度自适应直方图均衡化算法去除噪声和增强图像；基于图像的灰度统计对图像执行自定义非线性调整；采用图像增强对数据集进行扩充。3.根据权利要求1所述的基于生成式对抗网络的胃癌病理切片图像分割预测方法，其特征在于，所述基于空洞卷积原理得到优化的分割模型M
‑
DFCN，具体步骤包括：采用tanh激活函数，并在第一层和第四层网络中去掉池化操作，设置空洞率；在第五层通过反卷积，使图像恢复到与原始图像大小相同的分割图像；通过Softmax激活函数，对于不同尺度的全卷积网络得到的分割结果，将多个神经元输出，映射到(0，1)区间内，从而进行分类，得到每一个像素分类的标签的概率；通过等权重融合方式，选择最终分割的标签，得到分割结果。4.根据权利要求1所述的基于生成式对抗网络的胃癌病理切片图像分割预测方法，其特征在于，所述基于生成式对抗网络的博弈思想，通过对抗训练对分割模型M
‑
DFCN做更高阶的约束与判断，进行对抗训练，具体步骤包括：采用交替训练的方式，分别训练分割模型M
‑
DFCN和判别网络；训练判别网络，定义损失函数为：设置参数使得第一项D(X
n
,Y
n

【专利技术属性】
技术研发人员：黄俊扬，万佳杰，唐杰，赖嘉兴，裴贝，黄泳琳，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：