【技术实现步骤摘要】
基于深度学习的鳞状上皮肿瘤细胞图片自动分类分割方法
[0001]本专利技术涉及了一种自动分类分割方法，具体涉及一种基于深度学习的鳞状上皮肿瘤细胞图片自动分类分割方法。
技术介绍
[0002]鳞状上皮细胞肿瘤的病理切片中可以观察到肿瘤细胞及其分化情况、炎症细胞浸润以及其他特有特征，肿瘤的发生、生长及转移与肿瘤细胞所处的内外环境有着密切关系，同时肿瘤微环境也影响了肿瘤的预后情况。肿瘤病理切片的阅片，细胞核的分割有助于肿瘤细胞、炎症细胞以及角化、间桥、核分裂像的分类和统计，对确诊鳞状上皮细胞肿瘤、肿瘤的分期分型以及治疗方案的选择都有至关重要的指导意义。
[0003]传统的病理切片观察，主要依靠人工阅片完成。这种方式费时费力、主观性强，且往往需要具有丰富经验的病理学专家才能做出正确的判断。近年来，计算机辅助病理学不断涌现，旨在提供快速、可重复和定量的判断。随着深度学习技术的不断发展，已经进行了许多尝试，来研究深度学习技术在数字化组织学图像中自动检测癌症。目前部分深度学习技术，通过分割细胞核的方法仅仅区分了细胞的良恶性，并未把...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的鳞状上皮肿瘤细胞图片自动分类分割方法，其特征在于：包括如下步骤：步骤1)采集若干张鳞状上皮细胞肿瘤切片图片，将各张鳞状上皮细胞肿瘤切片图片进行预处理标注后均匀分割，获得各张标注鳞状上皮细胞肿瘤切片图片并构建标注切片图片集；将标注切片图片集进行数据增强处理，获得增强切片图片集；步骤2)获取CoNSeP数据集中的若干鳞状上皮细胞肿瘤切片图片及其掩膜，将获取的CoNSeP数据集中的各张鳞状上皮细胞肿瘤切片图片及其掩膜进行步骤1)中的相同的数据增强处理后构建训练图像集；步骤3)构建域自适应细胞核多分类分割网络，域自适应细胞核多分类分割网络包括细胞核分类分割网络和两个域自适应网络DANet，细胞核分类分割网络包括输入层、分类分支、分割分支和回归分支，输入层分别连接分类分支、分割分支和回归分支，分类分支和分割分支分别连接两个域自适应网络DANet；步骤4)将训练图像集输入域自适应细胞核多分类分割网络的细胞核分类分割网络中进行第一轮训练，在第一轮训练中获取细胞核分类分割网络的损失值，通过反向传播法将整体损失值反向传播至细胞核分类分割网络中，并通过梯度下降法更新细胞核分类分割网络的网络参数，同时采用ADAM优化器优化细胞核分类分割网络，最终获得预训练域自适应细胞核多分类分割网络；步骤5)将增强切片图片集和训练图像集输入预训练域自适应细胞核多分类分割网络中进行第二轮训练，在第二轮训练中计算两个域自适应网络DANet的输出结果的二分类交叉熵损失，同时采用ADAM优化器优化预训练域自适应细胞核多分类分割网络，直至二分类交叉熵损失小于预设值完成第二轮训练，获得训练完成的域自适应细胞核多分类分割网络；步骤6)获取待分类分割鳞状上皮细胞肿瘤切片图片，将待分类分割鳞状上皮细胞肿瘤切片图片输入训练完成的域自适应细胞核多分类分割网络中处理，处理后输出待分类分割鳞状上皮细胞肿瘤切片图片中的各个细胞的细胞核的分割结果和类别，实现对待分类分割鳞状上皮细胞肿瘤切片图片的自动分类分割。2.根据权利要求1所述的一种基于深度学习的鳞状上皮肿瘤细胞图片自动分类分割方法，其特征在于：所述的步骤1)中，将各张鳞状上皮细胞肿瘤切片图片进行预处理标注后分割并统一至预设尺寸，具体为将每张鳞状上皮细胞肿瘤切片图片中的每个细胞的细胞核进行类别和轮廓的标注，将标注好的每张鳞状上皮细胞肿瘤切片图片进行均匀切割为若干尺寸相同的正方形的标注鳞状上皮细胞肿瘤切片图片。3.根据权利要求1所述的一种基于深度学习的鳞状上皮肿瘤细胞图片自动分类分割方法，其特征在于：所述的鳞状上皮细胞肿瘤切片图片中的每个细胞的细胞类别具体为上皮细胞、梭形细胞、炎症细胞以及其他细胞。4.根据权利要求1所述的一种基于深度学习的鳞状上皮肿瘤细胞图片自动分类分割方法，其特征在于：所述的步骤1)中，将标注切片图片集进行数据增强处理，具体为将标注切片图片集中的每张标注鳞状上皮细胞肿瘤切片图片均进行数据增强处理，数据增强处理包括仿射变换、随机裁剪大小并放缩为原大小、水平和垂直翻转、高斯模糊以及对比度增强处理，每张标注鳞状上皮细胞肿瘤切片图片分别经过各种数据增强处理后获得若干张增强鳞
状上皮细胞肿瘤切片图片，标注切片图片集获...
【专利技术属性】
技术研发人员：叶娟，王琳艳，杨泽华，宋思远，王亚奇，黄封博，潘新宇，练慧，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。