基于残差网络和空洞卷积的宫颈细胞核图像分割方法及系统技术方案

本发明专利技术提供了一种基于残差网络和空洞卷积的宫颈细胞核图像分割方法及系统，通过复用依次卷积的低层特征提取网络，通过将低层的特征信息添加到高层信息中，低层信息和高层信息优劣互补，提高较多细节信息底层特征层的利用率，增强了网络对细胞的学习能力。增强了网络对细胞的学习能力。增强了网络对细胞的学习能力。

【技术实现步骤摘要】
基于残差网络和空洞卷积的宫颈细胞核图像分割方法及系统


[0001]本专利技术属于图像分割
，尤其涉及基于残差网络和空洞卷积的宫颈细胞核图像分割方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]宫颈癌是妇科疾病中常见的病症，我国每年约有4
‑
8万人死于宫颈癌，极大危害女性的健康。宫颈癌从早期病变变成明显症状再到急剧恶化大约得持续8
‑
10年的时间。医学研究表明，宫颈癌若在早期被发现几乎能完全治愈，然而宫颈癌的早期无明显症状，很容易错过最佳治疗时期，因此，宫颈癌的早期筛查与治疗成为当下热门的课题之一。
[0004]近年来随着人工智能的不断发展，计算机辅助医疗诊断成为科学研究的热点。宫颈细胞图像分割方法可以分为两类：传统机器学习算法，深度学习算法。其中传统算法主要有：阈值分割，边缘检测，分水岭算法。阈值算法通过调节阈值分割前景和背景具有明显差异的情况，但目标空间的结构信息弱，故对于背景较为复杂的图像分割效果欠佳；边缘检测适用于细胞区域和非细胞区域的轮廓提取，却对噪声较为敏感；分水岭算法虽然不需要前期很多的预处理，但却需要种子点的先验知识。进一步提高传统算法的准确率存在困难，相比过去深度学习方法在细胞分割领域大放异彩，解决复杂场景下的细胞分割问题泛化性更强。最初是将全卷积神经网络(FCN)运用到宫颈细胞图像分割上，由于对图像中的细节不够敏感，没有充分考虑像素与像素之间的关系，缺乏空间一致性，导致细胞核分割精度偏低。Mask
‑
RCNN实例分割是目标检测和语义分割的结合，该网络在精准目标检测的同时还能获得高质量的图像分割，但图像在对小目标进行特征提取时，容易产生无法避免也不可逆的信息损失，减少图像信息的损失是提高分割准确度的关键，细胞核分割对于癌症的分类有着决定性作用，利用深度神经网络进行精准分割具有重要的应用价值。

技术实现思路

[0005]为克服上述现有技术的不足，本专利技术提供了一种基于残差网络和空洞卷积的宫颈细胞核图像分割方法及系统，通过复用依次卷积的低层特征提取网络，通过将低层的特征信息添加到高层信息中，低层信息和高层信息优劣互补，提高较多细节信息底层特征层的利用率，增强了网络对细胞的学习能力。
[0006]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：基于残差网络和空洞卷积的宫颈细胞核图像分割方法，包括：
[0007]获取宫颈细胞图像并进行预处理，将经过预处理后的宫颈细胞图像划分为训练集和测试集；
[0008]构建分割模型，所述分割模型包括复用依次卷积的特征提取网络和实例分割网络；所述复用依次卷积的特征提取网络用于将底层特征信息添加到高层特征信息中；
[0009]利用所述训练集的宫颈细胞图像训练所述分割模型，得到训练好的分割模型；
[0010]利用所述测试集中的宫颈细胞图像输出至训练好的分割模型中，输出分割结果。
[0011]本专利技术的第二个方面提供基于残差网络和空洞卷积的宫颈细胞核图像分割系统，包括：
[0012]图像获取处理模块，其被配置为：获取宫颈细胞图像并进行预处理，将经过预处理后的宫颈细胞图像划分为训练集和测试集；
[0013]模型构建模块，其被配置为：构建分割模型，所述分割模型包括复用依次卷积的特征提取网络和实例分割网络；所述复用依次卷积的特征提取网络用于将底层特征信息添加到高层特征信息中；
[0014]训练模块，其被配置为：利用所述训练集的宫颈细胞图像训练所述分割模型，得到训练好的分割模型；
[0015]输出模块，其被配置为：利用所述测试集中的宫颈细胞图像输出至训练好的分割模型中，输出分割结果。
[0016]本专利技术的第三个方面提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。
[0017]本专利技术的第四个方面提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。
[0018]以上一个或多个技术方案存在以下有益效果：
[0019]本专利技术在宫颈细胞图像的特征提取上采用复用依次卷积的低层特征提取网络，通过将低层的特征信息添加到高层信息中，低层信息和高层信息优劣互补，提高较多细节信息底层特征层的利用率，增强了网络对细胞的学习能力。
[0020]本专利技术通过引入空洞卷积算法扩大卷积感受野，进一步提高了掩膜预测的精度。
[0021]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0022]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0023]图1为本专利技术实施例一中方法整体示意图；
[0024]图2是本专利技术实施例一中整体分割模型网络结构示意图；
[0025]图3是本专利技术实施例一中复用依次卷积的低层特征提取网络结构示意图；
[0026]图4是本专利技术实施例一中空洞卷积过程示意图；
[0027]图5是本专利技术验证分割精度示意图；
[0028]图6是本专利技术的分割掩膜展示图。
具体实施方式
[0029]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常
理解的相同含义。
[0030]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。
[0031]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0032]实施例一
[0033]如图1
‑
图6所示，本实施例公开了一种基于残差网络和空洞卷积的宫颈细胞核图像分割方法，包括：
[0034]获取宫颈细胞图像并进行预处理，将经过预处理后的宫颈细胞图像划分为训练集和测试集；
[0035]构建分割模型，所述分割模型包括复用依次卷积的特征提取网络和实例分割网络；所述复用依次卷积的特征提取网络用于将底层特征信息添加到高层特征信息中；
[0036]利用所述训练集的宫颈细胞图像训练所述分割模型，得到训练好的分割模型；
[0037]利用所述测试集中的宫颈细胞图像输出至训练好的分割模型中，输出分割结果。
[0038]在本实施例中，选取ISBI2014作为实验数据集，对数据预处理生成所需的COCO数据集，将COCO数据集分为测试集和训练集。
[0039]在本实施例中，通过对宫颈细胞核图像通过翻转、旋转、裁剪、对比度等方法进行预处理，弥补样本数据的不平衡。
[0040]在本实施例中，分割模型基于Mask RCNN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于残差网络和空洞卷积的宫颈细胞核图像分割方法，其特征在于，包括：获取宫颈细胞图像并进行预处理，将经过预处理后的宫颈细胞图像划分为训练集和测试集；构建分割模型，所述分割模型包括复用依次卷积的特征提取网络和实例分割网络；所述复用依次卷积的特征提取网络用于将底层特征信息添加到高层特征信息中；利用所述训练集的宫颈细胞图像训练所述分割模型，得到训练好的分割模型；利用所述测试集中的宫颈细胞图像输出至训练好的分割模型中，输出分割结果。2.如权利要求1所述的基于残差网络和空洞卷积的宫颈细胞核图像分割方法，其特征在于，所述复用依次卷积的特征提取网络以Resnet残差网络为骨干网络，将经过预处理后的宫颈细胞图像经过压缩后的特征图C1分别经过三个卷积块进行卷积处理，得到特征图C1C2、特征图C1C3、特征图C1C4；将特征图C1分别经过2次、3次、4次和5次压缩后得到特征图C2、特征图C3、特征图C4、特征图C5；将特征图C5进行卷积得到特征图P5，特征图P5经过最大池化操作后得到特征图P6；将特征图C5进行卷积、上采样后与特征图C4、特征图C1C4累加得到特征图P4；将特征图P4上采样后与特征图C3、特征图C1C3累加，再进行256通道卷积后得到特征图P3；将特征图P3上采样后与特征图C2、特征图C1C2累加，得到特征图P2；基于上述P2、P3、P4、P5、P6构建的特征金字塔，以实现多尺度的融合。3.如权利要求2所述的基于残差网络和空洞卷积的宫颈细胞核图像分割方法，其特征在于，所述实例分割网络以骨干网络和特征金字塔网络作为主干网路，通过在特征金字塔网络P2,P3,P4,P5,P6的最后一层添加空洞卷积，增大感受野。4.如权利要求1所述的基于残差网络和空洞卷积的宫颈细胞核图像分割方法，其特征在于，所述预处理包括：翻转、旋转、裁剪、对比度。5.基于残差网络和空洞卷积的宫颈细胞核图像分割系统，其特征在于，包括：图像获取处理模块，其被配置为：获取宫颈细胞图像并进行预处理，将经过预处理后的宫颈细胞图像划分为训练集和测试集；模型构建模块，其被配置为：构建分割模型，所述分割模型包括复用依次卷积的特征提取网络和实例分割网络；所述复用依次卷积的特征提取网络用...

【专利技术属性】
技术研发人员：岳伟伟，丁艳静，李庆华，
申请(专利权)人：山东第一医科大学山东省医学科学院，
类型：发明
国别省市：