一种基于上下文特征融合的细胞核分割方法及相关设备技术

本发明专利技术公开了一种基于上下文特征融合的细胞核分割方法及相关设备，所述方法包括：获取医学细胞图像，将医学细胞图像输入至卷积神经网络进行堆叠得到多个特征图，并将每个特征图输入特征金字塔，特征金字塔中的上下文增强模块对特征图进行特征融合得到输出特征；将输出特征输入到区域提取网络得到候选框，感兴趣区域对齐层将根据候选框得到感兴趣区域特征；将感兴趣区域特征发送给特征自适应选择模块得到特征级别的组合特征表示；基于组合特征表示分别计算出感兴趣区域的类别分类、候选框坐标和边缘感知掩码，从而实现细胞核进行分割。本发明专利技术通过上下文增强模块和特征自适应选择模块对医学细胞图像进行处理，显著提高病理切片细胞核的分割精度。片细胞核的分割精度。片细胞核的分割精度。

【技术实现步骤摘要】
一种基于上下文特征融合的细胞核分割方法及相关设备


[0001]本专利技术涉及医学图像处理领域，尤其涉及一种基于上下文特征融合的细胞核分割方法、系统、终端及计算机可读存储介质。

技术介绍

[0002]医学图像分割是医学图像处理与分析过程的重要组成部分，也是计算机辅助诊断的关键步骤；医学图像分割的目的就是将医学图像中解剖或病理结构的变化更加清晰，它在计算机辅助诊断和智慧医疗中发挥着至关重要的作用，极大地提高了诊断效率和准确性。目前常见的医学图像分割任务包括肝脏和肝脏肿瘤分割、脑和脑肿瘤分割、细胞分割、肺分割和肺结节等，其中细胞核分割主要应用于癌症诊断过程中。细胞核分割是整个组织细胞图像分析中的关键一步。在数字显微组织图像中，细胞核分割可以提取高质量的特征，用于核形态的检测和其他计算病理学的分析，如果分割结果不准确会对后续的分析步骤产生很大的影响。在不同患者、器官和疾病状态的组织图像中精准分割细胞核的技术也可以为临床和医学研究软件的开发做出重要的贡献。如果可以达到精确分割，就可以得到详细的形态和外观特征，如细胞核与细胞质的比例、细胞核的平均大小和多边本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于上下文特征融合的细胞核分割方法，其特征在于，所述基于上下文特征融合的细胞核分割方法包括：获取医学细胞图像，将所述医学细胞图像输入至卷积神经网络进行堆叠得到多个特征图，并将每个所述特征图输入至特征金字塔，所述特征金字塔中的上下文增强模块对每个所述特征图进行特征融合得到输出特征；将所述输出特征输入到区域提取网络，所述区域提取网络根据所述输出特征得到候选框，感兴趣区域对齐层将根据所述候选框得到感兴趣区域特征；将所述感兴趣区域特征发送给特征自适应选择模块，所述特征自适应选择模块根据所述感兴趣区域特征得到感兴趣区域中所有特征级别的组合特征表示；基于所述组合特征表示分别计算出所述感兴趣区域的类别分类、所述候选框的坐标和边缘感知掩码，并基于所述类别分类、所述坐标和所述边缘感知掩码对病理图像细胞核进行分割。2.根据权利要求1所述的基于上下文特征融合的细胞核分割方法，其特征在于，所述获取医学细胞图像，将所述医学细胞图像输入至卷积神经网络进行堆叠得到多个特征图，并将每个所述特征图输入至特征金字塔，所述特征金字塔中的上下文增强模块对每个所述特征图进行特征融合得到输出特征，具体包括：获取所述医学细胞图像，将所述医学细胞图像输入至所述卷积神经网络进行堆叠，根据下采样改变所述医学细胞图像的分辨率，并根据所述分辨率的不同得到不同的阶段的特征图；获取多个不同扩张率的空洞卷积，根据密集连接的方式将每个不同扩张率的空洞卷积进行结合得到特征金字塔，并将所述特征图输入至所述特征金字塔中；所述特征金字塔中根据上下文增强模块增强所述特征图的粗粒度信息，并将增强后的粗粒度信息与原始的粗粒度信息进行像素相加融合，得到所述输出特征。3.根据权利要求2所述的基于上下文特征融合的细胞核分割方法，其特征在于，所述将所述特征图输入至所述特征金字塔中，之后还包括：对所述特征图的输入信号进行空洞卷积操作得到的输出信号为：其中，y[i]为空洞卷积操作后得到的输出信号，i为特征图某一像素的位置下标，d为扩张率，w[k]为卷积核的第k个参数，其中，当d＝1时，所述空洞卷积为普通卷积；所述密集连接的输出方式为：x
l
＝H
l
([x1,x2,
…
,x
l
])；其中，l为层数，x
l
为第l层的输出，H
l
为对第l层非线性变换。4.根据权利要求2所述的基于上下文特征融合的细胞核分割方法，其特征在于，所述空洞卷积的计算公式为：其中，y
i
为前一阶段第i层的输出特征图，H为输入特征图的高，d
i
为第i层的扩张率，K为空洞卷积层的尺寸，[y
i
,y
i
‑1,
…
,y1]为之前所有特征层进行级联所产生的特征图，y1表示前一阶段第一层的输出特征图。5.根据权利要求2所述的基于上下文特征融合的细胞核分割方法，其特征在于，所述获取多个不同扩张率的空洞卷积，根据密集连接的方式将每个不同扩张率的空洞卷积进行结
合得到密集金字塔，并将所述特征图输入至所述密集金字塔中，之后还包括：对全局平均池化层处理得到全局特征向量，将所述全局特征向量进行上采样得到目标全局特征向量，并将所述目标全局特征向量与空洞卷积层的输出进行连接获得特征图；将所述特征图输入到一个1
×
1的卷积层中，并融合所述特征图的粗粒度和细粒度特征。6.根据权利要求2所述的基于上下文特征融合的细胞核分割方法，其特征在于，所述基于上下文增强模块增强所述特征图的粗粒度信息，并将增强后的粗粒度信息与原始的粗粒度信息进行像素相加融合，得到输出特征，之后还包括：获取输入特征图F，根据卷积层W
q
和卷积层W
k
分别将所述输入特征图的特征映射转换到潜在特征空间，得到特征图Q和特征图K
’
；对所述特征图Q和所述特征图K
’
进行特征维度重组得到目标特征图，对所述目标特征图处理得到关系矩阵，并对所述关系矩阵进行归一化处理得到...

【专利技术属性】
技术研发人员：田永鸿，高文，陈杰，徐凡，耿睿哲，
申请(专利权)人：鹏城实验室，
类型：发明
国别省市：