一种基于自适应融合模块和跨阶段AU-Net网络的病理细胞图像分割方法及其系统技术方案

本发明专利技术公开了一种基于自适应融合模块和跨阶段AU

【技术实现步骤摘要】
一种基于自适应融合模块和跨阶段AU
‑
Net网络的病理细胞图像分割方法及其系统


[0001]本专利技术属于计算机视觉
，涉及利用深度学习方法对病理细胞图像进行分割，尤其是一种基于自适应融合模块和跨阶段AU
‑
Net网络的病理细胞图像分割方法及其系统。

技术介绍

[0002]癌症是威胁人类生命的常见疾病之一，每年有数以百万的人确诊或死于癌症。根据中国国家癌症中心提供的数据，到2025年，中国的肺癌患者将会达到100万人，而每年死于肺癌的患者只占全球癌症死亡患者的五分之一。早期的癌症一般没有明显临床症状，但可以通过有经验的医生观察计算机断层扫描来进行诊断和治疗。在处理病理细胞图像过程中，去除会干扰病变分析的区域，例如组织液、脂肪等，仅保留病变相关异常区域，可以更好的帮助医生进行诊断治疗。
[0003]图像分割
的大多数方法是基于传统的图像处理算法。其中，阈值法是实现图像分割的最常用方法之一。然而，病理细胞图像中有许多部位的灰度值与体外相似，仅通过阈值法不可能获得更好的效果。近年来深度学习兴起，U
‑
Net网络被广泛用于病理细胞图像分割。中国专利申请(CN201910069034.9)“一种基于UNET的宫颈病理组织分割方法”，通过扫描拼接、降噪、区域划分、UNET模型训练等步骤帮助医生快速、精确地标识出病变组织。但是该方法存在以下问题：(1)网络在下采样过程中损失大量有用信息，使得网络的特征学习能力降低；(2)病理细胞图像分割精度不足，网络结构的分割精度难以应对病理细胞复杂的特征分布，会造成大量的误分割情况。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的缺陷，提供一种基于自适应融合模块和跨阶段AU
‑
Net网络的病理细胞图像分割方法及其系统，将待分割的病理细胞图像送入网络进行分割，经过跨阶段模块、自适应融合模块、密集空洞卷积块，可有效增强网络的学习能力，提升网络的分割精度，辅助医生更好的诊断和治疗。
[0005]为解决上述技术问题，本专利技术采用以下技术方案。
[0006]本专利技术的一种基于自适应融合模块和跨阶段AU
‑
Net网络的病理细胞图像分割方法，包括以下步骤：
[0007]步骤1、搭建基础的U
‑
Net网络，包含一条编码路径和一条解码路径，其编码路径、解码路径均包含卷积操作和采样操作；所述的U
‑
Net网络包括四层，将U
‑
Net网络的左边四层称为编码路径，右边四层称为解码路径；编码路径里每一层对病理细胞图像进行卷积操作，层与层之间进行下采样操作；解码路径里每一层也对病理细胞图像进行卷积操作，层与层之间进行上采样操作；
[0008]步骤2、搭建跨阶段模块，并将跨阶段模块分别应用到U
‑
Net网络的编码路径和解
码路径中；
[0009]步骤3、搭建自适应融合模块，包括两个输入：解码路径上的上采样特征g、通过跳跃连接传输的具有相同分辨率的编码特征x
l
；在步骤2网络里的解码路径中引入自适应融合模块；
[0010]步骤4、采用密集空洞卷积块来替换步骤3网络里的连接编码路径和解码路径所用的卷积块；
[0011]步骤5、将加入跨阶段模块、自适应融合模块、密集空洞卷积块后的U
‑
Net网络称为AU
‑
Net网络；使用AU
‑
Net网络进行病理细胞图像的分割：获取标注好的计算机断层扫描的病理细胞影像数据集，使用AU
‑
Net网络模型进行训练，训练至模型收敛后，将待分割的病理细胞图像送入模型进行分割。
[0012]具体地，所述的步骤1包括：
[0013]1‑
1.在编码路径部分，输入一张128
×
128尺寸的病理细胞图像，经过64个3
×
3的卷积核进行卷积，再通过ReLU函数后得到64个128
×
128的特征通道，得到第一层的处理结果128
×
128
×
64的特征图；通过最大池化操作，对第一层的处理结果128
×
128
×
64的特征图进行下采样为原来大小的一半，同时将通道数变为2倍即64
×
64
×
128；
[0014]后续的下采样过程与上述相同，每一层都会经过卷积来提取图像特征；每下采样一层，均会使图片减小一半，通道数目增加一倍；最终下采样的结果为16
×
16
×
512；
[0015]1‑
2.在解码路径部分：从下往上进行3次上采样；从最下层开始，把16
×
16
×
512的特征图经过上采样，上采样中通过步长为2的双线性插值使图像尺寸翻倍，再经过卷积核数量减半的卷积操作使通道数量减半，完成上采样过程，把图像大小变为32
×
32
×
256，在卷积过程中模型会提取特征；重复上述过程，每一层都会进行卷积操作来提取特征，每上采样一层，都会把图片扩大一倍、通道数目减少一半；最终上采样的结果是128
×
128，即与原图像大小相同的图片。
[0016]具体地，所述的步骤2包括：
[0017]2‑
1.跨阶段模块的搭建：首先对输入的特征图进行一个3
×
3的卷积操作，并将跨阶段模块的内部结构分成两条路径：其路径A直接与路径B的输出串联而形成一种残差网络结构；所述的路径A为跳跃连接，路径B先经过一个卷积核数量减半的3
×
3卷积操作，使得通道数减半且参数量减少，随后路径B内部衍生出一条含有3
×
3卷积操作的并联支路；将路径B里内部衍生出的3
×
3卷积操作的并联支路的输出与路径B原本路径的输出串联；最后将路径B内部串联后得到的特征与路径A的输出特征进行串联融合；跨阶段模块的计算公式为：
[0018]csp(x)＝BN([p(A)，p(B)])
ꢀꢀꢀꢀ
(1)
[0019]其中x为输入图像特征，p(A)表示路径A的输出结果，p(B)表示路径B的输出结果，csp(x)表示该模块最终输出结果；BN层用于解决反向传播过程中梯度方向锯齿问题；
[0020]BN层的计算为
[0021][0022]其中x表示输入节点的值，μ(x)、σ(x)表示求该向量的均值和方差，ε为防止除0引入的极小值，γ、β为待学习的缩放比例和偏移值参数；
[0023]2‑
2.编码路径和解码路径均有4层；编码路径一侧中的前三层的每一层均含有两
个卷积块，其中第二个卷积块是第一个卷积块使用跨阶段模块得到；当每一层的图像进入编码路径中第二个卷积块时，跨阶段模块将前一个卷积块的输入特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应融合模块和跨阶段AU
‑
Net网络的病理细胞图像分割方法，其特征在于，包括以下步骤：步骤1、搭建基础的U
‑
Net网络，包含一条编码路径和一条解码路径，其编码路径、解码路径均包含卷积操作和采样操作；所述的U
‑
Net网络包括四层，将U
‑
Net网络的左边四层称为编码路径，右边四层称为解码路径；编码路径里每一层对病理细胞图像进行卷积操作，层与层之间进行下采样操作；解码路径里每一层也对病理细胞图像进行卷积操作，层与层之间进行上采样操作；步骤2、搭建跨阶段模块，并将跨阶段模块分别应用到U
‑
Net网络的编码路径和解码路径中；步骤3、搭建自适应融合模块，包括两个输入：解码路径上的上采样特征g、通过跳跃连接传输的具有相同分辨率的编码特征x
l
；在步骤2网络里的解码路径中引入自适应融合模块；步骤4、采用密集空洞卷积块来替换步骤3网络里的连接编码路径和解码路径所用的卷积块；步骤5、将加入跨阶段模块、自适应融合模块、密集空洞卷积块后的U
‑
Net网络称为AU
‑
Net网络；使用AU
‑
Net网络进行病理细胞图像的分割：获取标注好的计算机断层扫描的病理细胞影像数据集，使用AU
‑
Net网络模型进行训练，训练至模型收敛后，将待分割的病理细胞图像送入模型进行分割。2.根据权利要求1所述的一种基于自适应融合模块和跨阶段AU
‑
Net网络的病理细胞图像分割方法，其特征在于，所述的步骤1包括：1
‑
1.在编码路径部分，输入一张128
×
128尺寸的病理细胞图像，经过64个3
×
3的卷积核进行卷积，再通过ReLU函数后得到64个128
×
128的特征通道，得到第一层的处理结果128
×
128
×
64的特征图；通过最大池化操作，对第一层的处理结果128
×
128
×
64的特征图进行下采样为原来大小的一半，同时将通道数变为2倍即64
×
64
×
128；后续的下采样过程与上述相同，每一层都会经过卷积来提取图像特征；每下采样一层，均会使图片减小一半，通道数目增加一倍；最终下采样的结果为16
×
16
×
512；1
‑
2.在解码路径部分：从下往上进行3次上采样；从最下层开始，把16
×
16
×
512的特征图经过上采样，上采样中通过步长为2的双线性插值使图像尺寸翻倍，再经过卷积核数量减半的卷积操作使通道数量减半，完成上采样过程，把图像大小变为32
×
32
×
256，在卷积过程中模型会提取特征；重复上述过程，每一层都会进行卷积操作来提取特征，每上采样一层，都会把图片扩大一倍、通道数目减少一半；最终上采样的结果是128
×
128，即与原图像大小相同的图片。3.根据权利要求1所述的一种基于自适应融合模块和跨阶段AU
‑
Net网络的病理细胞图像分割方法，其特征在于，所述的步骤2包括：2
‑
1.跨阶段模块的搭建：首先对输入的特征图进行一个3
×
3的卷积操作，并将跨阶段模块的内部结构分成两条路径：其路径A直接与路径B的输出串联而形成一种残差网络结构；所述的路径A为跳跃连接，路径B先经过一个卷积核数量减半的3
×
3卷积操作，使得通道数减半且参数量减少，随后路径B内部衍生出一条含有3
×
3卷积操作的并联支路；将路径B里内部衍生出的3
×
3卷积操作的并联支路的输出与路径B原本路径的输出串联；最后将路
径B内部串联后得到的特征与路径A的输出特征进行串联融合；跨阶段模块的计算公式为：csp(x)＝BN([p(A)，p(B)])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中x为输入图像特征，p(A)表示路径...

【专利技术属性】
技术研发人员：胡鹤轩，张建宇，黄倩，杨天金，胡强，巫义锐，张晔，狄峰，胡震云，周晓军，沈勤，吕京澴，
申请(专利权)人：玖壹叁陆零医学科技南京有限公司，
类型：发明
国别省市：