基于深度学习的异质性细胞检测方法及装置制造方法及图纸

本申请涉及一种基于深度学习的异质性细胞检测方法及装置，本申请通过从细胞级标注中挖掘其隐含的区域信息，从而对异质性细胞的检测结果添加区域约束，进而进行修正，实现异质性细胞检测准确率的有效提升；相比较现有的异质性细胞检测方法，本申请仅需要细胞级标注，不需要进一步的区域级标注，大大降低了现有方法所必须的标注成本。法所必须的标注成本。法所必须的标注成本。

【技术实现步骤摘要】
基于深度学习的异质性细胞检测方法及装置


[0001]本申请涉及细胞检测领域，具体地，涉及一种基于深度学习的异质性细胞检测方法及装置。

技术介绍

[0002]在医学诊断过程中，依赖形态学的组织病理诊断是病理学诊断的主要手段，常被作为明确病变和指导临床选择相应治疗方案的“金标准”。然而病理诊断需要病理学家在高度复杂的组织图像中识别细微的病理学改变，随着临床需求的增加，病理医生的工作压力和劳动强度也越来越大。近年来，深度学习技术逐渐发展成熟，其在许多医疗场景中的使用越来越多。将深度学习与病理学进行结合，辅助病理医师进行诊断工作，提高病理专家的诊断效率，这也是病理诊断与新技术融合的新的发展方向。
[0003]在病理诊断中，细胞检测是一项基础且重要的任务。其中，癌细胞、肿瘤细胞及各类炎性细胞等与一些疾病的诊断密切相关。细胞检测常用于疾病筛查、病理分型等过程。而利用深度学习的方法自动检测组织病理细胞，可以大大减轻病理学家的负担。
[0004]近年来，随着医学成像深度学习的快速发展，卷积神经网络被应用于各种组织病理图像细胞检测任务。但是病理图像中的细胞分布具有异质性特点，即不同类别的细胞具有相似的特征但是分布于不同区域。以子宫内膜组织病理图像为例，其通常包含基质和上皮区域，其中基质区域有四种与子宫内膜炎和生殖问题密切相关的炎性细胞，包括淋巴细胞、浆细胞、嗜酸性粒细胞和中性粒细胞。然而，在上皮区域存在一些细胞与基质内的炎性细胞特征相似，从而易造成对每个区域的细胞都进行同等分析的深度学习方法常将上皮细胞误判为炎性细胞，从而影响炎性细胞检测的准确率，对后续诊断造成不利影响。
[0005]现有的细胞检测方法为了实现具有异质性分布的细胞的精准检测，常采用区域级的标注做引导，构建两阶段的模型，分别进行细胞检测和区域分割，实现在检测中融入区域级信息。但是，由于区域形状多变且边界表示不明显，区域级标注成本是比较高的，因此，此类方法的应用过程是较为复杂的。此外，许多人建议使用注意力机制来捕获细胞的空间分布信息。然而，现有的注意力机制多是基于卷积实现的，而卷积只能捕获局部关系。另外，用于捕获全局信息的Non
‑
Local块，只是简单地使用学习到的确定性关系(即加权和)作为权重来聚合特征，这种方式的全局信息的挖掘能力较弱，缺乏足够的适应性。因此，以上方法无法有效获取病理图像中细胞的全局区域分布信息，从而无法对具有异质性分布的细胞实现有效检测。

技术实现思路

[0006]为了克服现有技术中的至少一个不足，本申请实施例提供一种基于深度学习的异质性细胞检测方法及装置。
[0007]第一方面，提供一种基于深度学习的异质性细胞检测模型构建方法，包括：
[0008]获取模型构建数据，模型构建数据包括具有异质性分布的各类细胞的原始图像、
细胞位置似然图和细胞级标注；
[0009]基于原始图像对异质性细胞检测模型进行训练，得到训练后的异质性细胞检测模型；异质性细胞检测模型包细胞检测网络、区域学习网络、区域引导模块；细胞检测网络用于根据原始图像得到细胞特征；区域学习网络用于根据原始图像得到目标区域预测结果；区域引导模块用于根据细胞特征和目标区域预测结果，得到细胞预测结果；
[0010]根据细胞位置似然图和细胞级标注确定异质性细胞检测模型的损失函数。
[0011]在一个实施例中，根据细胞位置似然图和细胞级标注确定异质性细胞检测模型的损失函数，包括：
[0012]将细胞级标注输入到区域获取模块，得到区域掩膜；
[0013]根据区域掩膜和所述目标区域预测结果，得到区域损失函数；
[0014]根据细胞位置似然图和细胞预测结果得到检测损失函数；
[0015]根据区域损失函数和检测损失函数，确定异质性细胞检测模型的损失函数。
[0016]在一个实施例中，将细胞级标注输入到区域获取模块，得到区域掩膜，包括：
[0017]细胞级标注中每个细胞的位置点构成点集S；
[0018]根据点集S和损失函数参数α，采用Alpha
‑
shape算法进行处理，得到边界；
[0019]对边界进行内部填充，得到区域掩膜。
[0020]在一个实施例中，根据区域掩膜和目标区域预测结果，得到区域损失函数，包括：
[0021][0022]其中，L
region
为区域损失函数，Ω
r
为区域掩膜的像素集合，r
j
为像素集合中第j个像素，x是输入图像，f(x)为目标区域预测结果，r为区域掩膜。
[0023]在一个实施例中，根据细胞位置似然图和细胞预测结果得到检测损失函数，包括：
[0024]L
det
＝
‑
αy(1
‑
p)
γ
log(p)
‑
(1
‑
α)(1
‑
y)p
γ
log(1
‑
p)
[0025]其中，L
det
为检测损失函数，α、γ均为损失函数参数，p是细胞预测结果，y是细胞位置似然图。
[0026]在一个实施例中，根据区域损失函数和检测损失函数，确定异质性细胞检测模型的损失函数，包括：
[0027]L
total
＝L
det
+λL
region
[0028]其中，L
total
为异质性细胞检测模型的损失函数，L
det
为检测损失函数，L
region
为区域损失函数，λ为区域损失函数系数。
[0029]在一个实施例中，细胞检测网络包括共享编码器和第一解码器，区域学习网络包括共享编码器和第二解码器。
[0030]第二方面，提供一种基于深度学习的异质性细胞检测模型构建装置，包括：
[0031]模型构建数据获取单元，用于获取模型构建数据，模型构建数据包括具有异质性分布的各类细胞的原始图像、细胞位置似然图和细胞级标注；
[0032]模型训练单元，用于基于原始图像对异质性细胞检测模型进行训练，得到训练后
的异质性细胞检测模型；异质性细胞检测模型包细胞检测网络、区域学习网络、区域引导模块；细胞检测网络用于根据原始图像得到细胞特征；区域学习网络用于根据原始图像得到目标区域预测结果；区域引导模块用于根据细胞特征和目标区域预测结果，得到细胞预测结果；
[0033]损失函数确定单元，用于根据细胞位置似然图和细胞级标注确定异质性细胞检测模型的损失函数。
[0034]第三方面，提供一种基于深度学习的异质性细胞检测方法，包括：
[0035]将待识别原始图像的每个图像块依次输入到异质性细胞检测模型中，得到图像块对应的预测结果；
[0036]将所有图像块对应的预测结果进行拼接，得到待识别原始图像的细胞检测结果；
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的异质性细胞检测模型构建方法，其特征在于，包括：获取模型构建数据，所述模型构建数据包括具有异质性分布的各类细胞的原始图像、细胞位置似然图和细胞级标注；基于所述原始图像对异质性细胞检测模型进行训练，得到训练后的异质性细胞检测模型；所述异质性细胞检测模型包细胞检测网络、区域学习网络、区域引导模块；所述细胞检测网络用于根据所述原始图像得到细胞特征；所述区域学习网络用于根据所述原始图像得到目标区域预测结果；所述区域引导模块用于根据所述细胞特征和所述目标区域预测结果，得到细胞预测结果；根据所述细胞位置似然图和所述细胞级标注确定所述异质性细胞检测模型的损失函数。2.如权利要求1所述的方法，其特征在于，其中，根据所述细胞位置似然图和所述细胞级标注确定异质性细胞检测模型的损失函数，包括：将所述细胞级标注输入到区域获取模块，得到区域掩膜；根据所述区域掩膜和所述目标区域预测结果，得到区域损失函数；根据所述细胞位置似然图和所述细胞预测结果得到检测损失函数；根据所述区域损失函数和所述检测损失函数，确定所述异质性细胞检测模型的损失函数。3.如权利要求2所述的方法，其特征在于，所述将所述细胞级标注输入到区域获取模块，得到区域掩膜，包括：所述细胞级标注中每个细胞的位置点构成点集S；根据所述点集S和损失函数参数α，采用Alpha
‑
shape算法进行处理，得到边界；对所述边界进行内部填充，得到区域掩膜。4.如权利要求2所述的方法，其特征在于，所述根据所述区域掩膜和所述目标区域预测结果，得到区域损失函数，包括：其中，L
region
为区域损失函数，Ω
r
为区域掩膜的像素集合，r
j
为像素集合中第j个像素，x是输入图像，f(x)为目标区域预测结果，r为区域掩膜。5.如权利要求2所述的方法，其特征在于，所述根据所述细胞位置似然图和所述细胞预测结果得到检测损失函数，包括：L
det
＝
‑
αy(1
‑
p)
γ
log(p)
‑
(1
‑
α)(1
‑
y)p
γ
log(1
‑
p)其中，L
det
为检测损失函...

【专利技术属性】
技术研发人员：崔磊，呼冬晴，李涵生，亢宇鑫，
申请(专利权)人：西北大学，
类型：发明
国别省市：