细胞图像分割方法、装置以及电子设备制造方法及图纸

本申请公开了一种细胞图像分割方法、装置以及电子设备。涉及图像处理技术领域，该方法包括：获取待分割细胞图像；采用预先训练好的细胞图像分割模型对待分割细胞图像进行分割处理，得到待分割细胞图像的图像分割结果，其中，细胞图像分割模型包括：编码模块，多尺度特征融合模块、解码模块，编码模块的输出端与多尺度特征融合模块的输入端连接，多尺度特征融合模块的输出端与解码模块的输入端连接，其中，多尺度特征融合模块用于对输入的特征图进行特征融合处理。通过本申请，解决了相关技术中细胞图像分割存在的特征图融合不充分，进而导致模型分割效果差的问题。导致模型分割效果差的问题。导致模型分割效果差的问题。

【技术实现步骤摘要】
细胞图像分割方法、装置以及电子设备


[0001]本申请涉及图像处理
，具体而言，涉及一种细胞图像分割方法、装置以及电子设备。

技术介绍

[0002]临床上，病理切片是癌症诊断的金标准。病理医生通过对病理切片进行镜检，完成病理诊断和预后评估，但是这个过程通常费时费力。采用深度学习模型的分割方法一方面弥补了人工分割费时、费力等缺点，另一方面又解决了传统自动分割方法如阈值分割、区域分割、聚类分割等精确度差和对数据依赖性强的问题。
[0003]细胞图像语义分割的精度取决于图像特征的提取和处理效果。传统的U
‑
Net网络以一种低效的拼接方式集成高层次特征和低层次特征，从而导致图像有效信息丢失，在图像的微弱边缘处存在分割断裂的问题，且由于梯度消失的原因，可构建的网络深度有限。
[0004]针对相关技术中细胞图像分割存在的特征图融合不充分，进而导致模型分割效果差的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本申请的主要目的在于提供一种细胞图像分割方法、装置以及电子设备，以解决相关技术中细胞图像分割存在的特征图融合不充分，进而导致模型分割效果差的问题。
[0006]为了实现上述目的，根据本申请的一个方面，提供了一种细胞图像分割方法。该方法包括：获取待分割细胞图像；采用预先训练好的细胞图像分割模型对上述待分割细胞图像进行分割处理，得到上述待分割细胞图像的图像分割结果，其中，上述细胞图像分割模型包括：编码模块，多尺度特征融合模块、解码模块，上述编码模块的输出端与上述多尺度特征融合模块的输入端连接，上述多尺度特征融合模块的输出端与上述解码模块的输入端连接，其中，上述多尺度特征融合模块用于对输入的特征图进行特征融合处理。
[0007]为了实现上述目的，根据本申请的另一方面，提供了一种细胞图像分割装置。该装置包括：获取待分割细胞图像；采用预先训练好的细胞图像分割模型对上述待分割细胞图像进行分割处理，得到上述待分割细胞图像的图像分割结果，其中，上述细胞图像分割模型包括：编码模块，多尺度特征融合模块、解码模块，上述编码模块的输出端与上述多尺度特征融合模块的输入端连接，上述多尺度特征融合模块的输出端与上述解码模块的输入端连接，其中，上述多尺度特征融合模块用于对输入的特征图进行特征融合处理。
[0008]为了实现上述目的，根据本申请的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，上述存储器用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现任意一项上述的细胞图像分割方法。
[0009]通过本申请，采用以下步骤：获取待分割细胞图像；采用预先训练好的细胞图像分割模型对上述待分割细胞图像进行分割处理，得到上述待分割细胞图像的图像分割结果，
其中，上述细胞图像分割模型包括：编码模块，多尺度特征融合模块、解码模块，上述编码模块的输出端与上述多尺度特征融合模块的输入端连接，上述多尺度特征融合模块的输出端与上述解码模块的输入端连接，其中，上述多尺度特征融合模块用于对输入的特征图进行特征融合处理，达到了准确分割细胞图像的目的，解决了相关技术中细胞图像分割存在的特征图融合不充分，进而导致模型分割效果差的问题。进而达到了提升细胞图像分割准确性的效果。
附图说明
[0010]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0011]图1是根据本申请实施例提供的细胞图像分割方法的流程图；
[0012]图2是根据本申请实施例的一种可选的细胞图像分割方法的示意图；
[0013]图3是根据本申请实施例的一种可选的瓶颈残差模块的示意图；
[0014]图4是根据本申请实施例的一种可选的混合注意力机制模块的示意图；
[0015]图5是根据本申请实施例的一种可选的多尺度特征融合模块的示意图；
[0016]图6是根据本申请实施例提供的细胞图像分割装置的示意图；
[0017]图7是根据本申请实施例提供的电子设备的示意图。
具体实施方式
[0018]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0019]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
[0020]需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0021]需要说明的是，本申请所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
[0022]临床上，病理切片是癌症诊断的金标准。病理医生通过对病理切片进行镜检，完成病理诊断和预后评估，但是这个过程通常费时费力。在病理切片的数字化的背景下，人工智
能技术走进病理领域，并推动病理分析逐渐从定性分析向定量分析转变，这一改变使病理诊断更加准确客观。尤其是以深度学习为代表的人工智能技术在病理分析中取得令人瞩目的成果，不但使病理诊断更加智能化，而且使诊断结果更加精准和客观。
[0023]采用深度学习模型的分割方法一方面弥补了人工分割费时、费力等缺点，另一方面又解决了传统自动分割方法如阈值分割、区域分割、聚类分割等精确度差和对数据依赖性强的问题。相关技术中有学者提出全卷积网络(fully convolutional network，FCN)，使用卷积层代替卷积神经网络(convolutional neural network，CNN)中的全连接层，实现从图像级别的分类到像素级别的分类，为后续深度学习在语义分割中的应用打下了重要基础。还有学者对FCN网络结构进行改进，提出了U
‑
Net网络，在解码层通过跳跃连接的方式将图像的高层信息与图像的浅层信息相结合，使得各层次的信息得以保留，提高了特征映射的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种细胞图像分割方法，其特征在于，包括：获取待分割细胞图像；采用预先训练好的细胞图像分割模型对所述待分割细胞图像进行分割处理，得到所述待分割细胞图像的图像分割结果，其中，所述细胞图像分割模型包括：编码模块，多尺度特征融合模块、解码模块，所述编码模块的输出端与所述多尺度特征融合模块的输入端连接，所述多尺度特征融合模块的输出端与所述解码模块的输入端连接，其中，所述多尺度特征融合模块用于对输入的特征图进行特征融合处理。2.根据权利要求1所述的方法，其特征在于，所述采用预先训练好的细胞图像分割模型对所述待分割细胞图像进行分割处理，得到所述待分割细胞图像的图像分割结果，包括：采用所述编码模块对所述待分割细胞图像进行编码处理，得到第一特征图；采用所述多尺度特征融合模块对所述第一特征图进行特征融合处理，得到第二特征图；采用所述解码模块对所述第二特征图进行解码处理，得到所述图像分割结果。3.根据权利要求2所述的方法，其特征在于，所述编码模块包括：N个瓶颈残差模块，N
‑
1个下采样模块，所述N个瓶颈残差模块中任意两个瓶颈残差模块之间通过所述N
‑
1个下采样模块中的一个下采样模块连接，其中，N为大于或等于2的整数。4.根据权利要求2所述的方法，其特征在于，所述解码模块包括：N个瓶颈残差模块，N
‑
1个上采样模块，以及N个混合注意力机制模块，其中，所述N个瓶颈残差模块中任意两个瓶颈残差模块之间通过所述N
‑
1个上采样模块中的一个上采样模块连接，所述N个瓶颈残差模块分别与所述N个混合注意力机制模块中的一个混合注意力机制模块连接，所述N个瓶颈残差模块与所述N个混合注意力机制模块之间存在一一对应的关系。5.根据权利要求3或4所述的方法，其特征在于，所述N个瓶颈残差模块分别包括：第一卷积单元、第二卷积单元以及第三卷积单元，所述第一卷积单元的输出端与所述第二卷积单元的输入端连接，所述第二卷积单元的输出端与所述三卷积单元的输入端连接，其中，所述第一卷积单元依次包括一个1
×
1的卷积层、一个批归一化层和一个第一激活函数层，所述第二卷积单元依次包括一个3
×
3的卷积层、一个批归一化层和一个第一激活函数层，所述第三卷积单元依次包括一个1
×
1的卷积层、一个批归一化层和一个第一激活函数层，所述第一卷积单元的输入端和所述第三卷积单元中的批归一化层之间通过一个1
×
1的卷积层和一个批归一化层连接。6.根据权利要求3所述的方法，其特征在于，所述解码模块还包括：一个1
×
1的卷积层和一个第二激活函数层，其中所述N个瓶颈残差模块中最后一个瓶颈残差模块的输出端与所述编码模块中包括的1
×
1的卷积层连接，所述编码模块中包括的1
×

【专利技术属性】
技术研发人员：魏成燕，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：