System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,尤其涉及乳腺癌组织病理图像有丝分裂细胞核检测方法和系统。
技术介绍
1、癌症由诺丁汉分级系统(ngs)进行分级,根据ngs,有三个参数可用于癌症分级。它们是:有丝分裂计数、细胞核多形性和小管形成。其中,有丝分裂细胞计数是最客观的影响因素,组织病理学研究人员对病理图像中有丝分类细胞的定量分析和定性评估在乳腺癌症的诊断和治疗过程中发挥着重要作用。它可以用来评估肿瘤的侵袭性和恶性程度等,并为准确的诊断和治疗提供更全面可靠的信息。目前乳腺癌症切片中有丝分裂的检测主要是训练有素的病理学家通过显微镜在载玻片上手动观察苏木精和曙红(h&e)染色的组织病理学切片,以确定感兴趣区域(roi),然后根据自身经验做出判断。这种传统方法非常繁琐、乏味、耗时且容易出错,缺乏可靠的设备来协助医生完成这项任务,并且需要病理学家的高水平专业知识,大大增加了病理学家的负担。此外,由于人工检测是基于病理学家的个人经验和主观判断,诊断结果的可重复性较差。许多因素影响医生的判断,如疲劳程度、情绪和外部干扰,但经验差异主要与诊断结果有关。对于诊断结果,不同的病理学家往往对同一病理得到不同的诊断结果,分级诊断结果的一致性不高。因此,建立一个能够准确地自动检测出组织病理图像中有丝分裂细胞的模型是非常有必要的。
2、随着计算机辅助诊断(cad)的发展,利用图像处理算法实现有丝分裂检测的自动化引起了广泛的研究兴趣。自动化有丝分裂检测模型可以在很大程度上解决这些问题,并能提供更可靠的结果。计算机辅助的自动有丝分裂检测有助于医生执行许多任
技术实现思路
1、为了解决上述问题,本专利技术提供乳腺癌组织病理图像有丝分裂细胞核检测方法,包括以下步骤:
2、s1、获取乳腺癌组织病理图像数据库,在乳腺癌组织病理图像数据库中采样获取训练图像块,所述训练图像块包括正样本和负样本;所述正样本包含图像块的类别信息和采样中心偏移量的信息,所述负样本仅包含图像块的类别信息,可以帮助模型区分有丝和非有丝细胞的特征,提高模型分类的准确性;
3、s2、构建有丝分裂细胞核检测训练图像块模型m1,包括特征提取网络f1、候选生成网络p1;候选生成网络p1包括卷积模块con1、分类模块c1、回归模块r1;并将正样本、负样本输入模型m1进行训练,得到训练后的模型m1;
4、训练过程具体为:
5、将正样本和负样本输入特征提取网络f1进行特征提取,将提取的特征输入候选生成网络p1的卷积模块con1,并通过候选生成网络p1的分类模块c1和回归模块r1进行分类和回归得到有丝细胞核中心的偏移量,通过卷积模块con1获得有丝分裂细胞核的若干锚点;
6、s3、构建有丝分裂细胞核检测模型m2,包括特征提取网络f2、候选生成网络p2、有丝细胞验证网络;候选生成网络p2包括卷积模块con2,有丝细胞验证网络包括图注意模块、全连接层、分类模块c2、回归模块r2;其中,特征提取网络f2和训练后模型m1的特征提取网络f1的结构和参数相同,卷积模块con2和训练后模型m1的卷积模块con1的结构和参数相同;并将整张组织病理图像输入模型m2进行训练,得到训练后的模型m2;
7、训练过程具体为:
8、将整张组织病理图像输入模型m2,通过特征提取网络f2提取全图特征,基于所述锚点,并生成有丝细胞候选点,将所述全图特征和所述候选点输入有丝细胞验证网络,利用有丝细胞验证网络的图注意模块结合上下文信息扩大感受野范围,图注意模块与全连接层相连,经过图注意模块的特征通过全连接层整合,并通过分类模块c2、回归模块r2重新进行分类与定位回归;
9、s4、对训练后的模型m1进行调优,并根据训练后的模型m1的调优结果对训练后的模型m2进行调优,得到调优后的模型m2;
10、s5、将待检测乳腺癌组织病理图像输入调优后的模型m2,并通过非极大值抑制去除冗余的预测目标,获得有丝分裂细胞核的检测结果。
11、进一步地,将乳腺癌组织病理图像中细胞核的人工标签中心点作为参照点,进行偏移,以偏移后的位置为中心采样图像块,得到正样本,对乳腺癌组织病理图像随机采样图像块,得到负样本。
12、进一步地,在训练所述模型之前,使用imagenet数据集预训练模型,初始化所述特征提取网络的权重。
13、进一步地,所述图注意力模块使用多头注意力机制,扩大感受野范围并获得更多的上下文信息,将候选点周围锚点像素信息转化成图注意力模块的图节点信息,将图注意力模块的中心节点与周围邻域节点输入到图注意力模块计算加权的注意力系数,调节中心节点的响应。
14、进一步地,对训练后的模型m1和训练后的模型m2进行调优具体为:
15、通过正负样本对训练后的模型m1进行再训练,固定特征提取网络f1参数,只更新候选生成网络p1的卷积模块con1参数部分,得到调优后的模型m1;
16、将训练后的模型m2的卷积模块con2更新为调优后的模型m1的卷积模块con1,得到更新后的模型m2;将整张组织病理图像输入更新后的模型m2,产生候选点,对有丝验证网络中图注意模块之后的特征整合后重新进行分类与定位回归,调优有丝细胞验证网络;得到调优后的模型m2。
17、进一步地,所述候选生成网络p1训练的过程中,目标损失函数由分类损失和位置回归损失构成两部分组成;
18、所述分类损失用于进行图像块的二值分类,由交叉熵函数定义,表示如下:
19、
20、其中,c表示输入图像块的二值标签真值,非细胞核图像块c为0,细胞核图像块c为1,是用softmax分类器获得的[0,1]中的预测核概率,i为索引,表示当本文档来自技高网...
【技术保护点】
1.乳腺癌组织病理图像有丝分裂细胞核检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的乳腺癌组织病理图像有丝分裂细胞核检测方法,其特征在于,将乳腺癌组织病理图像中细胞核的人工标签中心点作为参照点,进行偏移,以偏移后的位置为中心采样图像块,得到正样本,对乳腺癌组织病理图像随机采样图像块,得到负样本。
3.根据权利要求1所述的乳腺癌组织病理图像有丝分裂细胞核检测方法,其特征在于,在训练所述模型之前,使用ImageNet数据集预训练模型,初始化所述特征提取网络的权重。
4.根据权利要求1所述的乳腺癌组织病理图像有丝分裂细胞核检测方法,其特征在于,所述图注意力模块使用多头注意力机制,扩大感受野范围并获得更多的上下文信息,将候选点周围锚点像素信息转化成图注意力模块的图节点信息,将图注意力模块的中心节点与周围邻域节点输入到图注意力模块计算加权的注意力系数,调节中心节点的响应。
5.根据权利要求1所述的乳腺癌组织病理图像有丝分裂细胞核检测方法,其特征在于,对训练后的模型M1和训练后的模型M2进行调优具体为:
6.根据权利要
7.根据权利要求1所述的乳腺癌组织病理图像有丝分裂细胞核检测方法,其特征在于,所述有丝细胞验证网络训练的过程中,目标损失函数由分类损失和位置回归损失构成两部分组成;
8.根据权利要求4所述的乳腺癌组织病理图像有丝分裂细胞核检测方法,其特征在于,经过多头注意力机制后的输出特征如下:
9.乳腺癌组织病理图像有丝分裂细胞核检测系统,其特征在于,包括:
...【技术特征摘要】
1.乳腺癌组织病理图像有丝分裂细胞核检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的乳腺癌组织病理图像有丝分裂细胞核检测方法,其特征在于,将乳腺癌组织病理图像中细胞核的人工标签中心点作为参照点,进行偏移,以偏移后的位置为中心采样图像块,得到正样本,对乳腺癌组织病理图像随机采样图像块,得到负样本。
3.根据权利要求1所述的乳腺癌组织病理图像有丝分裂细胞核检测方法,其特征在于,在训练所述模型之前,使用imagenet数据集预训练模型,初始化所述特征提取网络的权重。
4.根据权利要求1所述的乳腺癌组织病理图像有丝分裂细胞核检测方法,其特征在于,所述图注意力模块使用多头注意力机制,扩大感受野范围并获得更多的上下文信息,将候选点周围锚点像素信息转化成图注意力模块的图节点信息,将图注意力模块的中心节点与周围邻域节点输...
【专利技术属性】
技术研发人员:唐奇伶,刘娜,蔡玉,王艳,高智勇,
申请(专利权)人:中南民族大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。