【技术实现步骤摘要】
本专利技术涉及病理切片领域，特别涉及一种基于细胞核分割模型的甲状腺病理切片细胞检测方法。
技术介绍
1、甲状腺细胞学病理切片是诊断甲状腺疾病的重要手段之一。在临床上，医生需要通过对甲状腺细胞学病理切片的观察和分析来判断病变类型、分级以及是否存在恶性肿瘤等病理信息。然而，传统的目标检测方法在处理甲状腺细胞学病理切片时存在一些挑战。
2、甲状腺细胞学病理切片中的目标通常非常小且数量庞大。传统目标检测算法在小目标检测方面表现较差，容易错过（漏检）或误识别目标（检错），影响病理诊断的准确性。此外，甲状腺细胞学病理切片通常具有高密度的目标分布。传统的目标检测算法在大量高密度目标的情况下容易发生目标遮挡、重叠和错位等问题，导致目标检测的准确性下降。
3、传统的深度学习方法是近年来在目标检测领域取得突破性进展的方法。它通过训练神经网络来自动学习图像中的特征，并进行目标检测。在甲状腺细胞学病理切片中，通过使用卷积神经网络（cnn）来识别目标细胞。一种常用的深度学习模型是yolo系列模型，通过训练yolo模型，可以实现对甲状腺细胞学切片中的目标细胞进行自动化的快速检测和分类。
4、现有的目标检测模型如yolo系列模型，存在以下缺点：
5、1、目标定位精度下降：yolo将图像划分成网格，并通过预测每个网格中存在的目标的边界框来进行目标检测。然而，对于小目标来说，它们往往只占据网格的一小部分。这可能导致边界框无法准确地定位到小目标的中心，从而影响目标的定位精度。
6、2、高密度目标处理困难：
7、因此，构建一种具有高定位精度且能有效处理高密度目标的目标检测框架是当前目标检测研究的一个重要方向，符合精准医疗的时代需求。
技术实现思路
1、本专利技术的目的在于克服现有技术的缺点与不足，提供一种基于细胞核分割模型的甲状腺病理切片细胞检测方法；本专利技术采用了精巧设计的细胞核分割模型和图像处理技术，以实现更加精准的目标定位和更高的小目标检测召回率。通过细胞核分割模型的使用，能够将细胞核与背景进行有效地分离，从而减少了误检和漏检的情况。同时，图像处理技术的应用进一步增强了模型的鲁棒性和准确性，使其能够更好地适应各种复杂的图像场景。
2、本专利技术的目的通过以下的技术方案实现：
3、一种基于细胞核分割模型的甲状腺病理切片细胞检测方法，包括以下步骤：
4、a、将病理切片进行数字化，获得数字化病理图像并保存；
5、b、以固定的步长、不重叠的方式在数字病理大图上滑窗取块，得到固定大小的图像块；
6、c、通过细胞核分割模型对图像块进行分割，得到图像块对应的预测概率图；
7、d、对预测概率图进行核轮廓提取，得到核轮廓集合n-set0；
8、e、分别设置核预测概率、核面积、核圆形度阈值，过滤不满足条件的核轮廓，得到过滤后的核轮廓集合n-set1；
9、f、判断n-set1中的轮廓是否符合“小目标”的范围，若符合则认定为小目标轮廓，然后进入步骤g,否则进入步骤h1；
10、f1、对过滤后的核轮廓集合n-set1做形态学闭运算，从而将相邻的核轮廓连通起来；
11、g1、提取形态学闭运算之后的图片轮廓，得到轮廓集合c-set2；
12、h1、针对步骤f中判断为否的非小目标轮廓c-set1以及步骤g1中得到的轮廓集合c-set2，过滤其中面积小于设定值的轮廓，筛选出最终的大目标轮廓；
13、g、分别求大、小目标轮廓的最小外接矩形，即得到目标检测框；
14、h、输出最终的目标检测框。
15、步骤b中，所述图像块从rgb转换到hsv颜色空间，然后提取待过滤颜色区间，得到待过滤颜色的掩膜，对待过滤颜色的掩膜做逻辑取反操作，最后与步骤c中得到的预测概率图进行逻辑“与”运算，即过滤掉该颜色以及黑色杂质。
16、所述提取待过滤颜色区间是通过设定待过滤颜色的h（hue,色度）、s(saturation,饱和度)及v(value,明度)阈值来完成。
17、所述n-set1中的轮廓是否符合“小目标”的范围，根据病理医生经验设计简单规则来进行判断。
18、所述细胞核分割模型，输入图片首先经过两个“conv3+bn”的操作提取初级特征，其中conv3表示3×3的卷积，bn表示批归一化操作；接着，在深度方向进一步分别经过2个、1个、9个、1个“separableconv+bn”结构，逐步提取深层特征，同时横向将这2个、1个、9个、1个“separableconv+bn”结构所提取的特征往横向传递到“conv1+bn”以及“conv3+upsample”结构，配合不同倍数的上采样缩放因子，将维度统一，实现将不同维度特征拼接融合的操作；融合得到的特征在经过“conv3+bn+relu”和“upsample+comv3+relu”之后，与网络最前面的两个“conv3+bn” 的操作提取初级特征进行拼接，将初级特征与深层特征进一步融合，然后经过“conv3+relu”、“conv3+conv3+relu+conv3+conv1”，最后通过sigmoid激活函数得到网络对输入图片中细胞核的预测掩膜。
19、同时，本专利技术提供：
20、一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一段程序，所述程序由所述处理器加载并执行以实现上述基于细胞核分割模型的甲状腺病理切片细胞检测方法。
21、一种计算机可读存储介质，所述存储介质中存储有至少一段程序，所述程序由处理器加载并执行以实现上述基于细胞核分割模型的甲状腺病理切片细胞检测方法。
22、本专利技术与现有技术相比，具有如下优点和有益效果：
23、对比传统的目标检测模型，本专利技术采用了精巧设计的细胞核分割模型和图像处理技术，以实现更加精准的目标定位和更高的小目标检测召回率。
24、细胞核分割模型的引入为目标检测任务带来了许多优势。首先，它能够更好地捕捉到目标的形状和边界信息，从而提高了精确定位的准确性。其次，通过对细胞核进行分割，可以克服目标尺度变化的问题，使模型能够在不同尺度的目标上实现更好的检测效果。此外，该方法还能有效处理目标之间的遮挡和相互干扰的问题，提高了目标检测的鲁棒性和稳定性。
25、另一方面，颜色过滤模块的加入使得该方法在应对一些特定场景和任务时更加友好。通过设置指定颜色的过滤条件，可以滤除图像中的杂质和干扰信息，提取出目标特定的颜色，从而进一步增强了模型对目标的识别和定位能力。这有助于提高后续任务的准确性和效率，提升用户体验。
26、综上所述，通过采用细胞核分割模型、图像处理技术以及颜色过滤模块，本方法在目标定位本文档来自技高网...
【技术保护点】
1.一种基于细胞核分割模型的甲状腺病理切片细胞检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于细胞核分割模型的甲状腺病理切片细胞检测方法，其特征在于，步骤B中，所述图像块从RGB转换到HSV颜色空间，然后提取待过滤颜色区间，得到待过滤颜色的掩膜，对待过滤颜色的掩膜做逻辑取反操作，最后与步骤C中得到的预测概率图进行逻辑“与”运算，即过滤掉该颜色以及黑色杂质。
3.根据权利要求2所述基于细胞核分割模型的甲状腺病理切片细胞检测方法，其特征在于，所述提取待过滤颜色区间是通过设定待过滤颜色的H、S及V阈值来完成。
4.根据权利要求1所述基于细胞核分割模型的甲状腺病理切片细胞检测方法，其特征在于，所述N-Set1中的轮廓是否符合“小目标”的范围，根据病理医生经验设计简单规则来进行判断。
5.根据权利要求1所述基于细胞核分割模型的甲状腺病理切片细胞检测方法，其特征在于，所述细胞核分割模型，输入图片首先经过两个“Conv3+BN”的操作提取初级特征，其中Conv3表示3×3的卷积，BN表示批归一化操作；接着，在深度方向进一步分别经过
6.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一段程序，所述程序由所述处理器加载并执行以实现权利要求1至5任一权利要求所述基于细胞核分割模型的甲状腺病理切片细胞检测方法。
7.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一段程序，所述程序由处理器加载并执行以实现权利要求1至5任一权利要求所述基于细胞核分割模型的甲状腺病理切片细胞检测方法。
...【技术特征摘要】
1.一种基于细胞核分割模型的甲状腺病理切片细胞检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于细胞核分割模型的甲状腺病理切片细胞检测方法，其特征在于，步骤b中，所述图像块从rgb转换到hsv颜色空间，然后提取待过滤颜色区间，得到待过滤颜色的掩膜，对待过滤颜色的掩膜做逻辑取反操作，最后与步骤c中得到的预测概率图进行逻辑“与”运算，即过滤掉该颜色以及黑色杂质。
3.根据权利要求2所述基于细胞核分割模型的甲状腺病理切片细胞检测方法，其特征在于，所述提取待过滤颜色区间是通过设定待过滤颜色的h、s及v阈值来完成。
4.根据权利要求1所述基于细胞核分割模型的甲状腺病理切片细胞检测方法，其特征在于，所述n-set1中的轮廓是否符合“小目标”的范围，根据病理医生经验设计简单规则来进行判断。
5.根据权利要求1所述基于细胞核分割模型的甲状腺病理切片细胞检测方法，其特征在于，所述细胞核分割模型，输入图片首先经过两个“conv3+bn”的操作提取初级特征，其中conv3表示3×3的卷积，bn表示批归一化操作；接着，在深度方向进一步分别经过2个、1个、9个、1个“separableconv+...
【专利技术属性】
技术研发人员：娄缘铮，朱火彪，苏永健，李胜男，潘威君，尚滨，彭铃淦，
申请(专利权)人：广州锟元方青医疗科技有限公司，
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。