乳腺病理图像有丝分裂检测方法、系统、存储介质、设备技术方案

本发明专利技术公开任务引导的径向基网络对乳腺病理图像有丝分裂检测方法，获取乳腺病理图像、正样本和负样本图像块、有丝分裂样本；构建有丝分裂检测的训练模型；使用图像块样本和乳腺病理图像对模型的候选模块进行训练，得到图像候选块；将候选块输入模型的特征提取模块进行预训练，得到特征提取模块的初始权值；构建一个和特征提取模块相同的特征提取器，将有丝分裂样本输入特征提取器，并用初始权值更新特征提取器权重，输出有丝分裂特征，对特征运行聚类算法初始化径向基函数中心，嵌入径向基函数的卷积网络对特征提取模块的输出进行再分类，采用迭代聚类更新确定最优径向基函数中心。本发明专利技术可以更好地处理有丝分裂细胞形态结构的多变性。

【技术实现步骤摘要】

本专利技术涉及图像处理技术，尤其涉及乳腺病理图像有丝分裂检测方法、系统、存储介质、设备。

技术介绍

1、有丝分裂计数是判别乳腺癌恶性程度的重要指标，可以辅助诊断、治疗及预后。在临床实践上，乳腺癌切片中有丝分裂细胞的检测主要是通过人工进行的，病理学家通常在高功率场(通常为40倍放大的)的显微镜下观察病理组织切片以识别感兴趣区域(roi)，随后分析细胞的整体组织结构和局部信息，再根据自身经验做出判断。一方面，人工检测的过程非常复杂繁琐且耗时，且要求病理学家需要极强的专业能力。另一方面，人工检测是基于病理学家的个人经验和主观判断的，不同的病理学家对同一个病理切片常常会得到不同的结果，分级诊断结果的一致性不高。为此，人工检测流程的局限性产生了有丝分裂细胞计数自动化的需要，对检测效率的提高和计数结果的可靠性至关重要。

2、随着深度学习发展，计算机视觉领域取得了长足的进步。有丝分裂检测基于深度学习框架提出了多种模型，主要可以分为像素分类、语义分割和物体检测。用于这些模型训练过程使用的有丝分裂数据集主要为质心注释。质心标注(即弱标记)只提供每个有丝分裂细胞的本文档来自技高网...

【技术保护点】

1.任务引导的径向基网络对乳腺病理图像有丝分裂检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的任务引导的径向基网络对乳腺病理图像有丝分裂检测方法，其特征在于，正样本采样以乳腺病理图像中人工标注的位置为参照点进行随机偏移，之后以偏移后的位置为中心采样相同尺寸且参照点位于内部的图像块，并保存该偏移量用于位置回归任务；负样本由乳腺病理图像中随机采样和正样本相同尺寸的图像块产生，负样本中心和参照点距离大于图像块采样尺寸。

3.根据权利要求1所述的任务引导的径向基网络对乳腺病理图像有丝分裂检测方法，其特征在于，特征提取层以卷积神经网络为主干网络，所述主干网络不...

【技术特征摘要】

1.任务引导的径向基网络对乳腺病理图像有丝分裂检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的任务引导的径向基网络对乳腺病理图像有丝分裂检测方法，其特征在于，正样本采样以乳腺病理图像中人工标注的位置为参照点进行随机偏移，之后以偏移后的位置为中心采样相同尺寸且参照点位于内部的图像块，并保存该偏移量用于位置回归任务；负样本由乳腺病理图像中随机采样和正样本相同尺寸的图像块产生，负样本中心和参照点距离大于图像块采样尺寸。

3.根据权利要求1所述的任务引导的径向基网络对乳腺病理图像有丝分裂检测方法，其特征在于，特征提取层以卷积神经网络为主干网络，所述主干网络不采用全连接层，并在连续的卷积层之间插入最大池化层；

4.根据权利要求3所述的任务引导的径向基网络对乳腺病理图像有丝分裂检测方法，其特征在于，候选模块训练时的总损失函数由侧输出层的损失函数和融合层的损失函数两部分组成；

5.根据权利要求4所述的任务引导的径向基网络对乳腺病理图像有丝分裂...

【专利技术属性】
技术研发人员：唐奇伶，王艳，刘子仪，蔡玉，刘娜，
申请(专利权)人：中南民族大学，
类型：发明
国别省市：