【技术实现步骤摘要】
本专利技术属于生物医学图像处理，具体涉及一种基于原型和半监督深度学习的细胞核分割方法和系统。
技术介绍
1、在计算机辅助诊断和肿瘤疾病分析工作中，细胞核分割是一项基础而又重要的部分，细胞核的分割可以标记病理图像中每一个属于细胞核的像素，为病理医生提供基本的细胞核视觉信息和形态学特征，这些信息能够辅助病理医生对于病理图像进行组织分类等进一步处理，并有助于医生评估病情。但是人体组织切片经过染色剂染色后背景干扰较为严重，细胞边缘较为模糊，而且图像中密集的细胞具有较高的标注成本，分割难度较高。
2、传统的图像处理工具如边缘检测、阈值分割和分水岭分割算法等，虽已提供给病理科医生并应用于临床辅助，但受限于手工参数调整的繁琐、缺乏泛化能力、以及常受到背景干扰的影响等问题，难以有效应对复杂多变的病理图像。随着深度学习技术的快速发展，基于深度学习的分割算法逐渐应用于医学图像分割，其通常包含两个主要步骤：特征提取和物体分割。其中特征提取是指将原始图像的每个像素或者像素块映射到特征空间，有助于下游的分割任务将不同类别的像素或者像素块区分开，物体分...
【技术保护点】
1.一种基于原型和半监督深度学习的细胞核分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于原型和半监督深度学习的细胞核分割方法，其特征在于，所述将病理图像构建为有标签图像和无标签图像，包括：
3.根据权利要求2所述的基于原型和半监督深度学习的细胞核分割方法，其特征在于，对有标签图像进行数据增强的方法包括裁剪、翻转、色彩变换、高斯模糊和随机曝光的组合；对无标签图像分别进行不同组合的数据增强，第一组合的数据增强方法包括色彩变换、高斯模糊、随机曝光、随机翻转和随机裁剪，第二组合的数据增强方法包括色彩变换、高斯模糊、随机翻转和随机裁剪。
4.根...
【技术特征摘要】
1.一种基于原型和半监督深度学习的细胞核分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于原型和半监督深度学习的细胞核分割方法，其特征在于，所述将病理图像构建为有标签图像和无标签图像，包括：
3.根据权利要求2所述的基于原型和半监督深度学习的细胞核分割方法，其特征在于，对有标签图像进行数据增强的方法包括裁剪、翻转、色彩变换、高斯模糊和随机曝光的组合；对无标签图像分别进行不同组合的数据增强，第一组合的数据增强方法包括色彩变换、高斯模糊、随机曝光、随机翻转和随机裁剪，第二组合的数据增强方法包括色彩变换、高斯模糊、随机翻转和随机裁剪。
4.根据权利要求1所述的基于原型和半监督深度学习的细胞核分割方法，其特征在于，所述提取各自特征并分别通过投影器映射到各自特征空间，再分别通过各自前景和背景的类别原型完成空间上的软分配，对前景和背景的原型进行对比学习，包括：
5.根据权利要求1或4所述的基于原型和半监督深度学习的细胞核分割方法，其特征在于，对比...
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。