基于深度学习的自适应椭圆拟合细胞自动检测分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN105931226A(43)申请公布日2016.09.07(21)申请号201610231931.1(22)申请日2016.04.14(71)申请人南京信息工程大学地址210044江苏省南京市宁六路219号(72)发明人徐军龚磊(74)专利代理机构南京经纬专利商标代理有限公司32200代理人许方(51)Int.Cl.G06T7/00(2006.01)权利要求书1页说明书7页附图4页(54)发明名称基于深度学习的自适应椭圆拟合细胞自动检测分割方法(57)摘要本发明公开了基于深度学习的自适应椭圆拟合细胞自动检测分割方法，首先运用深度学习方法检测出病理图像中的细胞，然后运用主动轮廓模型找到精确的细胞轮廓，最后使用自适应椭圆拟合技术将重叠的细胞轮廓分割出来。本发明以大幅切片图为研究对象，采用深度学习加滑动窗口的方法，能准确找到图像中细胞的位置，主动轮廓结合自适应椭圆拟合对分割重叠细胞具有明显的效果。本发明提出的细胞自动检测分割方法能辅助临床医生对数字病理学切片中细胞进行量化评估，准确快速的进行临床诊断，减少不同观察者或同一个观察者在不同时间段间的诊断差异性。相对于现有的细胞检测分割方法，本发明无论是从准确率还是从可实行效果上来看，具有明显的优势。CN105931226ACN105931226A权利要求书1/1页1.基于深度学习的自适应椭圆拟合细胞自动检测分割方法，其特征在于，包括如下步骤：步骤1，在病理切片图像中选取完全包含细胞的图像、部分包含细胞的图像和完全不包含细胞的图像，并将上述三种图像组合起来作为训练样本；步骤2，利用步骤1的训练样本训练自动编码器，找到使重构样本和训练样本之间的误差小于预设阈值的自动编码器参数；步骤3，使用步骤2训练好的自动编码器参数初始化卷积神经网络，并利用步骤1的训练样本训练初始化后的卷积神经网络，找到使输入标签和输出标签之间的误差最小的卷积参数；步骤4，利用镜像边界的方法扩充待检测病理切片图像的图像边缘；步骤5，利用步骤3训练好的卷积神经网络，对经过步骤4的待检测病理切片图像进行细胞检测，并排除对同一个细胞的重复检测；步骤6，以步骤5检测到的细胞位置为中心构建一个半径为细胞半径的圆作为主动轮廓的初始轮廓，利用主动轮廓模型方法演化初始轮廓，从而得到精确的细胞轮廓；步骤7，使用自适应椭圆拟合技术分割重叠的细胞，从而得到待检测病理切片图像中细胞的检测分割结果。2.根据权利要求1所述基于深度学习的自适应椭圆拟合细胞自动检测分割方法，其特征在于，步骤3所述卷积神经网络包括输入层、卷积层、池化层、全连接层、输出层。3.根据权利要求1所述基于深度学习的自适应椭圆拟合细胞自动检测分割方法，其特征在于，步骤5所述细胞检测的具体过程为：将训练好的卷积神经网络作为监测器，利用滑动窗口技术从待检测病理切片图像的左上角开始，从上到下，从左到右，以一个像素为步长让窗口依次滑过待检测病理切片图像的每一个区域，由卷积神经网络判断滑动窗口内的图像为细胞或者非细胞。4.根据权利要求1所述基于深度学习的自适应椭圆拟合细胞自动检测分割方法，其特征在于，步骤1所述训练样本的像素大小为34*34。5.根据权利要求1所述基于深度学习的自适应椭圆拟合细胞自动检测分割方法，其特征在于，步骤5所述排除对同一个细胞的重复检测的方法为局部非最大值抑制技术。2CN105931226A说明书1/7页基于深度学习的自适应椭圆拟合细胞自动检测分割方法技术领域[0001]本发明涉及基于深度学习的自适应椭圆拟合细胞自动检测分割方法，属于图像信息处理技术领域。背景技术[0002]随着大幅切片图像数字扫描技术的产生以及扫描的效率提高，组织病理切片的数字化显示和存储变得现实可行。利用数字化技术可以对病理图像进行更高质量的分析。因为从组织切片病理图像中几乎可以找出各种癌症细胞和组织的特征，并可以用来辅助医生诊断，但是现有的针对医学图像处理的技术研究仍然很少，所以研究一套针对病理图像的分析工具十分重要。[0003]研究计算机辅助系统(CAD)的目的不是为了完全代替医生，而是为了向医生提供更加准确的客观建议从而提高医生的工作效率，得到更加准确的诊断结果。虽然计算机辅助诊断具有诸多优势，但由于病理组织图像呈现出高度的复杂性，使得病理组织图像的自动分析仍然是一个极具有挑战性的研究领域。[0004]在组织病理图像的研究中很大一部分集中在特定组织结构的分辨上，如淋巴细胞检测、癌症细胞检测、腺体检测。这些组织的位置、大小、形状，或其他的特有性质表示对预测病人的疾病状况都是十分重要的指标，例如在乳腺癌诊断中，切片中的细胞大小和分布以及细胞形态都是重要的预测癌症等级的生物标志。[0005]细胞的自动检测与分割是计算机辅