基于点标注数据的病理图像分割方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114821067A(43)申请公布日2022.07.29(21)申请号202210569641.3G06N3/08(2006.01)(22)申请日2022.05.24G06T7/00(2017.01)G06T7/194(2017.01)(71)申请人西安电子科技大学G06T7/60(2017.01)地址710071陕西省西安市太白南路2号G06T7/62(2017.01)(72)发明人韩冰高路杨铮陈玮铭G06T7/70(2017.01)黄晓悦(74)专利代理机构陕西电子工业专利中心61205专利代理师王品华(51)Int.Cl.G06V10/26(2022.01)G06V10/28(2022.01)G06V10/774(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)权利要求书3页说明书6页附图2页(54)发明名称基于点标注数据的病理图像分割方法(57)摘要本发明公开了一种基于点标注数据的病理图像分割方法。主要解决现有训练数据需要的像素级标注成本太高的问题。其方案是：读取病理图像训练集和测试集；建立基于编码器‑解码器结构的分割网络；将训练集图像输入到分割网络的编码器中，保留各层特征并将末层特征通过输出层得到分割结果，将训练集图像对应的点标注图像进行膨胀后作为监督信息训练编码器；固定编码器参数并将编码器网络提取到的各层特征输入到解码器中，使用上一训练阶段中的分割结果与膨胀后的点标注图像作为监督信息迭代地训练解码器，得到训练好的分割网络；将待分割病理图像输入到训练好的分割网络中得到分割结果。本发明提高了分割效率和精度，可用于计算机辅助诊断系统。CN114821067ACN114821067A权利要求书1/3页1.基于点标注数据的病理图像分割方法，其特征在于，包括如下步骤：(1)读取病理图像训练数据和测试数据，并对训练集图像中的细胞核先使用点标注，再对点标注进行膨胀操作获得细胞核更多部分的标签，得到膨胀后的点标注图像G；对测试集图像中的细胞核使用像素级标注，得到像素级标注图像Gtest；(2)将经典分割模型U‑Net的编码部分替换为使用大型图像数据库ImageNet上的预训练参数，并去掉全连接层的卷积神经网络VGG‑16，得到新建分割模型；(3)训练新建分割模型的编码器：3a)根据二元交叉熵损失函数设置分割模型编码器的损失函数L1：L1＝LBCE(P1,G)其中，LBCE(·)代表二元交叉损失函数，P1代表训练集图像的初步预测结果，G代表点标注图像；3b)将训练集图像输入到新建分割模型的编码器中，得到各层图像特征，其中最高层特征经过一个卷积核尺寸为1*1的卷积层，得到单通道图像，再使用双线性上采样恢复到输入图像的尺寸得到训练集图像的初步预测结果P1；3c)使用损失函数L1对分割网络的编码部分进行监督训练，直至损失函数L1收敛，得到训练好的编码器；(4)训练新建分割模型的解码器：4a)构建新的损失函数Ln：Ln＝(G∪Pn‑1>0.7+G∪Pn‑1<0.3)×LBCE[Pn,(G∪Pn‑1)]其中，Pn是本次训练阶段训练集图像的预测结果，n代表当前所处阶段且n>1，G是点标注图像，Pn‑1是上个阶段的预测结果，LBCE(·)代表二元交叉损失函数；4b)将训练集图像输入到已经训练好的编码器中，得到各层图像特征，再将各层特征输入到解码器中，解码器输出单通道图像，即为训练集图像的当前预测结果Pn；4c)固定编码器参数，使用损失函数Ln对分割网络的解码部分进行监督训练，直至损失函数Ln收敛，得到当前的分割模型Mn；4d)将测试集图像输入到当前的分割模型Mn中得到的测试集图像的预测结果Ptest，计算当前阶段Ptest与像素级标注图像Gtest的Dice相似系数dn，并将本阶段得到的Dice相似系数dn与上个阶段得到的Dice相似系数dn‑1进行比较：如果dn≥dn‑1，则保存当前模型参数，返回到步骤4b)开启第n+1个训练阶段；否则，训练结束，将第n‑1阶段得到的分割模型Mn‑1作为最终的细胞核分割模型；(5)将待分割细胞核图像输入到细胞核分割模型中，分割模型输出与输入图像相同尺寸的单通道二值图像，在二值图中，所有值为1的像素组成的区域即为分割出来的目标区域，所有值为0的像素组成的区域为分割出来的背景区域。2.根据权利要求1所述的方法，其中步骤(1)中的对点标注进行膨胀操作，按如下公式进行：其中，A代表被膨胀的图像，B代表所有元素值为1的5*5矩阵，代表使用B膨胀A，x,y代表矩阵B在图像A上滑动时所处的坐标，代表空集。2CN114821067A权利要求书2/3页3.根据权利要求1所述的方法，其中步骤(2)中的新建分割模型包括编码器和解码器两