[发明专利]基于改进Faster RCNN算法的病理图像细胞核检测方法

说明书

本发明提供一种基于改进Faster RCNN算法的病理图像细胞核检测方法，其包括组织病理切片图像特征抽取网络；基于深度学习理论，利用数据增强变换、难样本挖掘、优化小目标检测等方法处理组织病理切片图像，降低目标检测难度；根据交叉验证避免过拟合现象，结合损失函数中的分类损失和定位损失探究完成区域提名。本发明达到1s/张图像检测速度，满足实际应用的实时性需求，且表现出较好的鲁棒性，具有检测精度高和召回率高的优点。

技术领域

本发明涉及电子信息领域，特别是一种基于改进Faster RCNN算法的病理图像细胞核检测方法。

背景技术

病理图像中细胞核以及核分裂象的自动检测和分类是现今的热点硏究领域，目前来说针对病理图像的计算机分析算法大致可以分为两大类：

一类是利用手工设计特征加上机器学习分类的传统方法，依赖数字图像处理技术或计算机视觉技术，一般需要手工设计特征。对于病理图像分析而言，这需要相关领域的专业知识来定义描述细胞核和核分裂象的形态学特征、纹理特征。硏究者们大多利用方向梯度直方图特征(Histogram of Oriented Gradient，HoG)、局部二值模式特征(LocalBinary Pattern，LBP)，SIFT特征(Scale-Invariant Feature Transform)、Haar特征等计算机视觉领域常用的特征计算方法抽取得到图像的特征，然后用这些特征作为支持向量机(Support Vector Machine，SVM)、Adaboost等分类器的输入训练分类器。训练完成后就可以用得到的模型来做预测。针对细胞核检测问题，Basavanhally等人利用区域生长(Region-Growing Algorithm)结合最大后验估计(Maximum a Posteriori Estimate，MAP)和马尔科夫随机场(Markov Random Field，MRF)进行细胞核检测，Petushi等人利用自适应阈值法对细胞核进行分割，Cataldo等人提出非监督的颜色聚类法进巧细胞核分割。而对于核分裂象检测问题，Irshad等人对核分裂象做了大量统计学和形态学的特征分析，构建了一个基于决策树的分类器来检测核分裂象；Sommer等人利用形状和纹理特征构建了一个像素级别的分类器来对病理切片中的核分裂象进行检测；Tek等人利用通用特征和级联Adaboost分类器对有丝分裂区域和非有丝分裂区域进行分类。

但面对细胞核检测和核分裂象检测这样的问题，诸如SIFT特征、HoG特征等特征对于细胞应样的形态差异巨大且密集堆积的小目标缺乏鲁棒的描述能力，因而对于细胞与背景、核分裂象和非核分裂象缺乏足够的分辨能力，从而严重影响后续的分类与检测任务。

第二类是基于深度学习的病理图像分析，其完全是数据驱动，深度网给可以从数据中学习得到不同层次的数据表达，可以挖掘出超越人工设计的特征，因而在数据表达方面有更强的能力。

Dan C.Ciresan等首先在病理图像分析中提出用深度学习的方法做细胞有丝分裂检测。其提出使用深层卷积神经网络(Convolutional Neural Networks，CNN)作为一个分类器，训练样本从病理切片图像中截取获得，其中存在核分裂象样本和非核分裂象样本。然后将这些样本送入卷积神经网络做分类训练，训练分类卷积神经网络完成后便可以用该模型进行检测。检测时用滑动窗口的方法遍历切片图像中的每一个像素，对以该像素为中心的小块图像是否为核分裂象以卷积神经网络计算得到的概率值，这样就可得到一个得分图；此时处于核分裂象周围的像素应该有较高的概率，远离核分裂象中心的区域的概率则趋向于零；然后对这个得分图做一个平滑来抑制噪声，接着对得分图进行非极大值抑制(Non-Max Suppression，NMS)，取以某一固定像素值为半径的区域内拥有最大概率的像素作为核分裂象的中心即可得到检测结果。Ciresan所做的工作取得了当时最突出的成绩，证明了深度学习方法在核分裂象检测上的有效性。然而该方法逐像素的对整个切片图像进行处理的，处理一张4M大小的切片图像要花几分钟，效率比较低。