[发明专利]结肠腺体图像自动分割的深度神经网络算法

说明书

本发明属于图像分析区域分割技术领域，公开了结肠腺体图像自动分割的深度神经网络算法。1.构建数据集：结肠腺体数据作为训练集合，获取实例图和轮廓图；2.构建模型：模型网络包括密集卷积神经网络和Refined U‑Net，密集卷积神经网络用来提取图像的丰富的初级特征信息，与密集卷积神经网络连接的Refined U‑Net网络，学习实例和轮廓的特征信息；3.确定模型损失函数：损失函数为Jaccard和焦点损失之和；4.信息融合。本技术方案采用深度密集神经网路的特征复用、参数高效等特点、利用Refined U‑net网络的低级特征和高层特征结合的特征，构建深度学习网络模型；采用焦点损失函数，解决数据集的类别不平衡问题，有效的使轮廓准确分割；最终实现结肠腺体图像分割快速、清晰、准确。

技术领域

本发明属于图像分析区域分割技术领域，具体涉及基于深度学习建模、深度密集卷积神经网络和Refined U-net网络，采用焦点损失函数为轮廓任务的损失函数，采用杰卡德距离(Jaccard)作为实例分割任务的损失函数，采用边界F1得分(Boundary F1，BF)、对象级平衡F(Object balanced F，Object F1)得分、对象级相似度系数(Object Dice)、对象级Hausdorff距离(Object Hausdorff)作为量化评估方法的结肠腺体图像自动分割的深度神经网络算法。

背景技术

生物医学图像分割问题是智能医疗诊断任务的重要研究课题之一，也是临床实践评估的难点。在实践中，通常分割由病理学家手动标注，而医学图像的复杂多样性使得手动分割在成本和可重复性上不可行。因此，需要研究一种高效自动化分割方法，以减少病理学家的工作量，但这项任务非常具有挑战性，在医学病理学图像中，疾病和正常图像存在特征差异以及生物医学在切片制作过程和成像中存在变形和噪声的情况，导致增加了分割难度。

过去几年，传统的方法已经取得了实质性的进展，如基于像素的方法，利用纹理，颜色，形态等人工特征来检测分割；而基于结构的方法，大多利用了关于图像结构先验信息，例如基于图的方法，具有测地距离变换方法，随机多边形模型。这些方法当应用于病理图像时，分割效果极大受限。最近几年，深度神经网络推动了计算机视觉的快速发展，特别是卷积神经网络(Convolutional Neuron Network，CNN)在语义分割、目标跟踪、图像分类等任务的良好表现，并且已将生物医学图像分析应用于不同的任务，如有丝分裂检测和分类，以及血细胞计数。对本文任务相关是全卷积神经网络(Fully Convo-lutionalNetwork，FCN)、U-Net网络、SegNet分割模型、CNN滑窗的方法和总变分神经网络的方法(Convolutional Neural Networks and Total Variation，CNNTV)。这些方法虽然在结肠组织中腺体分割任务上取得了良好表现，但是都没有考虑到腺体的轮廓特征信息。CNN滑窗方法是基于图像块的方法，导致分割图像边缘锯齿状；基于总变分神经网络的方法采用多个模型进行预测，存在任务繁琐，特征信息不共享的缺陷。结肠组织病理图片中的腺体分割难度大，不同腺体之间间隙小，难以区分、数据样本少。

发明内容

为了解决现有技术存在的上述问题，本发明提供了结肠腺体图像自动分割的深度神经网络算法。

1.采用结肠腺体数据集作为训练集合，采用图像处理技术构建处理数据集。

2.利用数据集的特性将建模问题考虑为多任务学习，对结肠腺体对象和对象轮廓特征学习。采用深度密集卷积神经网络和Refined U-net网络作为特征学习网络，采用焦点损失函数为轮廓任务的损失函数，采用Jaccard作为实例分割任务的损失函数。

3.对于训练好的网络模型，给定一张结肠腺体图像，网络两个分支将分别输出一张预测分割的轮廓图像和实例图像。用两幅图像进行信息融合得到一张精准的结肠腺体分割图。其中信息融合过程处理分为三个步骤：