[发明专利]基于融合特征和验证模型的乳腺癌有丝分裂细胞检测方法

说明书

本发明公开了一种基于融合特征和验证模型的乳腺癌有丝分裂细胞检测方法。该方法首先对经过染色均衡后的乳腺癌病理图像提取融合特征，然后构建基于融合特征的有丝分裂细胞预选模型，最后构建验证模型进行判别，以实现病理图像有丝分裂细胞的有效检测。本发明提出的融合特征提取方法在有丝分裂细胞定位准确度上有明显提升，本发明对于乳腺癌病理图像的有丝分裂细胞的检出率较高，且误判率较低，对于难分辨的有丝分裂细胞具有较高的区分能力，适用于乳腺癌病理图像中有丝分裂细胞的检测。

技术领域

本发明属于病理图像的智能识别领域，尤其涉及一种基于融合特征和验证模型的乳腺癌有丝分裂细胞检测方法。

背景技术

有丝分裂细胞数是用于判断浸润性乳腺癌恶化程度的重要指标，传统检测方法是病理学家通过人工观察病理图像以检出有丝分裂细胞。但受限于病理学家的专业知识水平，不同病理学家诊断结果的一致性较差；同时由于病理图像维数大、数量多的特点，导致人工诊断需要耗费大量时间，导致人工劳累增加出错率。

目前基于传统机器学习的有丝分裂检测方法主要是根据人工设计形态学特征并结合支持向量机（Support Vector Machine）等分类算法判别是否为有丝分裂细胞。这些方法在特定场景下有较好的应用，但是在不同数据集下的泛化能力较差且需要具备大量的医学理论知识储备。而目前一些基于深度学习的有丝分裂检测方法在小目标检测上的定位精度较差，并且具有较高的误检率。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种基于融合特征和验证模型的乳腺癌有丝分裂细胞检测方法。

一种基于融合特征和验证模型的乳腺癌有丝分裂细胞检测方法，包括以下步骤：

S1获取多个乳腺癌病理图像并进行染色均衡得到预处理后乳腺癌病理图像，作为训练集；

S2对训练集中的预处理后乳腺癌病理图像提取融合特征，包括以下步骤：

S2.1使用卷积神经网络提取乳腺癌病理图像的特征；

S2.2计算图像不同卷积层的特征，将不同卷积层的特征融合后作为图像的特征；

S3 对步骤S2.2得到图像的特征构建候选有丝分裂检测模型，得到候选的有丝分裂细胞；

S4 对步骤S3得到的候选的有丝分裂细胞构建验证模型，确定分类阈值；

S5 对待测病理图像进行有丝分裂检测，包括以下步骤：

S5.1使用步骤S2的方法提取待测病理图像的融合特征；

S5.2将融合特征输入步骤S3的候选有丝分裂检测模型中，得到候选的有丝分裂细胞；

S5.3将候选的有丝分裂细胞输入步骤S4的验证模型中，根据S4中确定的分类阈值将非有丝分裂细胞剔除，得到有丝分裂细胞。

所述的S2中对训练集中的预处理后乳腺癌病理图像提取融合特征通过下式计算：

F=（F₆，F₅，F₄，F₃，F₂）