[发明专利]一种检测循环异常细胞的方法及装置

权利要求书

1.一种检测循环异常细胞的方法，其特征在于，包括：

利用图像处理算法和形态学算法，对多个探针通道的暗视野显微镜图像中包含的细胞核分别进行分割和标记；

将标记细胞核的多个探针通道的暗视野显微镜图像输入预先构建的循环异常细胞检测模型，得到每一探针通道的暗视野显微镜图像中每个标记的细胞核包含的染色信号数；

针对每个标记的细胞核，基于得到的每一探针通道的暗视野显微镜图像中，该标记的细胞核包含的染色信号数，确定该标记的细胞核是否属于循环异常细胞；

构建所述循环异常细胞检测模型，包括：

利用图像处理算法和形态学算法，对多个探针通道的暗视野显微镜样本图像中包含的细胞核分别进行分割和标记，对标记细胞核的探针通道的暗视野显微镜样本图像进行分割，得到多个细胞核样本图像；

针对每一细胞核样本图像，对该细胞核样本图像进行多次卷积处理，分别得到第一特征图像、第二特征图像、第三特征图像以及第四特征图像；

对第四特征图像进行卷积处理，得到第五特征图像，对第五特征图像进行上采样，得到第六特征图像；

对第三特征图像和第六特征图像进行卷积处理，得到第七特征图像，对第七特征图像进行上采样，得到第八特征图像；

对第二特征图像和第八特征图像进行卷积处理，得到第九特征图像，对第九特征图像进行上采样，得到第十特征图像；

对第一特征图像和第十特征图像进行卷积处理，得到第十一特征图像；

每一细胞核样本图像作为深度学习网络的输入，将第七特征图像、第九特征图像以及第十一特征图像作为深度学习网络的输出的三个尺度的预测结果进行融合，最终将细胞核样本图像中标记的细胞核包含的染色信号数作为深度学习网络的输出，对深度学习网络进行训练和测试，得到循环异常细胞检测模型；

所述对该细胞核样本图像进行多次卷积处理，分别得到第一特征图像、第二特征图像、第三特征图像以及第四特征图像，包括：

对细胞核样本图像依次进行第一卷积层、第二卷积层、第三卷积层以及第四卷积层的卷积处理，得到第一特征图像；

对第一特征图像进行第五卷积层以及第六卷积层的卷积处理，得到第二特征图像；

对第二特征图像进行第七卷积层以及第八卷积层的卷积处理，得到第三特征图像；

对第三特征图像进行第九卷积层以及第十卷积层的卷积处理，得到第四特征图像。

2.根据权利要求1所述的方法，其特征在于，所述对细胞核样本图像依次进行第一卷积层、第二卷积层、第三卷积层以及第四卷积层的卷积处理，得到第一特征图像，包括：

所述细胞核样本图像大小为320*320，第一卷积层的卷积核数为32，卷积核大小为3*3、步长为1，输出的特征图像大小为320*320；

第二卷积层包括第一卷积子层及第二卷积子层，第一卷积子层采用卷积核数为32，卷积核大小为3*3、步长为2，输出的特征图像大小为160*160，第二卷积子层的卷积核数为64，卷积核大小为1*1、步长为1，输出的特征图像大小为160*160；

第三卷积层包括第三卷积子层及第四卷积子层，第三卷积子层采用卷积核数为64，卷积核大小为3*3、步长为1，输出的特征图像大小为160*160，第四卷积子层的卷积核数为128，卷积核大小为1*1、步长为2，输出的特征图像大小为80*80；

第四卷积层包括第五卷积子层及第六卷积子层，第五卷积子层采用卷积核数为128，卷积核大小为3*3、步长为1，输出的特征图像大小为80*80，第六卷积子层的卷积核数为128，卷积核大小为1*1、步长为1，输出的特征图像大小为80*80，第六卷积子层输出的特征图像为第一特征图像。

3.根据权利要求1或2所述的方法，其特征在于，所述利用图像处理算法和形态学算法，对多个探针通道的暗视野显微镜图像中包含的细胞核分别进行分割和标记，包括：

针对每一探针通道的暗视野显微镜图像，对该暗视野显微镜图像进行高斯核滤波，得到去噪图像；

对去噪图像进行连通域标记，获取标记的连通区域；

利用形态学算法，对获取的连通区域进行分割，并对分割得到的区域进行标记，得到标记的细胞核。