[发明专利]基于深度学习的细胞图像自动分类方法及系统

说明书

本发明公开提供了一种基于深度学习的细胞图像自动分类方法及系统，主要包括如下部分：通过基于深度学习技术的图像分割和分类算法处理和分析细胞图像，准确提取图像中的单个细胞，在此基础上有效区分正常细胞以及不同类型的病变细胞，并且对图像分类效果进行量化评估。该方法有效地结合实例分割网络模型和深度卷积分类网络模型，实现细胞图像的自动准确分类，为医师提供辅助信息，帮助其进行定量分析，提高工作效率。

技术领域

本发明涉及生物医学信息技术，人工智能技术领域，具体而言，涉及一种基于深度学习的细胞图像自动分类方法及系统。

背景技术

细胞学检查是将脱落的细胞制作细胞涂片，医生可以通过使用显微镜观察其形态和纹理，并且结合细胞学和病理学知识对细胞图像做出判断，因此，细胞学检查是疾病筛查和诊断的一种重要手段。在临床实践中，医生用肉眼对细胞图像进行观察，在大量的细胞中寻找病变细胞，根据病变细胞的数量和种类对疾病进行判定。长期高强度的观察容易使人疲劳，并且依赖医生的临床经验和病理分析专业知识。此外，由于细胞图像的高度复杂，以及外界环境的影响，容易降低诊断效率，造成系统误差。

近年来，人工智能尤其是深度学习技术在智慧医疗领域具有广泛的应用，在临床辅助决策中发挥重要作用。通过建立计算机辅助分析系统，能够对大规模的细胞图像进行智能处理和定量分析，识别病变细胞，实现细胞图像的分类，从而有助于临床医师提高诊断效率和准确率。

本发明公开提供了一种基于深度学习的细胞图像自动分类方法及系统，通过基于深度学习技术的图像分割和分类算法处理和分析细胞图像，准确提取图像中的单个细胞，在此基础上有效区分正常细胞以及不同类型的病变细胞，并且对图像分类效果进行量化评估。该方法有效地结合实例分割网络模型和深度卷积分类网络模型，将单个细胞准确的从细胞图像中分离出来，解决了自动化处理中难以对细胞图像中单个细胞进行分析的问题，最终实现细胞图像的自动准确分类，为医师提供辅助信息，帮助其进行定量分析，提高工作效率。

发明内容

为了解决现有图像处理技术中的分类问题，本发明公开提供了一种基于深度学习的细胞图像自动分类方法及系统，通过结合基于深度学习技术的图像分割和分类方法，有效处理和分析细胞图像。该方法采用深度实例分割网络模型，将单个细胞从细胞图像中准确分离出来；构建深度卷积分类网络模型，识别不同种类的病变细胞，获得细胞图像的分类结果。此外，通过建立细胞图像分类准确度的数值分析方法，为分类算法的可行性提供临床指导意义。

第一方面，本发明实施例提供了一种基于深度学习的细胞图像自动分类方法及系统，包括以下步骤：针对细胞图像进行数据采集、图像标注以及细胞区域提取的操作；使用提取后的所述细胞区域构建模型训练数据集，利用深度实例分割网络模型从采集后的所述细胞图像中分割出单个细胞；计算细胞分割效果评价指标，选择分割效果好的所述单个细胞，构建细胞图像分类模型的训练数据集；利用深度卷积神经网络搭建所述细胞图像分类模型，设计性能评价体系用于评估细胞图像的分类结果，并对该方法进行临床可行性分析。

在其中一个实施例中，所述针对细胞图像进行数据采集、图像标注以及细胞区域提取的操作包括：从医院图像存储系统中筛选出符合要求的细胞图像，由经验丰富的医师在每张细胞图像中标注正常及不同病变类型的细胞区域，针对人工标注的所述细胞区域进行提取操作。

在其中一个实施例中，所述针对人工标注的所述细胞区域进行提取操作包括：使用开源医学图像处理软件OpenSlide，根据医师所标注的细胞区域标签及位置提取细胞区域并获取对应标签。

在其中一个实施例中，所述使用提取后的所述细胞区域构建模型训练数据集，利用深度实例分割网络模型从采集后的所述细胞图像中分割出单个细胞包括：将提取的所述细胞区域划分为单细胞图像以及细胞团块图像，利用划分后的所述单细胞图像合成细胞团块，建立训练数据集，训练深度实例分割网络模型，获得细胞图像中的单个细胞。