[发明专利]一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质

说明书

本发明涉及一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质，包括：(1)制作标注数据：加载病理图像到标注软件，获取所有的子图像与阳性细胞的子掩码图像数据对；(2)训练模型：训练卷积神经网络模型，分别得到训练好的阳性细胞卷积神经网络模型、训练好的阴性细胞卷积神经网络模型；(3)推理阶段：将待检测的病理图像分别输入训练好的卷积神经网络模型，得到真实掩码图像；(4)后处理阶段：计算阳性细胞和阴性细胞数量，并计算得到阳性细胞占全部细胞的比例p。本发明无需额外参数，通用性高，大幅减少人工调节，有效提高了识别的准确性和鲁棒性。本发明在数据标记上更快、更准、更有效。

技术领域

本发明涉及一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质，属于深度学习技术领域。

背景技术

目前，癌症已经是全球第一大致死因素。除了提高癌症治疗技术，癌症的早期诊断和筛查也是提高癌症患者存活率的重要一方面。病理切片辅助诊断是根据患者的ER、PR和Ki-67的阳性状态进行免疫组化分型，并根据不同分型确定不同的诊疗方案。这依赖于计算病理切片中阴性细胞和阳性细胞占全部细胞的比例进行判断。通常，医生进行阳性状态判断时，需要对显微镜放大切片中的不同视野观察，根据经验得到大致的估计。这种方式不仅费时费力，容易造成视觉疲劳，在准确性方面也存在主观性风险。

当前，国内外专家学者提出的细胞计数方法，大都建立在图像分割的基础上，即试图尽可能完整地在病理图像中分割出全部细胞个体。

传统的图像分割方法依赖于颜色、纹理等特征在同一目标中的相似性，根据相似性先验对图像进行区域划分。常用的方法包括阈值分割、边缘检测以及基于区域的分割方法，基于变分模型的方法，基于聚类和超像素的方法。这些方法在细胞计数方面存在的问题主要是，依赖于手工设定的特征和参数，无法自适应应对复杂多变的细胞图像，无法解决细胞粘连性问题。

基于人工智能或深度学习的细胞分割和计数方法是当前研究最热的方法，依赖于大量准确完整的标注数据。然而，完整的细胞标注数据是难以获取的，一方面是细胞大小、形态各异，另一方面逐像素标记费时费力，导致公开的数据集往往是数量较少且只针对特定类型的细胞。

综上，现有技术中存在以下问题：

(1)传统的基于阈值分割、颜色通道分离等方法的细胞计数，存在准确度低、无法通用、参数在不同类型细胞下需要手动调整等缺点。

(2)基于深度学习的细胞计数方法依赖于准确的标注数据，但医生手工逐像素的标注费时费力，难以形成大规模的有效训练数据。于计数而言，逐像素的识别结果需要更多的后处理步骤，例如使用分水岭算法进一步分割。

(3)细胞形态复杂，逐像素的完整标记很难完成智能化学习，也难以扩展，容易让深度学习模型陷入只能识别单一形态和单一颜色细胞的状态。

发明内容

针对现有技术的不足，本发明提出了一种非完备标记方案，即细胞个体的全部像素点并未被全部标记，而只是以矩形标注了其中心。这种方式不仅高效，更对后续的统计计数是极其有利的，因此增强了本发明的易用性和扩展性，提高了准确度。

本发明基于深度神经网络的细胞计数方法，输入任意尺寸的病理图像，自动快速准确地计算出阴性细胞和阳性细胞的数量及比例，辅助医生的工作。

本发明还提出了一种计算机设备和存储介质。

术语解释：

1、标注软件，在本发明实践中采用MATLAB R2019b的工具箱Image Labeler。

2、S型函数sigmoid，该函数定义为将任意实数x映射到区间(0,1)，常用来表示属于所研究类别的概率。