[发明专利]一种细胞核图像检测方法

说明书

本申请公开了一种细胞核图像检测方法，包括：获取显微镜下具有细胞核图像的数据集样本；采用数据增强方法和数据标准化方法优化细胞核图像；构建两阶段神经网络架构的Faster‑rcnn变体模型，第一个阶段为RPN网络，用于生成初始候选框；第二个阶段为Fast‑rcnn网络，用于对初始候选框进行分类和回归；在Fast‑rcnn网络中增添定位预测头，并将预测检测框的IoU值作为衡量定位质量的指标，以及使用分类质量和定位质量之间的融合分数作为非极大值抑制算法中的排名指标；通过优化后的细胞核图像训练模型；将待测试细胞核图像输入至模型中进行检测。这样能够有效提高细胞核检测的精度和鲁棒性。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种细胞核图像检测方法。

背景技术

在显微镜图像中检测某些特定类型的核或细胞是许多临床医学、生物医学研究中的先决条件，包括定量信息测量、癌症进展、分级和预后预测。例如：乳腺癌是女性中最常见的癌症，也是世界范围内的主要死亡原因。世界卫生组织利用增殖的肿瘤细胞的百分比来确定疾病的预后。为了计算肿瘤细胞百分比，病理学家手动评估出阳性肿瘤细胞，而这些阳性细胞通常和正常细胞混合在一起。即便是专业的病理学家，该评估过程也是主观的，耗时且变化很大。随着高通量技术的发展，大量的图像数据也在迅速增加，依靠手动评估核检测似乎成为了瓶颈。因此，准确，快速地检测涵盖不同患者，器官和疾病状态的组织学图像中的核实例的自动技术，对于开发临床和医学应用的计算机辅助系统具有重大贡献。

目前，传统的细胞核图像检测方法采用经典的图像处理技术，例如强度阈值化，特征检测，形态学滤波，区域累积和可变形模型拟合。他们需要目标核和背景的重要先验知识去选择合适的特征，而这些手选的特征需要反复试验去调整对整体性能至关重要的参数，这将导致这些经典方法泛化能力有限。

与传统的核检测方法相比，深度学习方法最近已被应用于各种计算机视觉问题，并在细胞核检测挑战中取得了更好的性能。这些方法一般分为两类：第一类是对图片进行像素级的二进制分类预测密度函数，而密度的峰值对应着细胞核的中心；第二类是用第一阶段模型进行候选区域的选择，将检索到的候选区域输入到第二阶段模型以进行进一步的区分定位。

对于密度预测方法，如果细胞核密集存在，则会造成密度函数中的峰值趋于平缓，从而无法估计细胞核位置。此外，逐像素的密度预测会加重计算资源的负担，对临床应用具有局限性。基于区域生成的方法，它仅用于对细胞核区域进行分类和回归，而不是所有的图像像素，可以有效加速算法。然而，目前在大多数基于区域方法中，测试方案(仅在NMS期间根据分类得分选择框)和训练方案(使分类和定位损失最小化)之间存在不一致。理想情况下，不仅应根据分类而且还应根据定位位置来测量检测框的质量。并且当图像中的细胞核有粘附、团簇时，此方法容易导致真实框被抑制，从而生成大量假阳性检测框。

发明内容

有鉴于此，本发明的目的在于提供一种细胞核图像检测方法，可以有效提高细胞核检测的精度和鲁棒性，稳定输出检测结果。其具体方案如下：

一种细胞核图像检测方法，包括：

获取显微镜下具有细胞核图像的数据集样本；

采用数据增强方法和数据标准化方法优化所述数据集样本中的细胞核图像；

构建一个端到端的两阶段神经网络架构的Faster-rcnn变体模型，其中第一个阶段为RPN网络，用于生成初始候选框；第二个阶段为Fast-rcnn网络，用于对所述初始候选框进行分类和回归；在所述Fast-rcnn网络中增添一个定位预测头，并将预测检测框的IoU值作为衡量定位质量的指标，以及使用分类质量和定位质量之间的融合分数作为非极大值抑制算法中的排名指标；

通过优化后的所述细胞核图像训练所述Faster-rcnn变体模型；

将待测试细胞核图像输入至训练好的所述Faster-rcnn变体模型中进行检测。