[发明专利]一种基于边缘感知网络的腺体细胞图像分割方法及装置

说明书

本发明公开一种基于边缘感知网络的腺体细胞图像分割方法及装置。本发明提出了一种边缘感知模块以及引入空间金字塔池化模块。以U‑Net网络为主干网络，在编码端最后一层特征提取时引入空洞金字塔池化模块，实现多尺度腺体信息的融合。并在主干网络的解码端设计了边缘感知模块，在单个训练流水线中解开边缘和纹理信息，通过主干网络和边缘感知模块的输出来共同学习语义和边界，解决了分割边界模糊以及锯齿状的问题，且提高了分割精度。改方法易于实现，数据预处理操作简单，具有更好的鲁棒性和准确率。

技术领域

本发明属于网络模式识别和分割技术领域，具体涉及一种非诊断目的的基于边缘感知网络的腺体细胞图像分割方法及装置。

背景技术

近年来，腺癌成为严重损害人类健康的恶性肿瘤之一。依据2020年全球最新癌症负担数据可知，全球发病率前十的癌症分别是：乳腺癌226万，肺癌220万，结直肠癌193万，前列腺癌141万，胃癌109万，肝癌91万，宫颈癌60万，食管癌60万，甲状腺癌59万，膀胱癌57万，这十种癌症占据新发癌症总数的63％，而其中的乳腺癌、结直肠癌、前列腺癌、甲状腺癌都是典型的腺癌。通常情况下，典型的腺体由形成内部管状结构的腔管区域和细胞质周围的上皮细胞核组成。由腺上皮产生的恶性肿瘤，也被称为腺癌，是最普遍的癌症形式。研究表明，图像结构(如细胞核和腺体)的大小、形状和其他一些形态学表现与疾病的存在或严重程度高度相关。而图像分割从组织病理学图像中提取细胞、细胞核或腺体，是病理分析之前的关键步骤。因此，临床实践中对自动分割方法提出了很高的要求，以提高分割效率和可靠性，减少病理学家的工作量。此外腺癌的癌变有发生、发展和侵润的前期过程，在癌变形成的早期阶段没有明显的组织特性，因而如果病人在病变早期就能被确诊，那么治愈率将会提高，且拥有较好的预后效果。

随着人工智能技术的发展，在计算机视觉领域，越来越多的计算机图像技术对各行业产生了深远的影响，尤其随着卷积神经网络的发展，更多的模型和方法在医学图像领域得到应用，前期通过对图像的分析为医生的诊断则可提供很好的辅助作用。目前，医学图像处理主要集中表现在病变检测、图像分割、图像配准及图像融合四个方面。

图像分割是指将图像分割成若干对象或感兴趣的区域，是计算机视觉研究中一个经典的难题。语义分割是指将图像中的每个像素归类为特定的对象或区域，从而阐明成像场景的全局语义。图像分割是建立全自动感知系统的第一步，在遥感、医学图像分析、自动驾驶车辆等领域有广泛的应用。

对腺体图像结构的大小、形状和其它一些形态表现进行分析，可以作为腺癌病情诊断的依据。传统腺体图像的评估由专业病理学专家进行，但人工评估存在主观性强、工作量大、费时等问题。近几年，通过计算机定量和客观分析组织病理学图像的计算方法得以发展。其中腺体图像语义分割，即机器从腺体图像中对腺体细胞进行识别并自动分割，是进行腺体图像分析的基础。临床实践中利用合适的腺体细胞自动分割方法，可以提高分割效率和可靠性，减少病理学家的工作量。在卷积神经网络快速发展中，虽然已经有大量的方法被提出，并且在某些情况下是成功的，但是由于特征表示的困难，医学图像分割仍然是计算机视觉领域中最具挑战性的课题之一。特别是腺体细胞图像的特征提取比普通RGB图像更难，因为前者往往存在模糊、噪声、对比度低等问题。因此，研究腺体细胞精确分割方法对腺癌的发现和诊断非常有意义。本发明从卷积神经网络出发，结合腺体细胞的特点，研究基于边缘感知网络对腺体细胞图像自动分割的方法。

发明内容

本发明的目的是为了提高基于深度学习方法的腺体细胞分割精度问题，提出了一种基于边缘感知网络的腺体细胞图像分割方法。

一种基于边缘感知网络的腺体细胞分割方法，包括以下步骤：

步骤一、获取腺体细胞原图像；

步骤二、数据预处理

2.1对腺体细胞原图像调整图像大小，并筛选出清晰度高且染色完整的图像，且没有信息缺少的图像作为训练数据，并以腺体细胞原图像对应的分割后腺体细胞图像作为标签；