[发明专利]一种基于多层次特征融合网络的腺体细胞分割方法

说明书

本发明公开了一种基于多层次特征融合网络的腺体细胞分割方法，属于医学图像处理技术领域。本发明所提供的腺体细胞分割网络模型包括编码器和解码器，在编码器阶段，将输入端的特征图通过下采样生成不同尺度的特征图，然后将它们与编码器中最大池化生成的相应比例的特征图进行拼接实现多层次特征输入，加强图像特征的传播；在解码器阶段，根据下采样所保留的不同层次的特征图信息，在进行解码器阶段中的上采样操作时与相对应尺寸大小的特征图进行拼接，再一次的结合浅层图像特征，补偿像素位置的损失，减少在解码过程中预测定位特征图像素位置时的误差，实现高效的腺体细胞图像分割任务。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种用于腺体细胞图像的分割方法。

背景技术

正常的腺体是由管状结构的管腔区域和围绕细胞质的上皮细胞核组成，由腺上皮细胞产生的恶性肿瘤，称为腺癌。常规的治疗计划往往取决于腺癌所处的分级和阶段。而对组织病理学图像中腺形态进行注释和分割是医学专家判断结肠、乳腺和前列腺等癌症分级的重要步骤和手段。这项工作对病人病情的治疗是非常重要的，因为准确的腺体分割有助于针对性的、个性化的治疗设计，进而提高患者的治愈率。但是通过医学专家进行手动注释、分割腺体细胞是需要高度集中的，同时是非常辛苦和耗时的。不仅如此，由于对腺体细胞形态的判断会受到医学专家主观的影响，如果长时间疲劳作业会大大增加专家的失误率，从而增大给患者带来生命危险的概率。因此，在临床治疗中对腺体细胞图像的自动化分割方法提出了很高的要求，以高效率、高精度和高可靠性为前提，减少医学专家的工作量。

计算病理学的兴起导致了自动化的腺体分割方法的发展，旨在克服手工分割的挑战。然而，这项任务具备很大的挑战，因为腺体细胞的外观有很大的可变性，且很难区分某些腺和非腺的组织结构。此外，不确定性的测量对于诊断决策是必不可少的。因此，自动化的腺体分割对在提高临床工作的效率和可靠性以及减少病理学家工作量等方面具有至关重要的意义。在以往的研究工作中，难以对腺体细胞进行高精度、高效率的分割主要有两个原因：

(1)良恶性之间的腺体形态差异很大，良性腺体一般呈圆形结构，恶行腺体则呈不规则结构，且随着癌症级别的不同，恶行腺体的形态差异会更大，从而加大了从组织中准确勾画出单个腺体细胞的难度；

(2)相邻腺体细胞之间的间隙狭小，对于各个腺体细胞边界的划分需要较高的分辨率，从而加大了将各个腺体细胞准确分割开的难度；

对腺体细胞进行自动的、精准的分割可以使医学专家能方便、快速地从大规模腺体组织中提取重要的形态学特征。对于腺体组织进行分割的传统方法在执行过程中需要大量的人机交互过程，并且达到的精确度较低、同时存在泛化能力和抗干扰能力较弱等问题。

与传统的医学图像分割算法相比，基于深度学习的医学图像分割方法在准确性和效率上都取得了很好的成绩，比如FCN，U-Net，SegNet，和ResU-Net等神经网络。这些基于神经网络的算法特点是通过滤波器的卷积操作对医学图像中的像素信息进行多次非线性变化，以此提取图像中高低不同层次、不同强度的抽象特征，再结合这些特征信息对原始图像中的感兴趣的目标对象进行分析和判定，最终得到想要的结果。在基于深度学习的医学图像分割算法中，最具代表性的便是U-Net网络，它具有对称式的编码-解码的拓扑结构，同时由于它独特的跳跃连接结构使得高层次的图像特征可以和低层次的图像特征相结合，从而使网络在解码过程中获得更多的图像细节特征，进而到达更佳的分割效果。但是，U-Net在编码器阶段利用卷积核提取特征时，会在一定程度上过滤或丢失图像中有价值的位置信息，导致其在解码器阶段恢复像素的位置不准确，使得分割边界不理想。