[发明专利]一种HE病理图像细胞核分割方法及系统

说明书

本发明公开了一种HE病理图像细胞核分割方法及系统，该方法的步骤包括：将HE病理图像划分标签类别；对病理图像进行颜色归一化，并按照预设的像素尺寸切分为统一大小的图像块；构建采用双U型网络的结构的细胞核分割模型，将切分后的图像块输入细胞核分割模型中进行细胞核分割训练，将标签类别输入细胞核分割模型作为拟合对象；第一U型网络和第二U型网络之间设有信息融合模块，将两个U型网络在相邻尺度的特征进行信息融合；基于模型不变元学习的机制训练细胞核分割模型；将预测结果按照切分时的顺序重新拼接，得到最终的病理图像多组织细胞核分割的结果图。本发明提高了检测细胞核边界的精确度，解决了对细胞核边界难以检测的问题。

技术领域

本发明涉及图像处理技术领域，具体涉及一种HE病理图像细胞核分割方法及系统。

背景技术

病理图像蕴藏着极为丰富的生物信息，是判断患者患病与否的一个重要依据。而病理图像中细胞核的形态，大小等信息更是与癌变预后密切相关。细胞核的形态，大小等信息可以为医生提供关键的诊断信息。

细胞核分割是病理图像分析中的一个基础步骤，一个自动细胞核分割方法可以减少医生的工作量和为临床研究提供较为精确的免疫微环境量化信息。目前已有一些技术在一定程度上实现了病理图像中的细胞核分割，比如Dcan网络采用全卷积网络检测细胞核和细胞核边界。BES网络在U型网络的上采样阶段加入一个细胞核边界检测任务。CIA网络在上采样阶段包含边界检测任务的同时，加入了信息融合模块。而Hovernet则在分割细胞核任务中引入了细胞核内部的距离信息。

虽然现有技术中存在利用深度学习的方法实现对病理图像中细胞核分割，但是现有的方法仍然存在一些不足：Dcan采用全卷积网络检测细胞核和细胞核边界，但是全卷积网络在细胞核分割的任务中难以识别形状较小的目标，而且没有针对细胞核边界检测引入特定的网络段，细胞核边界分割效果不理想，细胞核与细胞核边界难以检测。BES网络虽然采用了U型网络结构，而且有针对细胞核边界的网络段，但是细胞核边界分割任务和细胞核分割任务没有过多的信息交互。Hovernet引入了细胞核的距离信息，但是却没有考虑到网络的泛化能力。因此目前病理图像多组织细胞核分割任务中仍存在细胞核边界难以检测和一般模型的泛化性能不够的技术问题。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提供一种HE病理图像细胞核分割方法及系统，通过细胞核分割模型确定图像中的细胞核，在两个U型网络之间通过信息融合模块进行网络之间的信息交互，提高了检测细胞核边界的精确度，解决了对细胞核边界难以检测的问题。

为了达到上述目的，本发明采用以下技术方案：

本发明提供一种HE病理图像细胞核分割方法，包括下述步骤：

图像预处理：将HE病理图像划分标签类别；

对病理图像进行颜色归一化，并按照预设的像素尺寸切分为统一大小的图像块；

构建细胞核分割模型，将切分后的图像块输入细胞核分割模型中进行细胞核分割训练，将标签类别输入细胞核分割模型作为拟合对象；

所述细胞核分割模型采用双U型网络的结构，包括第一U型网络和第二U型网络，所述第一U型网络和第二U型网络的输入分别为RGB图像和HSV图像，所述第一U型网络用于预测细胞核边界，第二U型网络用于预测细胞核区域部分，所述第一U型网络和第二U型网络在每个尺度上的模块均为密集连接卷积模块；

所述第一U型网络和第二U型网络之间设有信息融合模块，所述信息融合模块将两个U型网络在相邻尺度的特征进行信息融合；

基于模型不变元学习的机制训练细胞核分割模型，利用数据的验证集对细胞核分割模型进行验证，根据验证准确度判断训练进度；

将细胞核分割模型输出的预测结果按照切分时的顺序重新拼接，得到最终的病理图像多组织细胞核分割的结果图。