[发明专利]细胞实例分割模型构建方法、细胞实例分割方法和装置

说明书

本发明提供一种细胞实例分割模型构建方法、细胞实例分割方法和装置，其中模型构建方法包括：对任一细胞的掩膜标注值分别进行膨胀和腐蚀操作，得到该细胞的掩膜膨胀结果和掩膜腐蚀结果，并基于该细胞的掩膜膨胀结果与掩膜腐蚀结果之间的差异，确定该细胞的边缘区域；确定任一细胞的边缘区域内各个边缘像素的权重值和该细胞的中心像素的权重值；任一细胞的边缘像素的权重值大于该细胞的中心像素的权重值；基于各个细胞的边缘像素和中心像素的权重值，分别确定所述各个细胞对应的分割损失，并基于所述各个细胞对应的分割损失，更新所述细胞实例分割模型的模型参数。本发明提升了细胞实例分割模型在密集细胞场景下的分割性能。

技术领域

本发明涉及细胞图像处理技术领域，尤其涉及一种细胞实例分割模型构建方法、细胞实例分割方法和装置。

背景技术

近年来，循环遗传异常细胞(CACs, Circulating genetically abnormal cells)的检测可以更早的预测到肿瘤存在，具有广阔的应用前景。目前，对CACs进行检测的方法，是通过采集外周血液的暗视野(DF，Dark Field)显微镜图像，对DF图像中的CACs细胞进行精准分割，这是进一步对各个细胞进行自动化分析的基础。然而，CACs细胞分割存在着以下难点：1.CACs细胞存在细胞密集的情况，难以对密集细胞进行精准分割；2.由于CACs细胞在细胞密集的同时还会存在相互挤压的问题，因此细胞边界通常是一个不规则的形状，如何将各个细胞的不规则边界准确预测出来且各细胞的预测边界之间不重叠，是当前需要解决的难题。

目前常用的实例分割网络，例如MaskRCNN分割模型，在细胞边缘分割的精准度不够，难以应对细胞密集情况下的细胞分割任务。为了应对边缘分割不准确的问题，部分工作会在原有损失函数的基础上，新增边缘分割损失，该边缘分割损失对预测结果和标注结果进行边界提取，从而计算预测边界和标注边界之间的差异，通过减小该边缘分割损失的方式提高边缘分割准确度。然而，此种方式会受到边界提取算法的性能的干扰，边界提取效果越差，边缘分割损失的计算误差也越大。尤其对于密集细胞场景，细胞之间相互挤压、细胞会产生形变，细胞边界变得不规则，导致边界提取效果劣化，反而会对分割模型的训练产生负面影响。此外，还有部分工作会在计算损失时，对预测结果进行边界提取，并强化该边界上各像素的分割损失，一方面，上述方式同样会受到边界提取算法的性能的干扰，难以很好地适应密集细胞分割场景；另一方面，仅加强边界上像素的分割损失的做法，难以解决边界外和边界内部分信号点的分类错误，而信号点分类错误会导致细胞分割效果下降，并对下游任务产生不良影响。

发明内容

本发明提供一种细胞实例分割模型构建方法、细胞实例分割方法和装置，用以解决现有技术中在密集细胞场景下的细胞分割效果欠佳的缺陷。

本发明提供一种细胞实例分割模型构建方法，包括：

对样本细胞图像中的各个细胞进行掩膜标注，得到各个细胞的掩膜标注值；

对任一细胞的掩膜标注值分别进行膨胀和腐蚀操作，得到所述任一细胞的掩膜膨胀结果和掩膜腐蚀结果，并基于所述任一细胞的掩膜膨胀结果与掩膜腐蚀结果之间的差异，确定所述任一细胞的边缘区域；所述任一细胞的边缘区域包括所述任一细胞的边界以外的区域和所述任一细胞的边界以内的区域；

确定任一细胞的边缘区域内各个边缘像素的权重值和所述任一细胞的中心像素的权重值；任一细胞的中心像素为所述任一细胞的掩膜标注值中位于所述任一细胞的边缘区域以外的像素，任一细胞的边缘像素的权重值大于所述任一细胞的中心像素的权重值；

基于各个细胞的边缘像素和中心像素的权重值，分别确定所述各个细胞对应的分割损失，并基于所述各个细胞对应的分割损失，更新所述细胞实例分割模型的模型参数。

根据本发明提供的一种细胞实例分割模型构建方法，所述确定任一细胞的边缘区域内各个边缘像素的权重值，具体包括：

确定任一细胞的边缘区域内各个边缘像素与所述任一细胞的细胞边界之间的距离；