[发明专利]基于深度学习的鳞状上皮肿瘤细胞图片自动分类分割方法

说明书

本发明公开了一种基于深度学习的鳞状上皮肿瘤细胞图片自动分类分割方法。方法包括：获得增强切片图片集；构建训练图像集；构建域自适应细胞核多分类分割网络；将训练图像集输入细胞核分类分割网络中进行第一轮训练，获得预训练域自适应细胞核多分类分割网络；将增强切片图片集和训练图像集输入中进行第二轮训练，训练完成的域自适应细胞核多分类分割网络；将待分类分割鳞状上皮细胞肿瘤切片图片输入训练完成的域自适应细胞核多分类分割网络中处理，实现对待分类分割鳞状上皮细胞肿瘤切片图片的自动分类分割。本发明方法能够有效的提取鳞状上皮肿瘤细胞图像特征，实现了对图像中各个细胞的细胞核的自动分类分割，提高了图像中的细胞的识别准确率。

技术领域

本发明涉及了一种自动分类分割方法，具体涉及一种基于深度学习的鳞状上皮肿瘤细胞图片自动分类分割方法。

背景技术

鳞状上皮细胞肿瘤的病理切片中可以观察到肿瘤细胞及其分化情况、炎症细胞浸润以及其他特有特征，肿瘤的发生、生长及转移与肿瘤细胞所处的内外环境有着密切关系，同时肿瘤微环境也影响了肿瘤的预后情况。肿瘤病理切片的阅片，细胞核的分割有助于肿瘤细胞、炎症细胞以及角化、间桥、核分裂像的分类和统计，对确诊鳞状上皮细胞肿瘤、肿瘤的分期分型以及治疗方案的选择都有至关重要的指导意义。

传统的病理切片观察，主要依靠人工阅片完成。这种方式费时费力、主观性强，且往往需要具有丰富经验的病理学专家才能做出正确的判断。近年来，计算机辅助病理学不断涌现，旨在提供快速、可重复和定量的判断。随着深度学习技术的不断发展，已经进行了许多尝试，来研究深度学习技术在数字化组织学图像中自动检测癌症。目前部分深度学习技术，通过分割细胞核的方法仅仅区分了细胞的良恶性，并未把具体种类的细胞一一区分。由于整张病理切片面积过大，部分的深度学习技术仅读取了整张切片中的一部分进行细胞的分类识别。由于组织学切片的解剖学多样性，某些区域仍然可能被错误分类，尤其是靠近肿瘤正常边缘的区域和细胞核很少的区域。

发明内容

为了解决背景技术中存在的问题，本发明所提供一种基于深度学习的鳞状上皮肿瘤细胞图片自动分类分割方法。

本发明采用的技术方案是：

本发明图片自动分类分割方法包括如下步骤：

步骤1)采集若干张鳞状上皮细胞肿瘤切片图片，将各张鳞状上皮细胞肿瘤切片图片进行预处理标注后均匀分割，获得各张标注鳞状上皮细胞肿瘤切片图片并构建标注切片图片集；将标注切片图片集进行数据增强处理，获得增强切片图片集。

步骤2)获取CoNSeP数据集中的若干鳞状上皮细胞肿瘤切片图片及其掩膜，将获取的CoNSeP数据集中的各张鳞状上皮细胞肿瘤切片图片及其掩膜进行步骤1)中的相同的数据增强处理后构建训练图像集。

步骤3)构建域自适应细胞核多分类分割网络，域自适应细胞核多分类分割网络包括细胞核分类分割网络和两个域自适应网络DANet，细胞核分类分割网络包括输入层、分类分支、分割分支和回归分支，输入层分别连接分类分支、分割分支和回归分支，分类分支和分割分支分别连接两个域自适应网络DANet。

步骤4)将训练图像集输入域自适应细胞核多分类分割网络的细胞核分类分割网络中进行第一轮训练，在第一轮训练中获取细胞核分类分割网络的损失值，通过反向传播法将整体损失值反向传播至细胞核分类分割网络中，并通过梯度下降法更新细胞核分类分割网络的网络参数，同时采用ADAM优化器优化细胞核分类分割网络，最终获得预训练域自适应细胞核多分类分割网络。

步骤5)将增强切片图片集和训练图像集输入预训练域自适应细胞核多分类分割网络中进行第二轮训练，在第二轮训练中计算两个域自适应网络DANet的输出结果的二分类交叉熵损失，同时采用ADAM优化器优化预训练域自适应细胞核多分类分割网络，直至二分类交叉熵损失小于预设值完成第二轮训练，获得训练完成的域自适应细胞核多分类分割网络。