[发明专利]一种低成本高效的细胞核图像分割方法

说明书

本发明属于公开了一种低成本高效的细胞核图像分割方法，采集无标签病理图像数据，通过基于一致性的图像样本块选择算法，筛选出少量的小尺寸的病理图像样本块由病理医生进行标注，标注之后的掩膜和选择的样本块组成样本对，作为有条件输入的基于单对训练图片的对抗生成模型的训练样本，经过模型训练，生成大量的伪样本对并加入分割训练集，所有的标注的真实样本对加上模型生成的伪样本对输入基于伪标签的半监督细胞核分割模型进行训练，得到能够精准分割病理图像细胞核的模型；在尽可能减少标注成本的前提下，通过基于一致性的图像样本块选择算法达到和大量标注相当的分割性能。

技术领域

本发明属于医学病理学行业中的医学图像处理技术领域，具体涉及一种低成本高效的细胞核图像分割方法。

背景技术

细胞核分割任务，是指标记出病理图像中每一个属于细胞核的像素，细胞核分割是计算机辅助诊疗系统中关键的一个环节分割出来的细胞核不仅有助于病理图像的进一步处理，也有助于病理医生诊断分析病情的发展。

细胞核分割的结果可以提供基本的细胞核视觉信息和形态学特征例如尺寸，形状或者颜色[1][2]。这些信息和特征不仅有助于病理图像的进一步处理（例如分类或者组织分割），也有助于病理医生诊断分析病情的发展（例如癌症的诊断评估和预后）。因此，细胞核分割在计算机辅助诊疗系统中是至关重要的一环。然而，病理图像复杂的背景，细胞核杂乱的分布都极大地增加了精确分割细胞核的难度。同时，训练一个精确分割细胞核的模型通常需要大量的有标注数据（细胞核的数量达到数万级别），这也显著地增加了病理医生标注的负担和时间经济成本。

目前，主流的方法[3][4]大多为全监督方法，它们能够达到较高的分割精度但是却需要大量的细胞核像素级别的标注，这既耗时又昂贵，限制了这类方法的应用范围。一些基于域适应的无监督方法[5][6]使用无标签数据利用生成模型去构建一个有标签数据集，这种方法对无标签数据的种类和形态都有一定的限制，还存在精度不高的问题。半监督方法们[7][8]利用部分有标注的图片加上大量的无标注图片参与训练能够提升模型的性能，但他们很少考虑如何高效选择样本来进行标注的问题。主动学习方法[9][10]迭代地选择一些高价值的样本进行标注。在主动学习方法中，无标签图片会被随机初始化或者预训练的模型进行不确定性的预测，随后病理学家会针对不确定性高的图片进行有针对性的标注，标注后的图片又可以参与模型的训练来预测需要标注的无标签图片，整个过程反复迭代循环。它们的效果依赖于迭代训练的模型，由于需要配合多轮模型的训练加上人工标注，时间成本也较高。

因此在模型训练之前，通过挑选有价值的样本能够最大程度地减少花费和提升效率。

基于对抗生成模型（GANs）[11][12]的方法可以进行样本生成，并且被广泛地应用在数据扩增领域；GANs可以训练一个判别器去分辨生成器生成图像的真假，进而优化生成器的性能。传统的GANs一般直接从噪声生成和目标图像类似的图片；而有条件的对抗生成模型（Conditional GANs）则可以通过输入的条件来生成和条件对应的图片，例如构建和输入文本相关的图片，或者和输入掩膜标签对应的图片。同时sinGAN[13]是一种传统的GAN，可以利用单张训练图片从噪声生成大量的相似图像。

现有技术中缺少一种利用上述理论基础，通过有条件的sinGAN（ConditionalsinGAN）来生成与构造的细胞核掩膜对应的图片，以达到数据扩增目的的一种方法。

[1] F. Clayton, “Pathologic correlates of survival in 378 lymph nodenegative infiltrating ductal breast carcinomas. mitotic count is the bestsingle predictor,” Cancer, vol. 68, no. 6, pp. 1309–1317, 1991.