基于深度學(xué)習(xí)的自適應(yīng)橢圓擬合細(xì)胞自動(dòng)檢測(cè)分割方法【專利摘要】本發(fā)明公開了基于深度學(xué)習(xí)的自適應(yīng)橢圓擬合細(xì)胞自動(dòng)檢測(cè)分割方法，首先運(yùn)用深度學(xué)習(xí)方法檢測(cè)出病理圖像中的細(xì)胞，然后運(yùn)用主動(dòng)輪廓模型找到精確的細(xì)胞輪廓，最后使用自適應(yīng)橢圓擬合技術(shù)將重疊的細(xì)胞輪廓分割出來。本發(fā)明以大幅切片圖為研究對(duì)象，采用深度學(xué)習(xí)加滑動(dòng)窗口的方法，能準(zhǔn)確找到圖像中細(xì)胞的位置，主動(dòng)輪廓結(jié)合自適應(yīng)橢圓擬合對(duì)分割重疊細(xì)胞具有明顯的效果。本發(fā)明提出的細(xì)胞自動(dòng)檢測(cè)分割方法能輔助臨床醫(yī)生對(duì)數(shù)字病理學(xué)切片中細(xì)胞進(jìn)行量化評(píng)估，準(zhǔn)確快速的進(jìn)行臨床診斷，減少不同觀察者或同一個(gè)觀察者在不同時(shí)間段間的診斷差異性。相對(duì)于現(xiàn)有的細(xì)胞檢測(cè)分割方法，本發(fā)明無論是從準(zhǔn)確率還是從可實(shí)行效果上來看，具有明顯的優(yōu)勢(shì)?！緦＠f明】基于深度學(xué)習(xí)的自適應(yīng)橢圓擬合細(xì)胞自動(dòng)檢測(cè)分割方法
技術(shù)領(lǐng)域：
[0001]本發(fā)明涉及基于深度學(xué)習(xí)的自適應(yīng)橢圓擬合細(xì)胞自動(dòng)檢測(cè)分割方法，屬于圖像信息處理
技術(shù)領(lǐng)域：
。【
背景技術(shù)：
】[0002]隨著大幅切片圖像數(shù)字掃描技術(shù)的產(chǎn)生以及掃描的效率提高，組織病理切片的數(shù)字化顯示和存儲(chǔ)變得現(xiàn)實(shí)可行。利用數(shù)字化技術(shù)可以對(duì)病理圖像進(jìn)行更高質(zhì)量的分析。因?yàn)閺慕M織切片病理圖像中幾乎可以找出各種癌癥細(xì)胞和組織的特征，并可以用來輔助醫(yī)生診斷，但是現(xiàn)有的針對(duì)醫(yī)學(xué)圖像處理的技術(shù)研究仍然很少，所以研究一套針對(duì)病理圖像的分析工具十分重要。[0003]研究計(jì)算機(jī)輔助系統(tǒng)(CAD)的目的不是為了完全代替醫(yī)生，而是為了向醫(yī)生提供更加準(zhǔn)確的客觀建議從而提高醫(yī)生的工作效率，得到更加準(zhǔn)確的診斷結(jié)果。雖然計(jì)算機(jī)輔助診斷具有諸多優(yōu)勢(shì)，但由于病理組織圖像呈現(xiàn)出高度的復(fù)雜性，使得病理組織圖像的自動(dòng)分析仍然是一個(gè)極具有挑戰(zhàn)性的研究領(lǐng)域。[0004]在組織病理圖像的研究中很大一部分集中在特定組織結(jié)構(gòu)的分辨上，如淋巴細(xì)胞檢測(cè)、癌癥細(xì)胞檢測(cè)、腺體檢測(cè)。這些組織的位置、大小、形狀，或其他的特有性質(zhì)表示對(duì)預(yù)測(cè)病人的疾病狀況都是十分重要的指標(biāo)，例如在乳腺癌診斷中，切片中的細(xì)胞大小和分布以及細(xì)胞形態(tài)都是重要的預(yù)測(cè)癌癥等級(jí)的生物標(biāo)志。[0005]細(xì)胞的自動(dòng)檢測(cè)與分割是計(jì)算機(jī)輔助診斷的前提條件。高分辨率病理圖像中的細(xì)胞自動(dòng)檢測(cè)和分割極具挑戰(zhàn)性，原因在于病理圖像具有復(fù)雜的內(nèi)容，組織結(jié)構(gòu)密度大。在一張高分辨率病理圖像中存在成千上萬(wàn)的細(xì)胞，人工標(biāo)定的方法費(fèi)時(shí)費(fèi)力，不利于臨床治療。除了高密度，組織病理圖像本身結(jié)構(gòu)也很復(fù)雜，包含很多組織結(jié)構(gòu)，而且這些結(jié)構(gòu)沒有明顯的邊界，同一結(jié)構(gòu)還存在多種形態(tài)，這些都給自動(dòng)處理帶來巨大挑戰(zhàn)。以前基于分割算法的細(xì)胞檢測(cè)方法在面對(duì)多形狀和多尺度的腫瘤細(xì)胞時(shí)魯棒性不高。主動(dòng)輪廓模型是一種常用的細(xì)胞分割方法，但有初始化敏感的缺點(diǎn)。同時(shí)在病理圖像中存在大量的細(xì)胞重疊現(xiàn)象，主動(dòng)輪廓模型很難獲得一個(gè)很好的分割結(jié)果。[0006]-個(gè)高效準(zhǔn)確的細(xì)胞分割方法能夠提供精確的細(xì)胞位置用于構(gòu)建細(xì)胞之間的拓?fù)潢P(guān)系特征，同樣精確的細(xì)胞輪廓信息可以用于描述細(xì)胞的形狀特征。這些結(jié)果可以延伸到將來病理分析系統(tǒng)之中，為醫(yī)生提供定量化的診斷信息，減小依靠經(jīng)驗(yàn)觀測(cè)切片圖像所帶來的主觀誤差；同時(shí)高效的分析系統(tǒng)將縮短病情分析的等待過程，為病人提供寶貴的治療時(shí)間?！?br/>發(fā)明內(nèi)容】[0007]本發(fā)明所要解決的技術(shù)問題是:提供基于深度學(xué)習(xí)的自適應(yīng)橢圓擬合細(xì)胞自動(dòng)檢測(cè)分割方法，克服現(xiàn)有細(xì)胞檢測(cè)分割算法無法處理病理切片圖像中細(xì)胞形狀尺度多變和細(xì)胞重疊的問題，相比于其他方法具有更高的分割準(zhǔn)確率。[0008]本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：[0009]基于深度學(xué)習(xí)的自適應(yīng)橢圓擬合細(xì)胞自動(dòng)檢測(cè)分割方法，包括如下步驟：[0010]步驟1，在病理切片圖像中選取完全包含細(xì)胞的圖像、部分包含細(xì)胞的圖像和完全不包含細(xì)胞的圖像，并將上述三種圖像組合起來作為訓(xùn)練樣本；[0011]步驟2,利用步驟1的訓(xùn)練樣本訓(xùn)練自動(dòng)編碼器，找到使重構(gòu)樣本和訓(xùn)練樣本之間的誤差小于預(yù)設(shè)閾值的自動(dòng)編碼器參數(shù)；[0012]步驟3,使用步驟2訓(xùn)練好的自動(dòng)編碼器參數(shù)初始化卷積神經(jīng)網(wǎng)絡(luò)，并利用步驟1的訓(xùn)練樣本訓(xùn)練初始化后的卷積神經(jīng)網(wǎng)絡(luò)，找到使輸入標(biāo)簽和輸出標(biāo)簽之間的誤差最小的卷積參數(shù)；[0013]步驟4,利用鏡像邊界的方法擴(kuò)充待檢測(cè)病理切片圖像的圖像邊緣；[0014]步驟5,利用步驟3訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，對(duì)經(jīng)過步驟4的待檢測(cè)病理切片圖像進(jìn)行細(xì)胞檢測(cè)，并排除對(duì)同一個(gè)細(xì)胞的重復(fù)檢測(cè)；[0015]步驟6,以步驟5檢測(cè)到的細(xì)胞位置為中心構(gòu)建一個(gè)半徑為細(xì)胞半徑的圓作為主動(dòng)輪廓的初始輪廓，利用主動(dòng)輪廓模型方法演化初始輪廓，從而得到精確的細(xì)胞輪廓；[0016]步驟7,使用自適應(yīng)橢圓擬合技術(shù)分割重疊的細(xì)胞，從而得到待檢測(cè)病理切片圖像中細(xì)胞的檢測(cè)分割結(jié)果。[0017]作為本發(fā)明的優(yōu)選方案，步驟3所述卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、卷積層、池化層、全連接層、輸出層。[0018]作為本發(fā)明的優(yōu)選方案，步驟5所述細(xì)胞檢測(cè)的具體過程為:將訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)作為監(jiān)測(cè)器，利用滑動(dòng)窗口技術(shù)從待檢測(cè)病理切片圖像的左上角開始，從上到下，從左到右，以一個(gè)像素為步長(zhǎng)讓窗口依次滑過待檢測(cè)病理切片圖像的每一個(gè)區(qū)域，由卷積神經(jīng)網(wǎng)絡(luò)判斷滑動(dòng)窗口內(nèi)的圖像為細(xì)胞或者非細(xì)胞。[0019]作為本發(fā)明的優(yōu)選方案，步驟1所述訓(xùn)練樣本的像素大小為34*34。[0020]作為本發(fā)明的優(yōu)選方案，步驟5所述排除對(duì)同一個(gè)細(xì)胞的重復(fù)檢測(cè)的方法為局部非最大值抑制技術(shù)。[0021]本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：[0022]1、本發(fā)明使用深度學(xué)習(xí)方法檢測(cè)形狀尺寸高度變化的細(xì)胞，隨后使用主動(dòng)輪廓獲取細(xì)胞精確的輪廓信息，采用自適應(yīng)細(xì)胞橢圓擬合算法分割重疊的細(xì)胞，本發(fā)明方法的檢測(cè)準(zhǔn)確率比基于分割檢測(cè)方法的準(zhǔn)確率高，且消耗時(shí)間少。[0023]2、本發(fā)明檢測(cè)分割方法在檢測(cè)細(xì)胞位置、分割細(xì)胞的同時(shí)都在原圖上做出標(biāo)記，方便臨床醫(yī)生直接觀看，并在此基礎(chǔ)上做出后續(xù)診斷。[0024]3、本發(fā)明檢測(cè)分割方法針對(duì)邊緣細(xì)胞，采取鏡像邊緣像素的方法來擴(kuò)充邊緣，從而來檢測(cè)這些細(xì)胞的位置。[0025]4、本發(fā)明檢測(cè)分割方法針對(duì)重疊細(xì)胞，采用自適應(yīng)橢圓擬合的方法擬合輪廓，解決了主動(dòng)輪廓模型不可分割重疊細(xì)胞的問題?！靖綀D說明】[0026]圖1是本發(fā)明基于深度學(xué)習(xí)的自適應(yīng)橢圓擬合細(xì)胞自動(dòng)檢測(cè)分割方法進(jìn)行細(xì)胞檢測(cè)分割的實(shí)施例圖。[0027]圖2是本發(fā)明自動(dòng)編碼器編碼解碼的訓(xùn)練結(jié)構(gòu)示意圖。[0028]圖3是本發(fā)明卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)構(gòu)示意圖。[0029]圖4是本發(fā)明基于滑動(dòng)窗口和卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞檢測(cè)示意圖。[0030]圖5是本發(fā)明使用局部非最大值抑制方法細(xì)胞檢測(cè)結(jié)果去重復(fù)示意圖。[0031]圖6是本發(fā)明重疊細(xì)胞自適應(yīng)橢圓擬合示意圖?！揪唧w實(shí)施方式】[0032]下面詳細(xì)描述本發(fā)明的實(shí)施方式，所述實(shí)施方式的示例在附圖中示出。下面通過參考附圖描述的實(shí)施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對(duì)本發(fā)明的限制。[0033]如圖1所示，為利用本發(fā)明基于深度學(xué)習(xí)的自適應(yīng)橢圓擬合細(xì)胞自動(dòng)檢測(cè)分割方法，進(jìn)行細(xì)胞檢測(cè)分割的具體實(shí)施例圖，包括以下步驟：[0034]步驟1、訓(xùn)練樣本的選取：[0035]在病理圖像中選取包含細(xì)胞的圖像塊和非細(xì)胞圖像塊，其中非細(xì)胞圖像塊包括有部分細(xì)胞的圖像塊和完全不包括細(xì)胞的圖像塊。關(guān)于細(xì)胞圖像塊的選取，完全由擁有專業(yè)病理知識(shí)的臨床醫(yī)生在大幅切片圖像中進(jìn)行標(biāo)記，程序會(huì)根據(jù)這些標(biāo)記點(diǎn)到原圖中截取以標(biāo)注點(diǎn)為中心，邊長(zhǎng)為34個(gè)像素的正方形圖像塊。這些完全包含細(xì)胞的圖像塊作為細(xì)胞正樣本。對(duì)于細(xì)胞負(fù)樣本，我們規(guī)定包含部分細(xì)胞和完全不包括細(xì)胞的切片圖像塊為負(fù)樣本。設(shè)計(jì)程序在原圖像中隨機(jī)取點(diǎn)，且這些點(diǎn)滿足以下兩個(gè)條件:距離專家標(biāo)注的點(diǎn)距離34個(gè)像素;所取的點(diǎn)不重復(fù)，一共選取這樣的負(fù)樣本圖像塊10000幅。[0036]步驟2、自動(dòng)編碼器的訓(xùn)練：[0037]使用步驟1選取的樣本訓(xùn)練自動(dòng)編碼器。自動(dòng)編碼器是一種盡可能復(fù)現(xiàn)輸入信號(hào)的無監(jiān)督神經(jīng)網(wǎng)絡(luò)。為了實(shí)現(xiàn)這種復(fù)現(xiàn)，自動(dòng)編碼器就必須提取出可以代表輸入數(shù)據(jù)的最重要的特征，有點(diǎn)類似主成分分析，找到可以代表原信息的主要成分。下面先介紹基礎(chǔ)的自動(dòng)編碼器的結(jié)構(gòu)特征和訓(xùn)練方式。自動(dòng)編碼器是非監(jiān)督的特征學(xué)習(xí)結(jié)構(gòu)，它的訓(xùn)練目的在于找到關(guān)于原始高維數(shù)據(jù)壓縮的更好的特征表示。自動(dòng)編碼可以簡(jiǎn)單地理解為一個(gè)前向傳播神經(jīng)網(wǎng)絡(luò)，并通過后向傳播算法調(diào)節(jié)網(wǎng)絡(luò)結(jié)構(gòu)權(quán)重。這個(gè)調(diào)節(jié)過程以盡可能地減小重構(gòu)圖像和原始圖像的誤差為目標(biāo)。[0038]自編碼神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖，如圖2所示，它分為編碼過程和解碼過程，總的來說，編碼網(wǎng)絡(luò)的輸入層輸入X=(x(l)，x(2)，...，x(N))T轉(zhuǎn)化為相對(duì)應(yīng)的表達(dá)h，隱藏層維)=戌⑷為(灶可以視為輸入數(shù)據(jù)另一種特征表達(dá)。解碼網(wǎng)絡(luò)的輸出層則試圖根據(jù)隱藏層的表達(dá)h重構(gòu)出輸入數(shù)據(jù)X。訓(xùn)練自動(dòng)編碼器即訓(xùn)練輸入層和隱藏層之間的連接權(quán)重W和偏置b，使得輸入圖像x和重構(gòu)圖像免之間的誤差最小。[0039]步驟3、使用已經(jīng)訓(xùn)練好的自動(dòng)編碼器參數(shù)初始化卷積神經(jīng)網(wǎng)絡(luò)：[0040]卷積神經(jīng)網(wǎng)絡(luò)(CNNs)是人工神經(jīng)網(wǎng)絡(luò)的一種，它的權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量。該優(yōu)點(diǎn)在網(wǎng)絡(luò)的輸入是多維圖像時(shí)表現(xiàn)的更為明顯，使圖像可以直接作為網(wǎng)絡(luò)的輸入，避免了傳統(tǒng)識(shí)別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過程。卷積網(wǎng)絡(luò)是為識(shí)別二維形狀而特殊設(shè)計(jì)的一個(gè)多層感知器，這種網(wǎng)絡(luò)結(jié)構(gòu)對(duì)平移、比例縮放、傾斜或者共他形式的變形具有高度不變性。[0041]卷積神經(jīng)網(wǎng)絡(luò)模型性能的優(yōu)劣在一定程度上取決于訓(xùn)練樣本和初始的神經(jīng)網(wǎng)絡(luò)權(quán)重。采用隨機(jī)初始化的方法容易陷于局部最優(yōu)，所以這里使用步驟2中具有類似結(jié)構(gòu)的自動(dòng)編碼器的權(quán)重矩陣來初始化卷積神經(jīng)網(wǎng)絡(luò)。[0042]步驟4、微調(diào)卷積神經(jīng)網(wǎng)絡(luò)，找到使輸入標(biāo)簽和輸出標(biāo)簽之間的誤差最小的權(quán)重矩陣：[0043]本發(fā)明方法中所使用的卷積神經(jīng)網(wǎng)絡(luò)包含一個(gè)卷積層，一個(gè)最大池化層，一個(gè)全連接層和一個(gè)最終的分類器層，如圖3所示。卷積層和最大池化層分別產(chǎn)生卷積特征映射和最大池化特征映射。這些高維特征可以用于softmax分類器分類。在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)時(shí)最為常見的是采用反向傳播算法以及有監(jiān)督的訓(xùn)練方式。在神經(jīng)網(wǎng)絡(luò)中信號(hào)是前向傳播的，即從輸入層向輸出層的方向傳播，第一層的輸入X，經(jīng)過多個(gè)卷積池化層后，變成最后一層輸出的特征映射〇。將輸出的特征映射和期望的標(biāo)簽T進(jìn)行對(duì)比，生成誤差項(xiàng)E。通過反向遍歷神經(jīng)網(wǎng)絡(luò)，將誤差逐層傳遞到每一個(gè)神經(jīng)元，并對(duì)相應(yīng)的卷積核權(quán)重進(jìn)行更新。訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)即訓(xùn)練卷積層和池化層的連接權(quán)重W和偏置b，使得輸入標(biāo)簽和重構(gòu)標(biāo)簽之間的誤差最小。[0044]步驟5、對(duì)要檢測(cè)的病理切片圖像運(yùn)用鏡像邊界的方法擴(kuò)充圖像邊緣：[0045]對(duì)要檢測(cè)的病理切片圖像運(yùn)用鏡像邊界的方法擴(kuò)充圖像邊緣，這里根據(jù)圖像中細(xì)胞的大小，選擇鏡像邊緣的寬度為半個(gè)細(xì)胞直徑的像素距離。此處理是為了更好的檢測(cè)出位于邊緣處的細(xì)胞。[0046]步驟6、切片圖像中檢測(cè)細(xì)胞：[0047]如圖4所示，將訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)作為監(jiān)測(cè)器，利用滑動(dòng)窗口技術(shù)從切片圖像的左上角開始，從上到下，從左到右，以一個(gè)像素為步長(zhǎng)讓窗口依次滑過切片圖像的每一個(gè)區(qū)域，由卷積神經(jīng)網(wǎng)絡(luò)對(duì)滑動(dòng)窗口內(nèi)的圖像進(jìn)行判斷:該區(qū)域是細(xì)胞或者非細(xì)胞，每次判斷的結(jié)果都是一個(gè)概率值，即此窗口為細(xì)胞的概率(置信度值），大于一定概率則認(rèn)為是細(xì)胞，則在窗口中心所對(duì)應(yīng)像素位置記錄下該概率值。[0048]步驟7、使用局部非最大值抑制技術(shù)排除對(duì)同一個(gè)細(xì)胞的重復(fù)檢測(cè)：[0049]在步驟6中采取了步長(zhǎng)為1的滑動(dòng)窗口，滑動(dòng)步長(zhǎng)遠(yuǎn)小于細(xì)胞的尺寸，所以對(duì)同一個(gè)細(xì)胞會(huì)存在重復(fù)標(biāo)記，每一個(gè)滑動(dòng)窗口的檢測(cè)結(jié)果都有一個(gè)概率值，根據(jù)所選取的概率閾值，在局部概率值最大的檢測(cè)點(diǎn)鄰域內(nèi)小于該閾值的檢測(cè)結(jié)果都將被抑制去除，如圖5所不。[0050]步驟8、以檢測(cè)到的細(xì)胞位置為中心構(gòu)建一個(gè)半徑為細(xì)胞半徑的圓作為主動(dòng)輪廓的初始輪廓：[0051]在切片圖像中大部分細(xì)胞都呈現(xiàn)為橢圓形，考慮到橢圓具有方向性，采用尺寸和細(xì)胞相同的圓來作為主動(dòng)輪廓的初始形狀更加具有泛化性。[0052]步驟9、主動(dòng)輪廓演化獲得精確的細(xì)胞輪廓：[0053]主動(dòng)輪廓模型方法通常是最小化一個(gè)能量函數(shù)，使得分割的輪廓與物體的實(shí)際輪廓盡可能的接近。根據(jù)邊界的平滑性和強(qiáng)度，本發(fā)明方法采用了基于邊界的主動(dòng)輪廓模型來分割目標(biāo)物體，同時(shí)根據(jù)圖像像素區(qū)域統(tǒng)計(jì)分布的特點(diǎn)，結(jié)合了基于區(qū)域的主動(dòng)輪廓模型。分割過程通常是由一個(gè)初始輪廓開始，經(jīng)過不斷迭代，初始輪廓在能量函數(shù)的作用下，通過梯度下降法或其他最優(yōu)化方法，逐漸收斂至目標(biāo)物體的邊緣。當(dāng)達(dá)到目標(biāo)物體的邊緣時(shí)，能量函數(shù)趨于穩(wěn)定，則輪廓不再改變。[0054]假設(shè)圖像Q中存在兩部分區(qū)域：Q:細(xì)胞(前景)和Q2非細(xì)胞(背景），在這兩區(qū)域內(nèi)局部灰度值分布滿足如下截?cái)喔咚狗植迹篬0056]其中，i^Pv分別代表圖像Q和{QjLpAGUz前景，2=背景}中的兩個(gè)像素，I(v)表示像素v所對(duì)應(yīng)的灰度值，mA(u#P〇A(u)分別是像素u局部高斯分布的均值和方差，而且兩者是空間相關(guān)的。[0057]定義一個(gè)核函數(shù)：[0059]這里a和P是兩個(gè)預(yù)先定義的常數(shù)，/co(d)=l。E是控制核局部化特性的尺度參數(shù)。曲線演化函數(shù)可以由變分法理論推導(dǎo)出：[0061]其中00是步驟8所得到的初始輪廓，ei、e2由下面公式計(jì)算得出：[0064]其中，Ss為平滑狄拉克S函數(shù)。[0065]步驟10、使用自適應(yīng)橢圓擬合技術(shù)分割重疊的細(xì)胞：[0066]對(duì)于重疊細(xì)胞具有這樣一個(gè)特性：由于細(xì)胞相互粘連在一個(gè)區(qū)域內(nèi)，可以通過判斷區(qū)域內(nèi)細(xì)胞的數(shù)量來決定該連通區(qū)域是否為重疊細(xì)胞。若區(qū)域內(nèi)只有一個(gè)細(xì)胞，則不做處理;若區(qū)域內(nèi)包含多個(gè)細(xì)胞，則進(jìn)行分裂擬合。[0067]心（1=1，2，...，r)表示一個(gè)包含多個(gè)細(xì)胞的區(qū)域，r為圖像中所有多細(xì)胞區(qū)域的數(shù)量。及,表示區(qū)域的邊界，cij(j=l，2,...，ru)表示區(qū)域Ri中的第j個(gè)細(xì)胞，m為區(qū)域Ri中的細(xì)胞數(shù)量。細(xì)胞子區(qū)域PU和細(xì)胞子邊界由以下公式定義：[0068]并'~|，/f4，/二:1，2,.'.，廠尸7=1,2,…，/j,.},[0069]P=\Pnk|minP"k-c...P"：eR：,k=l,2,...,r；,/=1,2,!,[0070]〇和&分別為細(xì)胞區(qū)域RU和區(qū)域輪廓上所有的像素。[0071]如圖6所示，為具體分割方法的過程示意圖。[0072]步驟11、在大幅切片圖像中將細(xì)胞檢測(cè)結(jié)果和細(xì)胞輪廓擬合結(jié)果展示出來。[0073]為了便于理解本發(fā)明技術(shù)方案，下面給出一個(gè)具體實(shí)施例。[0074]本實(shí)施例將本發(fā)明提供的檢測(cè)分割方法應(yīng)用在蘇木精和伊紅染色的乳腺癌組織圖像集上。本發(fā)明方法在兩個(gè)數(shù)據(jù)庫(kù)中進(jìn)行了測(cè)試，數(shù)據(jù)庫(kù)1中包含來自17位不同病人的37幅大小約2000*2000的切片圖像，這些圖片使用40倍的光學(xué)掃描儀掃描病理切片得到。數(shù)據(jù)庫(kù)2中包含100幅大小約100*100的切片圖像，在每張圖片中約存在數(shù)十個(gè)細(xì)胞。[0075]本實(shí)施例中，細(xì)胞檢測(cè)部分采取兩層的卷積神經(jīng)網(wǎng)絡(luò)，分割部分為主動(dòng)輪廓結(jié)合自適應(yīng)橢圓擬合，本實(shí)施例的檢測(cè)分割過程具體如下：[0076]1、細(xì)胞訓(xùn)練集的產(chǎn)生[0077]考慮到數(shù)據(jù)庫(kù)1中包含大量的細(xì)胞，本實(shí)施例在數(shù)據(jù)庫(kù)1中的大幅病理切片細(xì)胞圖像中選出14張切片圖像用于提取標(biāo)記的細(xì)胞圖像塊，圖像塊的大小為34*34,共選取約10000幅細(xì)胞圖片，100000幅非細(xì)胞圖片。[0078]2、訓(xùn)練自動(dòng)編碼器[0079]對(duì)選取的圖像集進(jìn)行特征提取訓(xùn)練，先進(jìn)行一層稀疏自編碼的訓(xùn)練，滿足重構(gòu)誤差足夠小，在本實(shí)施例中，輸入層設(shè)置1156個(gè)神經(jīng)元，隱層神經(jīng)元為500個(gè)，訓(xùn)練完成即得到第一層特征。在得到第一層特征的基礎(chǔ)上，再次運(yùn)用稀疏自編碼器把這層特征當(dāng)做原始輸入進(jìn)行第二次特征提取，同樣達(dá)到重構(gòu)誤差足夠小，第二層結(jié)構(gòu)的輸入層為上一層的輸出層，設(shè)置為500個(gè)神經(jīng)元點(diǎn)，第二層的隱層單元數(shù)為100,同樣訓(xùn)練完成即得到第二層特征。把第二層特征輸入softmax分類器，訓(xùn)練softmax細(xì)胞分類器;將第一層結(jié)構(gòu)，第二層結(jié)構(gòu)，分類器結(jié)構(gòu)串連在一起組成整體，對(duì)整體網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行微調(diào)，使得整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)最優(yōu)。[0080]3、初始化卷積神經(jīng)網(wǎng)絡(luò)[0081]將自動(dòng)編碼器的網(wǎng)絡(luò)參數(shù)作為卷積神經(jīng)網(wǎng)絡(luò)的初始值。[0082]4、使用選取的圖像集繼續(xù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，找到使輸入的標(biāo)簽和輸出的標(biāo)簽之間的誤差最小的權(quán)重矩陣。[0083]5、擴(kuò)充檢測(cè)圖像邊緣[0084]對(duì)要檢測(cè)的病理切片圖像運(yùn)用鏡像邊界的方法擴(kuò)充圖像邊緣，此處理是為了更好的檢測(cè)出位于邊緣處的細(xì)胞。[0085]6、滑動(dòng)掃描[0086]將訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)作為監(jiān)測(cè)器，利用滑動(dòng)窗口技術(shù)從切片圖像的左上角開始，從上到下，從左到右，以一個(gè)像素為步長(zhǎng)依次滑過切片圖像的每一個(gè)區(qū)域，由卷積神經(jīng)網(wǎng)絡(luò)對(duì)對(duì)滑動(dòng)窗口內(nèi)的圖像進(jìn)行判斷：該區(qū)域是細(xì)胞或者非細(xì)胞，每次判斷的結(jié)果都是一個(gè)概率值，即此窗口為細(xì)胞的概率(置信度值），大于一定概率則認(rèn)為是細(xì)胞。[0087]7、去除重復(fù)標(biāo)記[0088]使用局部非最大值抑制技術(shù)排除對(duì)同一個(gè)細(xì)胞的重復(fù)檢測(cè)，在步驟6中采取了步長(zhǎng)為1的滑動(dòng)窗口，滑動(dòng)步長(zhǎng)遠(yuǎn)小于細(xì)胞的尺寸，所以對(duì)同一個(gè)細(xì)胞會(huì)存在重復(fù)標(biāo)記，每一個(gè)滑動(dòng)窗口的檢測(cè)結(jié)果都有一個(gè)置信度值，根據(jù)所選取的概率閾值，在局部置信度最大的檢測(cè)點(diǎn)鄰域內(nèi)小于該閾值的檢測(cè)結(jié)果都將被抑制去除。[0089]8、初始化主動(dòng)輪廓模型[0090]以檢測(cè)到的細(xì)胞位置為中心構(gòu)建一個(gè)半徑為細(xì)胞半徑的圓作為主動(dòng)輪廓的初始輪廓:在切片圖像中大部分細(xì)胞都呈現(xiàn)為橢圓形，考慮到橢圓具有方向性，采用尺寸和細(xì)胞相同的圓來作為主動(dòng)輪廓的初始形狀更加具有泛化性。[0091]9、主動(dòng)輪廓演化獲得精確的細(xì)胞輪廓[0092]主動(dòng)輪廓模型方法通常是最小化一個(gè)能量函數(shù)，使得分割的輪廓與物體的實(shí)際輪廓盡可能的接近。[0093]10、使用自適應(yīng)橢圓擬合技術(shù)分割重疊的細(xì)胞[0094]對(duì)于重疊細(xì)胞具有這樣一個(gè)特性：由于細(xì)胞相互粘連在一個(gè)區(qū)域內(nèi)，可以通過判斷區(qū)域內(nèi)細(xì)胞的數(shù)量來決定該連通區(qū)域是否為重疊細(xì)胞。若區(qū)域內(nèi)只有一個(gè)細(xì)胞，則不做處理。若區(qū)域內(nèi)包含多個(gè)細(xì)胞，則進(jìn)行分裂擬合。[0095]11、在大幅切片圖像中將細(xì)胞檢測(cè)結(jié)果和細(xì)胞輪廓擬合結(jié)果展示出來。[0096]為了驗(yàn)證本發(fā)明重疊細(xì)胞檢測(cè)分割的有效性，與另外三種常見的細(xì)胞檢測(cè)與分割算法進(jìn)行了對(duì)比，分別為BlueRatio(BR)，IterativeRadialVoting(IRV)和MaximallyStableExtremalRegion(MSER)，這些方法在檢測(cè)到細(xì)胞之后采用與本發(fā)明方法相同的自適應(yīng)橢圓擬合策略。[0097]表1檢測(cè)準(zhǔn)確率和分割準(zhǔn)確率對(duì)比[0100]從表1中可以看出，本發(fā)明的檢測(cè)準(zhǔn)確率和分割準(zhǔn)確率高于其他幾種常見方法。此外本實(shí)施例中處理的病理切片細(xì)胞圖像由于其組織細(xì)胞的結(jié)構(gòu)復(fù)雜，采用基于分割算法的檢測(cè)方法很難檢測(cè)出細(xì)胞位置，它對(duì)處理細(xì)胞邊緣梯度模糊的情況不能達(dá)到理想的檢測(cè)效果。對(duì)于細(xì)胞重疊的問題，不同的檢測(cè)方法在采用了本發(fā)明的自適應(yīng)橢圓擬合方法后都能獲得一定的效果，而本發(fā)明的效果明顯優(yōu)越于其他方法。[0101]以上實(shí)施例僅為說明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護(hù)范圍，凡是按照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動(dòng)，均落入本發(fā)明保護(hù)范圍之內(nèi)。【主權(quán)項(xiàng)】1.基于深度學(xué)習(xí)的自適應(yīng)橢圓擬合細(xì)胞自動(dòng)檢測(cè)分割方法，其特征在于，包括如下步驟：步驟1，在病理切片圖像中選取完全包含細(xì)胞的圖像、部分包含細(xì)胞的圖像和完全不包含細(xì)胞的圖像，并將上述三種圖像組合起來作為訓(xùn)練樣本；步驟2,利用步驟1的訓(xùn)練樣本訓(xùn)練自動(dòng)編碼器，找到使重構(gòu)樣本和訓(xùn)練樣本之間的誤差小于預(yù)設(shè)閾值的自動(dòng)編碼器參數(shù)；步驟3,使用步驟2訓(xùn)練好的自動(dòng)編碼器參數(shù)初始化卷積神經(jīng)網(wǎng)絡(luò)，并利用步驟1的訓(xùn)練樣本訓(xùn)練初始化后的卷積神經(jīng)網(wǎng)絡(luò)，找到使輸入標(biāo)簽和輸出標(biāo)簽之間的誤差最小的卷積參數(shù)；步驟4,利用鏡像邊界的方法擴(kuò)充待檢測(cè)病理切片圖像的圖像邊緣；步驟5,利用步驟3訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，對(duì)經(jīng)過步驟4的待檢測(cè)病理切片圖像進(jìn)行細(xì)胞檢測(cè)，并排除對(duì)同一個(gè)細(xì)胞的重復(fù)檢測(cè)；步驟6,以步驟5檢測(cè)到的細(xì)胞位置為中心構(gòu)建一個(gè)半徑為細(xì)胞半徑的圓作為主動(dòng)輪廓的初始輪廓，利用主動(dòng)輪廓模型方法演化初始輪廓，從而得到精確的細(xì)胞輪廓；步驟7,使用自適應(yīng)橢圓擬合技術(shù)分割重疊的細(xì)胞，從而得到待檢測(cè)病理切片圖像中細(xì)胞的檢測(cè)分割結(jié)果。2.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)的自適應(yīng)橢圓擬合細(xì)胞自動(dòng)檢測(cè)分割方法，其特征在于，步驟3所述卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、卷積層、池化層、全連接層、輸出層。3.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)的自適應(yīng)橢圓擬合細(xì)胞自動(dòng)檢測(cè)分割方法，其特征在于，步驟5所述細(xì)胞檢測(cè)的具體過程為:將訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)作為監(jiān)測(cè)器，利用滑動(dòng)窗口技術(shù)從待檢測(cè)病理切片圖像的左上角開始，從上到下，從左到右，以一個(gè)像素為步長(zhǎng)讓窗口依次滑過待檢測(cè)病理切片圖像的每一個(gè)區(qū)域，由卷積神經(jīng)網(wǎng)絡(luò)判斷滑動(dòng)窗口內(nèi)的圖像為細(xì)胞或者非細(xì)胞。4.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)的自適應(yīng)橢圓擬合細(xì)胞自動(dòng)檢測(cè)分割方法，其特征在于，步驟1所述訓(xùn)練樣本的像素大小為34*34。5.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)的自適應(yīng)橢圓擬合細(xì)胞自動(dòng)檢測(cè)分割方法，其特征在于，步驟5所述排除對(duì)同一個(gè)細(xì)胞的重復(fù)檢測(cè)的方法為局部非最大值抑制技術(shù)?！疚臋n編號(hào)】G06T7/00GK105931226SQ201610231931【公開日】2016年9月7日【申請(qǐng)日】2016年4月14日【發(fā)明人】徐軍,龔磊【申請(qǐng)人】南京信息工程大學(xué)