[发明专利]一种基于滑动窗口和深度结构提取特征的细胞检测方法

说明书

技术领域

本发明公开了一种基于滑动窗口和深度结构提取特征的细胞检测方法，涉及图像信息处理技术领域。

背景技术

随着大幅切片图像数字扫描技术的产生以及扫描的高效率性提高，组织病理切片的数字化显示和存储变得现实可行。利用数字化技术可以对病理图像进行更高质量的分析。因为从组织切片病理成像图相中几乎可以找出各种癌症细胞和组织的特征，并可以用来辅助医生诊断，但是现有的针对医学图像处理的技术研究仍然很少，所以研究一套针对病理图像的分析工具十分重要。

在组织病理图像的研究中很大一部分集中在特定组织结构的分辨上，如淋巴细胞检测，癌症细胞检测，腺体检测。这些组织的位置，大小，形状，或其他的特有性质表示对预测病人的疾病状况都是十分重要的指标，例如在乳腺癌诊断中，切片中的细胞大小和分布以及细胞形态都是重要的预测癌症等级的生物标志。然而人工的细胞标定是一项十分费时费力的任务，不利于临床治疗。如果有计算机辅助的自动检测工具将会大大帮助临床医生做出快速的诊断结果。

与放射和其他形式的图像相比，处理病理组织学图像的最大挑战在于其中巨大的组织结构密度。举例来说，放大40倍的前列腺切片组织图像就有15000*15000个像素。除了高密度，组织图像本身结构也很复杂，包含很多组织结构，而且这些结构没有明显的边界，同一结构还存在很多的形态，这些都给处理带来巨大挑战。Wolberg针对乳腺癌图像最早提出了基于主动轮廓模型的分割方法。在运用中它需要使用者手动输入细胞核的位置，来方便程序进行分割。但是所遇到的问题是，位于基质但不在上皮层组织中的细胞数量是十分巨大的。以前基于细胞或细胞核的检测是利用分割算法来实现的，这些方法包括区域增长法、自适应阈值法、非监督的颜色聚类法，水平集法，形态学基础的方法和基于监督的颜色纹理方法。但是这些方法对处理多变化形状和多尺度大小的乳腺癌细胞时显得不是很鲁棒。这其中还存在组织切片获取，染色和数字化过程中人为造成的不可避免的干扰现象。

对于组织切片图像来说，为学习和训练模型而获取足够的标注图像付出的代价是十分昂贵的，因为这些标注工作需要具有专业知识的人才能够来完成。而另一方面随着数字化显示组织图像技术的快速发展，我们可以很容易获得大量的未标注数据。如果我们能够找到一种有效的方法来利用这些未标注的高信息度的数据，那我们就能提高现有的基于监督的模型处理效果。对这些大量未标注的数据提取更高层次的特征表示将是一个解决此问题的处理方法。一个丰富全面描述原图像的特征能够帮助识别模型更准确地区分我们的目标结构。

发明内容

本发明所要解决的技术问题在于克服现有基于分割检测算法无法处理病理切片细胞时出现的细胞形状多变化和尺度不同的问题，提供一种基于滑动窗口和提取深层特征的细胞检测方法,在充分利用大量未标注的细胞数据的同时，有效地检测出图片中的各类细胞，取得比基于分割的检测更高的准确度结果。

本发明为解决上述技术问题采用以下技术方案：

一种基于滑动窗口和深度结构提取特征的细胞检测方法，包括以下步骤：

步骤1、在病理图像中选取细胞正样本和细胞负样本，得到图像集；

步骤2、对选取的图像集进行特征提取训练，特征提取方法为深度结构提取特征，运用稀疏自编码器进行一层稀疏自编码的训练，使得重构误差低于设定的阈值，得到第一层特征；

步骤3、在得到第一层特征的基础上，再次运用稀疏自编码器以第一层特征作为原始输入进行第二次特征提取，满足重构误差低于设置的阈值，得到第二层特征；

步骤4、把第二层特征输入细胞分类器，训练细胞分类器；

步骤5、将第一层特征的结构、第二层特征的结构和细胞分类器的结构串连组成整体，对整体网络结构进行微调，使得整个网络结构最优；

步骤6、对要检测的病理切片图像运用镜像边界的方法扩充图像边缘；

步骤7、以训练好的细胞分类器为监测器，利用滑动窗口的方法对病理切片图像进行检测，依次对窗口内的病理图像切片小块进行标记；

步骤8、运用去重叠的方法排除重复的细胞位置，并在病理切片图像中标记出所有的细胞位置。

作为本发明的进一步优选方案，所述细胞分类器为Softmax分类器。

作为本发明的进一步优选方案，所述步骤1中，图像集的选取方法具体为：

根据专业病理知识在病理图像中标记出细胞块标记点，以标记点为中心，选取边长为34个像素的正方形病理图像切片小块，所述包含细胞的正方形病理图像切片小块作为细胞正样本；