[发明专利]一种基于生成对抗网络的细胞核分割方法

说明书

本发明涉及一种基于生成对抗网络的细胞核分割方法，包括对原始图像进行归一化处理；归一化后的图像经循环生成对抗网络生成新的图像和对应的二值掩码图像，并入到数据集中；将数据集中的至少一部分经具有编解码结构的生成对抗网络生成第一分割预测概率图和第二分割预测概率图；将第一分割预测概率图与第二分割预测概率图送入全卷积神经网络获得分割结果，本发明提高了具有重叠边界的细胞核的分割准确率，可以轻松用于多种器官的细胞核分割任务中。

技术领域

本发明属于医学图像处理与计算机视觉技术领域，涉及一种基于生成对抗网络的细胞核分割方法。

背景技术

图像分割问题是医学图像分析中的一个基本研究问题。传统上，癌症患者肿瘤的诊断和分级是通过工作人员在高精度显微镜下检查组织标本来完成的，这种组织标本通常称为数字病理图像(Digital Pathology,DP)，DP中的细胞核分割是当前的研究热点。对不同器官的DP进行精确的细胞核分割，可以显著地减少医生的工作量，提高诊断的准确性，促进临床和医学研究的发展。

得到精确的细胞核分割图像之后，再利用细胞核形态学特征如密度、细胞核-质比例、平均大小和多形性等来评估癌症等级，还可以用于预测后续的治疗效果。在医学图像的细胞核分割任务中，常用的图像数据是带有H&E染色(Hematoxylin and Eosin stain)的DP切片。在产生DP的过程中，制作工艺如制片、染色、扫描等或设备生产商生产的设备平台不相同、生物信息存在差异等原因，造成染色后的图像质量参差不齐，为后期分割任务带来极大困难。

近年来，基于深度学习的图像分析方法在细胞核分割任务中取得了不错的进展，特别在DP的分类、检测、分割任务中取得了比传统方法更加准确的结果，得到了医学领域的广泛关注。

目前，基于深度学习的细胞核分割任务中主要存在两大挑战：

(1)数据集的数据量少，不具备通用性，且标注质量不高。目前已有的公开数据中，大多只针对某一种特定器官的病理切片进行标注，而这样的数据通常无法泛化到其他器官进行细胞核分割任务；

(2)重叠部分的细胞核难以分割。一是细胞核相互接触，使得细胞核的边界难以界定；二是病理图像在染色制片、成像等过程中由于染色、光照不均对图像成像有损伤，影响最后的分割效果。

发明内容

有鉴于此，本发明的目的在于提供一种基于生成对抗网络的细胞核分割方法，尤其涉及一种基于循环生成对抗网络和具有编解码结构的生成对抗网络的细胞核分割方法。其中，循环生成对抗网络对已有数据集进行扩充，丰富训练集数据量，并保留数据的合理性与多样性，提升数据集通用性；而具有编解码结构的生成对抗网络则可以利用细胞核图像及二值掩码图像数据，结合全局信息和精细的边界信息，得到准确的细胞核分割结果，解决重叠细胞核难以分割的问题。

为达到上述目的，本发明提供如下技术方案：

一种基于生成对抗网络的细胞核分割方法，包括循环生成对抗网络和具有编解码结构的生成对抗网络，其特征在于，包括以下步骤：

S1、将原始图像进行归一化处理；

S2、归一化后的图像经循环生成对抗网络生成新的图像和对应的二值掩码图像，并入到数据集中；

S3、将数据集中的至少一部分经具有编解码结构的生成对抗网络生成第一分割预测概率图和第二分割预测概率图；

S4、将第一分割预测概率图与第二分割预测概率图送入全卷积神经网络获得分割结果。

优选地，所述归一化处理包括将原始图像的至少一部分转化为光学密度图像，将所述光学密度图像分解为染色矩阵Si与浓度矩阵Ci，使用目标矩阵R与Ci组成新的矩阵N，具体为：

OD＝Ci×Si

N＝Ci×R