[发明专利]针对医学图像的细胞核自动检测方法

说明书

本发明公开了一种基于深度神经网络的医学图像细胞核自动检测方法，该方法在编码器‑解码器的网络结构基础上，设计了连接支路用于代替跳跃连接；连接支路中的多尺度特征提取器，能够有效利用不同层级特征图中的细胞核多尺度空间位置信息，同时连接支路中的通道注意力模块和空间注意力模块，能够对特征图中具有判别力的信息进行自动选择，显著提高了检测的性能。

技术领域

本发明涉及医学图像自动分析领域，尤其涉及一种针对医学图像的细胞核自动检测方法。

背景技术

细胞核的检测是医学图像自动分析的重要基础，但是基于人工提取特征的传统检测算法费时费力，同时特征提取和筛选非常依赖专业知识，且难以涵盖图像的全面特征，导致其使用上存在局限性。而深度学习可以自动学习图像的特征表达，具有更强的自学习能力和自适应能力。因此，目前的技术大多使用深度学习的方法来实现细胞核检测。

目前用于医学图像细胞核检测的深度学习方法多采用基于U-Net的网络结构，主要由编码器(Encoder)和解码器(Decoder)构成。其中编码器通过连续卷积和下采样操作，从医学图像中逐层提取细胞核语义信息，得到多通道语义特征图，但空间位置信息会随之减少；而解码器则通过连续上采样和卷积操作，将语义特征图逐层还原到输入图像尺寸，从而最终实现对医学图像中细胞核的空间定位及检测。此外，U-Net在编码器和解码器之间使用跳跃连接(Skip Connection)技术融合空间位置信息，从而有助于解码器从语义特征图中准确定位细胞核。

现有医学图像细胞核检测方法中所采用的跳跃连接技术，存在以下问题：1)对特征图进行直接拼接的融合方式，无法有效利用不同层级特征图中的细胞核多尺度空间位置信息；2)对于细胞核检测任务而言，由于医学图像中存在大量背景噪声，直接利用编码器提取的特征图很难将细胞核与背景图像区分开来。

发明内容

本发明的目的是提供一种基于深度神经网络的医学图像细胞核自动检测方法，该方法在编码器-解码器的网络结构基础上，设计了连接支路用于代替跳跃连接；连接支路中的多尺度特征提取器，能够有效利用不同层级特征图中的细胞核多尺度空间位置信息，同时连接支路中的通道注意力模块和空间注意力模块，能够对特征图中具有判别力的信息进行自动选择，从而显著提高检测性能。

本发明的目的是通过以下技术方案实现的：

一种针对医学图像的细胞核自动检测方法，包括：

按如下方式构建深度神经网络：在编码器-解码器的网络结构基础上设计连接支路代替跳跃连接，连接支路由通道注意力模块、多尺度特征提取器和空间注意力模块串联组成；深度神经网络通过编码器逐层提取医学图像的语义信息，得到语义特征图；通过连接支路提取从语义特征图中提取多尺度的细胞核空间位置信息，并结合通道注意力模块和空间注意力模块从通道和空间位置两个角度自动选择与细胞核相关的信息；再通过解码器得到医学图像中每一像素被预测为细胞核的概率，即位置概率图P_k；

利用训练集对深度神经网络进行迭代训练，并通过验证集进行评估，选择其中性能最好的网络；

在测试阶段，将测试集中的医学图像输入至选择的性能最好的网络中，得到对应的位置概率图，对位置概率图进行后处理得到最终的检测结果。

由上述本发明提供的技术方案可以看出，多尺度特征提取器可有效利用不同层级特征图中的细胞核多尺度空间位置信息，而通道注意力模块和空间注意力模块能够对特征图中具有判别力的信息进行自动选择，显著提高了细胞核检测的准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种针对医学图像的细胞核自动检测方法的流程图；