[发明专利]病理图像中细胞计数模型训练方法及装置

说明书

本发明公开了一种基于深度学习的病理图像中细胞计数模型训练方法及装置，所述方法包括：通过ImageNet数据集的均值和方差对图像进行归一化，使用Auto Augmentation的训练方式进行数据增强，得到ResNeSt模型；对数字病理图像中的细胞核和细胞膜进行染色标记，使用标签记录每个图片手动注释的淋巴细胞的数量，数字病理图像及标签信息构成数据集；将所述数据集分为训练数据集和测试数据集；使用ResNeSt+GC的方式进行模型的训练，将ResNeSt模型在ImageNet上进行预训练；使用所述预训练后的ResNeSt模型对数据集进行特征提取，得到特征后，使用2个全连接层对特征进行降维处理，通过ReLu函数进行激活，得到计数结果。

技术领域

本发明涉及计算机技术领域，尤其是涉及一种基于深度学习的病理图像中细胞计数模型训练方法及装置。

背景技术

近年来，数字病理图像和显微图像分析在病理诊断中发挥了非常重要的作用，它们可以为计算机辅助诊断提供大量的信息，进而使数字病理图像可以进行具有高通量处理速率的定量分析，为病理学家提供了极大的便利。

现今，自动化的数字病理图像分析已经在研究和临床实践中吸引了很多关注，深度学习方法是一种模拟人的神经组成，在计算机中构建人工神经网络，从而模拟人的思考过程完成一些感知任务的方法，它通过大量的数据对相应的神经网络进行训练，使神经网络能够很好地把握住人的大脑在相应的任务上的感知过程和重点，达到人工神经网络模拟人类神经的决策过程的目的，甚至在大量的数据前提下，人工神经网络在某些任务上能够优于人类现在的水平。

如今，病理切片作为医生用来诊断一个病人是否患病的金标准，被广大医生所接受和使用，但是由于病理切片通常都是高分辨率图像，一般一张病理图像都不小于一亿像素值，都靠医生人工对病理图像进行细胞数量的量化评估会出现劳动密集、时间消耗性强、复现性差、主观性强，导致产生一定的误差，甚至影响到医生对病情的整体发展认知。现有技术中的病理图像细胞计数方法准确率不高，对特征的抓取和细胞的计数效果不是很好。

发明内容

本发明的目的在于提出一种基于深度学习的病理图像中细胞计数模型训练方法及装置，使训练出的模型能够实现目前的细胞计数任务，并在相应的数据集上达到较高的水平，在保证准确率的前提下，显著提高观测的复现性、时效性和客观性，从而可以将基础科学研究者和临床医生从无聊和重复的日常工作中解救出来。

本发明提供一种基于深度学习的病理图像中细胞计数模型训练方法，包括：

数据获取步骤：从已经被化学标记染色细胞的病理图像中获取训练模型所需要的图片块，构成训练数据集；

数据处理步骤：对所述训练数据集进行图像归一化和图像增强；

模型预训练步骤：在ImageNet数据集上进行预训练得到ResNeSt模型；

模型训练步骤：使用梯度中心化GC的方式对预训练后的ResNeSt模型进行模型训练：基于预先设置的训练参数，重复执行以下模型训练处理：通过所述ResNeSt模型使用注意力分散Split-Attention的机制对所述训练数据集中染色图像进行特征提取，得到细胞计数结果；并通过GC的方式对参数更新的过程进行优化。

本发明提供一种基于深度学习的病理图像中细胞计数模型训练装置，包括：

获取模块：用于从已经被化学标记染色细胞的病理图像中获取训练模型所需要的图片块，构成训练数据集；

处理模块：用于对所述训练数据集进行图像归一化和图像增强处理；

预训练模块：用于在ImageNet数据集上进行预训练得到ResNeSt模型；