[发明专利]一种细胞图像分割方法、装置、电子设备及存储介质

说明书

本申请提供一种细胞图像分割方法、装置、电子设备及存储介质，该方法包括：获取待分割图像；待分割图像输入预设感兴趣区域识别网络，确定感兴趣区域，感兴趣区域仅包含一个完整细胞；根据感兴趣区域，进行图像裁剪，确定感兴趣图像；感兴趣图像输入预设对抗生成网络，确定细胞边界；根据细胞边界，进行轮廓查找及提取，确定待分割图像中每个细胞的分割图像。该方案可以解决复杂背景下高度重叠细胞的分割的问题，并可以获取重叠细胞中每个细胞的图像，泛化能力和抗干扰能力强。

技术领域

本发明属于图像分割技术领域，特别涉及一种细胞图像分割方法、装置、电子设备及存储介质。

背景技术

宫颈癌的图像分割一直是细胞图像领域以及医学领域的一大难点，也是非常具有研究价值的一个分割任务。宫颈癌细胞图像的分割困难之处在于细胞的图像复杂，炎症细胞、线性粒、杂质等均可能出现在细胞图像中，这对图像的分割与识别产生了极大干扰。同时难点也在于宫颈癌细胞图像中含有大量的重叠细胞，重叠细胞的分割边界对比度低再加之制片过程中造成的成像效果差等因素使得宫颈癌图像分割极具挑战性。图像分割在各个领域都有涉及，医学图像领域更是如此，因为医学图像领域中图像分割的优劣直接决定了诊断结果的好坏。因此，世界范围内的研究人员已经开发出了许多分割技术，分割方法的数量几乎与分割问题的数量相同。不同图像的分割难度是不同的，这主要取决于待分割图像的类型，最理想的情况是背景清晰，细胞无重叠并且细胞与背景的对比度明显，该类图像使用简单的图像阈值即可实现细胞与背景的精确分割，但是实际中细胞与背景的对比度较低，并且图像中会有各种杂质以及无关细胞，最难处理的是细胞与细胞之间的高度重叠，这都使得分割任务变得异常棘手。生成性对抗网络(GANs)在无监督表征学习或图像到图像翻译等应用中非常有用。分割任务可以被认为是图像转换问题，对于图像生成，生成性对抗网络(GANs)提供了一种不同的方法。GANs分为两个网络，即生成器和判别器。两个结构互相竞争学习。判别器的目标是将输入图像分类为真实图像或合成图像，而生成器目标是生成接近真实的图像，从而使判别器被它愚弄，即判别器难以分辨真实图像与生成图像之间的差距。

现有的细胞图像分割算法主要是分为两大类：基于图像处理的细胞分割算法与基于深度学习的细胞分割算法。基于传统方法的分割算法鲁棒性差，细胞图像的分割效果极大取决于采集细胞图像的质量；泛化能力差，很难找到一组合适的参数，使得这些分割方法能够同时分割包含多种复杂情形的细胞图像。另外基于图像处理的方法难以分割重叠细胞。基于深度学习的细胞分割方法比传统分割方法有着更好的泛化性，这是因为卷积结构能够有效地捕捉图像细节特征可以在复杂背景中进行细胞分割。但是，现在主流的深度学习算法都只能用于单细胞的分割，难以捕获重叠细胞的边界特征，无法有效地分割重叠细胞。

发明内容

本说明书实施例的目的是提供一种细胞图像分割方法、装置、电子设备及存储介质。

为解决上述技术问题，本申请实施例通过以下方式实现的：

第一方面，本申请提供一种细胞图像分割方法，该方法包括：

获取待分割图像；

待分割图像输入预设感兴趣区域识别网络，确定感兴趣区域，感兴趣区域仅包含一个完整细胞；

根据感兴趣区域，进行图像裁剪，确定感兴趣图像；

感兴趣图像输入预设对抗生成网络，确定细胞边界；

根据细胞边界，进行轮廓查找及提取，确定待分割图像中每个细胞的分割图像。

在其中一个实施例中，待分割图像输入预设感兴趣区域识别网络，确定感兴趣区域，包括：

待分割图像输入主干提取网络，主干提取网络得到第一有效特征层和第二有效特征层；

第二有效特征层输入卷积层卷积后，得到卷积特征；

卷积特征与第一有效特征层进行自下而上的特征融合，得到融合特征；