CN114022487A - 宫颈细胞核的分割方法及装置、电子设备和存储介质 - Google Patents

宫颈细胞核的分割方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114022487A
CN114022487A CN202111327996.3A CN202111327996A CN114022487A CN 114022487 A CN114022487 A CN 114022487A CN 202111327996 A CN202111327996 A CN 202111327996A CN 114022487 A CN114022487 A CN 114022487A
Authority
CN
China
Prior art keywords
feature map
feature
decoding
fusion
coding
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111327996.3A
Other languages
English (en)
Other versions
CN114022487B (zh
Inventor
黄金杰
杨桂花
陈远见
金聪
宫煜晴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202111327996.3A priority Critical patent/CN114022487B/zh
Publication of CN114022487A publication Critical patent/CN114022487A/zh
Application granted granted Critical
Publication of CN114022487B publication Critical patent/CN114022487B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/007—Transform coding, e.g. discrete cosine transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Discrete Mathematics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本公开涉及一种宫颈细胞核的分割方法及装置、电子设备及存储介质，涉及宫颈细胞核的分割技术领域。所述的宫颈细胞核的分割方法，包括：获取宫颈细胞图像；对所述宫颈细胞图像进行尺度以及深度的编码变换，得到不同尺度以及深度的多个编码特征图；对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图；分别根据所述多个编码特征图及所述特征提取对应的特征图进行特征解码，得到解码特征图；基于所述解码特征图及预设分类器或预设分类层，得到分割后的宫颈细胞核图像。本公开实施例可实现宫颈细胞核的准确分割。

Description

宫颈细胞核的分割方法及装置、电子设备和存储介质
技术领域
本公开涉及宫颈细胞核的分割技术领域，尤其涉及一种宫颈细胞核的分割方法及装置、电子设备和存储介质。
背景技术
宫颈癌是全球女性第四大常见癌症。根据全球癌症观察(GCO)的数据，2018年估计有570,000例新发病例和311,000例宫颈癌死亡病例。根据GCO的最新数据，预计2020年宫颈癌新发病例将达到604,127例。因此，早期发现宫颈病变对降低宫颈癌死亡率具有重要意义。宫颈常规巴氏涂片或液基细胞学(LBC)是预防和早期检测宫颈癌最流行的筛查测试，已被广泛使用并显着降低了其发病率和死亡人数。
然而，大多数国家现有的主要涂片筛查技术是手工阅读，这非常繁琐且容易出现人为错误。在过去的几十年里，广泛的研究致力于创建基于自动图像分析的计算机辅助阅读系统。此类系统会自动选择给定宫颈细胞学标本中潜在的异常细胞，再由细胞病理学家从中完成分类。该任务包括三个步骤：细胞(细胞质和细胞核)分割、特征提取/选择和细胞分类。精确的细胞核分割是计算机辅助分析宫颈细胞和诊断决策的先决条件和组成部分。
宫颈细胞核的准确分割是宫颈癌早期诊断的一个重要步骤,然而目前针对团状细胞中聚集核的分割研究仍然很少。由于细胞高度重叠、细胞核边界模糊和团状细胞复杂性，团状细胞聚集核的精确分割仍然是一个紧迫的挑战。
在现实世界的临床数据中，涂片中经常出现大量重叠或拥挤的细胞核，且有些细胞核的颜色类似于折叠或重叠的细胞质的颜色，这些特征都导致了宫颈细胞临床数据图像中细胞核分割非常困难。
发明内容
本公开提出了一种宫颈细胞核的分割方法及装置、电子设备及存储介质技术方案。
根据本公开的一方面，提供了一种宫颈细胞核的分割方法，包括：
获取宫颈细胞图像；
对所述宫颈细胞图像进行尺度以及深度的编码变换，得到不同尺度以及深度的多个编码特征图；
对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图；
分别根据所述多个编码特征图及所述特征提取对应的特征图进行特征解码，得到解码特征图；
基于所述解码特征图及预设分类器或预设分类层，得到分割后的宫颈细胞核图像。
优选地，所述对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图的方法，包括：
获取特征提取对应的支路数目及对应的参数配置；
基于所述特征提取对应的支路数目及对应的参数配置，分别利用所述特征提取模型的支路对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行深度可分离卷积处理，得到卷积后的多个特征图；
分别根据所述多个编码特征图中尺度最小以及/或深度最大的编码特征图及所述卷积后的多个特征图进行第一融合操作，得到多个第一融合特征图；
分别根据所述多个编码特征图中尺度最小以及/或深度最大的编码特征图及所述多个第一融合特征图进行第二融合操作，得到第二融合特征图；
其中，所述第二融合特征图为所述编码特征图对应的特征图。
优选地，所述对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图的方法，还包括：
对所述第二融合特征图的像素值进行权重分配，得到权重分配后的权重分配特征图；
对所述第二融合特征图及所述权重分配特征图进行第三融合操作，得到第三融合特征图；
对所述第三融合特征图及所述第二融合特征图进行第四融合操作，得到第四融合特征图；
其中，所述第四融合特征图为所述编码特征图对应的特征图。
优选地，所述对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图的方法，还包括：
获取多核多尺度的池化操作对应的支路数目及对应的参数配置；
对所述第二融合特征图及所述第四融合特征图进行第五融合操作，得到第五融合特征图；
基于所述多核多尺度的池化操作对应的支路数目及对应的参数配置，对所述第五融合特征图进行多核多尺度的池化操作，得到池化特征图；
对所述第五融合特征图及所述池化特征图进行第五融合操作，得到所述编码特征图对应的特征图。
优选地，所述分别根据所述多个编码特征图及所述特征提取对应的特征图进行特征解码，得到解码特征图的方法，包括：
确定所述多个编码特征图对应的数目；
根据所述多个编码特征图对应的数目确定解码模块的数目，其中所述解码模块级连；
依次执行级连的所述解码模块，利用所述多个编码特征图及所述特征提取对应的特征图或上一级的解码模块输出的解码特征图进行权重分配得到权重分配后的权重特征图；
根据所述权重特征图及对应的编码特征图进行第六融合操作，得到所述权重特征图对应的融合特征图；
对所述权重特征图对应的融合特征图进行解码，得到解码特征图。
优选地，所述依次执行级连的所述解码模块，利用所述多个编码特征图及所述特征提取对应的特征图或上一级的解码模块输出的解码特征图进行权重分配得到权重分配后的权重特征图；根据所述权重特征图及对应的编码特征图进行第六融合操作，得到所述权重特征图对应的融合特征图；对所述权重特征图对应的融合特征图进行解码，得到解码特征图的方法，包括：
第一个所述解码模块对所述特征提取对应的特征图进行权重分配，得到权重分配后的第一权重特征图；并对所述第一权重特征图及所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行第六融合操作，得到所述第一权重特征图对应的融合特征图；对所述第一权重特征图对应的融合特征图进行解码，得到解码特征图；
其余N个所述解码模块对上一级的解码模块输出的解码特征图进行权重分配，得到权重分配后的第N权重特征图；将所述第N权重特征图及对应的编码特征图进行第六融合操作，得到所述第N权重特征图对应的融合特征图；对所述第N权重特征图对应的融合特征图进行解码；
直至执行所有数目的所述解码模块，得到最后的解码特征图。
优选地，所述基于所述解码特征图及预设分类器或预设分类层，得到分割后的宫颈细胞核图像的方法，包括：
获取预设分类器或预设分类层；
将所述解码特征图输入所述预设分类器或预设分类层，得到分割后的宫颈细胞核图像。
根据本公开的一方面，提供了一种宫颈细胞核的分割装置，包括：
获取单元，获取宫颈细胞图像；
特征编码单元，用于对所述宫颈细胞图像进行尺度以及深度的编码变换，得到不同尺度以及深度的多个编码特征图；
特征提取单元，对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图；
特征解码单元，分别根据所述多个编码特征图及所述特征提取对应的特征图进行特征解码，得到解码特征图；
分割单元，用于基于所述解码特征图及预设分类器或预设分类层，得到分割后的宫颈细胞核图像。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述宫颈细胞核的分割方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述宫颈细胞核的分割方法。
在本公开实施例中，所公开的宫颈细胞核的分割方法及装置、电子设备及存储介质技术方案，可实现宫颈细胞核的准确分割，以解决目前宫颈细胞核严重聚集，细胞核轮廓模糊，细胞重叠和细胞的自折叠，细胞核的形状和大小不统一，细胞核和细胞质的颜色相似，粒状簇核等导致分割宫颈细胞核不准确的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的宫颈细胞核的分割方法的流程图；
图2示出根据本公开实施例的宫颈细胞图像；
图3示出根据本公开实施例的用于宫颈细胞核的分割的网络结构示意图；
图4示出根据本公开实施例的门控上下文感知池化模块的网络结构示意图；
图5示出根据本公开实施例的解码模块的网络结构示意图；
图6示出根据本公开实施例的来自ClusteredCell数据集的三个不同难度级别的测试图像样本的定性结果图；
图7示出根据本公开实施例的来自MONUSEG、CONSEP、CPM-17数据集的细胞核分割结果；
图8是根据一示例性实施例示出的一种电子设备800的框图；
图9是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了宫颈细胞核的分割装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种宫颈细胞核的分割方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图1示出根据本公开实施例的宫颈细胞核的分割方法的流程图，如图1所示，所述宫颈细胞核的分割方法，包括：步骤S101：获取宫颈细胞图像；步骤S102：对所述宫颈细胞图像进行尺度以及深度的编码变换，得到不同尺度以及深度的多个编码特征图；步骤S103：对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图；步骤S104：分别根据所述多个编码特征图及所述特征提取对应的特征图进行特征解码，得到解码特征图；步骤S105：基于所述解码特征图及预设分类器或预设分类层，得到分割后的宫颈细胞核图像。可实现宫颈细胞核的准确分割，以解决目前宫颈细胞核严重聚集，细胞核轮廓模糊，细胞重叠和细胞的自折叠，细胞核的形状和大小不统一，细胞核和细胞质的颜色相似，粒状簇核等导致分割宫颈细胞核不准确的问题。
步骤S101：获取宫颈细胞图像。
图2示出根据本公开实施例的宫颈细胞图像。本公开从一家医院和一家生物医疗测试公司获得了一组基于LBC测试的宫颈细胞图像。该数据集包含265张大小为2048×2048的原始图像，如图2(a)所示，每张图像都有专业病理学家标记的分割ground truth(真实分割结果，真实值)。从图1中可以看出，原始图像中存在大量细胞簇，我们从原始图像中将不同大小的细胞簇单元裁剪出来，形成了本公开所处理的数据集ClusteredCell，该数据集存在以下几种情况：细胞核严重聚集，细胞核轮廓模糊，细胞重叠和细胞的自折叠，细胞核的形状和大小不统一，细胞核和细胞质的颜色相似，粒状簇核，如图2(b)-(g)所示，这几种情况都将成为准确分割细胞核的重要障碍。
在本公开实施例中，给出了用于宫颈细胞核的分割的网络结构。显然，上述网络结构仅仅是为了本领域人员更好地实施例本公开，而不是对本公开的限制。图3示出根据本公开实施例的用于宫颈细胞核的分割的网络结构示意图。具体将结合步骤S102-步骤S105进行说说明。
步骤S102：对所述宫颈细胞图像进行尺度以及深度的编码变换，得到不同尺度以及深度的多个编码特征图。
在本公开具体的实施例及其他可能的实施例中，所述对所述宫颈细胞图像进行尺度以及深度的编码变换，得到不同尺度以及深度的多个编码特征图的方法，包括：获取预训练模型(预训练编码模型，特征编码单元)，获取的宫颈细胞图像输入预训练模型，所述预训练模型对所述宫颈细胞图像进行尺度以及深度的编码变换，得到不同尺度以及深度的多个编码特征图。
在本公开具体的实施例及其他可能的实施例中，所述预训练模型选用了残差网络，例如Resnet-34，本领域人员也可以采用其他算法或模型来实现对所述宫颈细胞图像进行尺度以及深度的编码变换，得到不同尺度以及深度的多个编码特征图。在图3中，所述预训练模型在每个层级或每个模块后输出了一个编码特征图，上述编码特征图的尺度及深度不同，例如所述预训练模型在每个层级或每个模块后输出的编码特征图的尺度及深度分别为112×112×64、56×56×128、28×28×256及14×14×512；其中，112×112、56×56、28×28及14×14分别为对应的编码特征图的尺度，64、128、256及512分别为对应的编码特征图的深度。
步骤S103：对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图。
在本公开具体的实施例及其他可能的实施例中，显然，步骤S102得到了4个编码特征图，4个编码特征图中尺度最小以及/或深度最大的编码特征图对应的尺度最小以及/或深度最大的编码特征图为14×14×512的编码特征图。
在本公开具体的实施例及其他可能的实施例中，第一至第六融合操作可为像素级别的点乘、像素级别的相加、通道级别的相加、矩阵的相乘及拼接等操作的一种或几种。
在本公开中，所述对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图的方法，包括：获取特征提取对应的支路数目及对应的参数配置；基于所述特征提取对应的支路数目及对应的参数配置，分别利用所述特征提取模型的支路对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行深度可分离卷积处理，得到卷积后的多个特征图；分别根据所述多个编码特征图中尺度最小以及/或深度最大的编码特征图及所述卷积后的多个特征图进行第一融合操作，得到多个第一融合特征图；分别根据所述多个编码特征图中尺度最小以及/或深度最大的编码特征图及所述多个第一融合特征图进行第二融合操作，得到第二融合特征图；其中，所述第二融合特征图为所述编码特征图对应的特征图。
图4示出根据本公开实施例的门控上下文感知池化模块的网络结构示意图。所述门控上下文感知池化模块(特征提取单元)，用于对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图。在本公开具体的实施例及其他可能的实施例中，图4(a)为基础的上下文门控模块(Context Gating,CG)，其中，所述多个编码特征图中尺度最小以及/或深度最大的编码特征图经过卷积操作(卷积核大小为3×3)及批量标准化(Bath Norm.,BN)后，得到第一卷积图X，第一卷积图X再经过卷积操作(卷积核大小为3×3)及激活函数(Sigmoid)后，得到卷积非线性特征图；卷积非线性特征图及第一卷积图X进行像素级别的点乘，得到所述编码特征图对应的特征图X’。
在本公开具体的实施例及其他可能的实施例中，本公开对上述图4(a)中基础的上下文门控模块(Context Gating,CG)进行了改进，提出了多尺度上下文门控残差(MCGR)模块。首先，获取所述多尺度上下文门控残差(MCGR)模块用于特征提取对应的支路数目及对应的参数配置。其中，如图4所示，用于特征提取对应的支路数目为3个，需要对每个支路对应的参数进行配置。本公开实施例需要对3组参数进行配置；每组都是深度可分离卷积模块，包括：深度卷积Depthwise Convolution、逐点卷积Pointwise Convolution及激活函数；但是，每组内的深度卷积Depthwise Convolution的卷积核大小不同，以实现不同尺度。在本公开实施例中，第1组参数配置如下：深度卷积Depthwise Convolution的卷积核大小为3×3，逐点卷积Pointwise Convolution的卷积核为1×1，激活函数为Sigmoid；深度卷积Depthwise Convolution、逐点卷积Pointwise Convolution及激活函数一次连接。在本公开实施例中，第2组参数配置如下：深度卷积Depthwise Convolution的卷积核大小为5×5，逐点卷积Pointwise Convolution的卷积核为1×1，激活函数为Sigmoid；深度卷积Depthwise Convolution、逐点卷积Pointwise Convolution及激活函数一次连接。在本公开实施例中，第3组参数配置如下：深度卷积Depthwise Convolution的卷积核大小为7×7，逐点卷积Pointwise Convolution的卷积核为1×1，激活函数为Sigmoid；深度卷积Depthwise Convolution、逐点卷积Pointwise Convolution及激活函数一次连接。显然，本领域人员可根据需要自行选择深度卷积Depthwise Convolution及逐点卷积PointwiseConvolution的卷积核大小以及激活函数的类型。
具体地说，所述多个编码特征图中尺度最小以及/或深度最大的编码特征图经过卷积操作(卷积核大小为3×3，Conv 3×3)及批量标准化(Bath Norm.,BN)后，得到第二卷积图X1，第二卷积图X1分别经过3组深度可分离卷积模块，得到第一深度可分离卷积图、第二深度可分离卷积图及第三深度可分离卷积图(卷积后的多个特征图)。所述第一深度可分离卷积图、第二深度可分离卷积图及第三深度可分离卷积图，分别与所述多个编码特征图中尺度最小以及/或深度最大的编码特征图(14×14×512的编码特征图)进行第一融合操作(像素级别的点乘)，得到3个第一融合特征图；3个第一融合特征图，分别与所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行第二融合操作(像素级别的相加)，得到第二融合特征图X1’；其中，所述第二融合特征图X1’为所述编码特征图对应的特征图。
在本公开中，所述对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图的方法，还包括：对所述第二融合特征图X1’的像素值进行权重分配，得到权重分配后的权重分配特征图；对所述第二融合特征图及所述权重分配特征图进行第三融合操作，得到第三融合特征图；对所述第三融合特征图及所述第二融合特征图进行第四融合操作，得到第四融合特征图；其中，所述第三融合特征图为所述编码特征图对应的特征图。其中，所述对所述第二融合特征图X1’的像素值进行权重分配，得到权重分配后的权重分配特征图的方法，包括：对所述第二融合特征图X1’依次进行卷积(卷积核大小为1×1，Conv 1×1)操作及激活函数(Sigmoid)后，得到权重分配后的权重分配特征图。
例如，深度及大小为C×H×W的所述第二融合特征图X1’依次进行卷积(卷积核大小为1×1，Conv 1×1)操作及激活函数(Sigmoid)后，得到权重分配后的权重分配特征图；对所述第二融合特征图及所述权重分配特征图进行第三融合操作(矩阵的相乘)，得到第三融合特征图；对所述第三融合特征图依次进行卷积(卷积核大小为1×1，Conv 1×1)操作及层标准化(LayerNorm)及激活函数(Relu)操作后，再次执行卷积(卷积核大小为1×1，Conv1×1)操作，得到第三卷积图；所述第三卷积图及所述第二融合特征图进行第四融合操作(通道级别的相加)到第四融合特征图；其中，所述第四融合特征图为所述编码特征图对应的特征图X2’。
在本公开具体的实施例及其他可能的实施例中，在所述对所述第二融合特征图的像素值进行权重分配，得到权重分配后的权重分配特征图之前，对所述第二融合特征图X1’进行卷积操作(卷积核大小为3×3，Conv 3×3)及批量标准化(Bath Norm.,BN)操作，得到第三卷积图X2；对所述第三卷积图X2的像素值进行权重分配，得到权重分配后的权重分配特征图。
在本公开中，所述对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图的方法，还包括：获取多核多尺度的池化操作对应的支路数目及对应的参数配置；对所述第二融合特征图及所述第四融合特征图进行第五融合操作(矩阵的相乘)，得到第五融合特征图；基于所述多核多尺度的池化操作对应的支路数目及对应的参数配置，对所述第五融合特征图进行多核多尺度的池化操作，得到池化特征图；对所述第五融合特征图及所述池化特征图进行第五融合操作，得到所述编码特征图对应的特征图。
在本公开具体的实施例及其他可能的实施例中，所述对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图的方法，还包括：获取多内核最大池化残差(MMR)模块；利用获取的多核多尺度的池化操作对应的支路数目及对应的参数对所述多内核最大池化残差(MMR)模块进行配置；基于所述多核多尺度的池化操作对应的支路数目及对应的参数配置，对所述第五融合特征图进行多核多尺度的池化操作，得到池化特征图；对所述第五融合特征图及所述池化特征图进行第五融合操作(拼接)，得到所述编码特征图对应的特征图X3’。
在本公开具体的实施例及其他可能的实施例中，所述多内核最大池化残差(MMR)模块，包括：4个支路，每个支路内都具有一个池化模块及卷积模块，其中，所述池化模块的卷积核大小不同，以得到不同尺度的池化特征图。例如，第1支路内，包括一个2×2最大池化模块(层)，其后连接有一个卷积操作(卷积核大小为1×1，Conv1×1)；第2支路内，包括一个3×3最大池化模块(层)，其后连接有一个卷积操作(卷积核大小为1×1，Conv1×1)；第3支路内，包括一个5×5最大池化模块(层)，其后连接有一个卷积操作(卷积核大小为1×1，Conv1×1)；第4支路内，包括一个7×7最大池化模块(层)，其后连接有一个卷积操作(卷积核大小为1×1，Conv1×1)。
在本公开的实施例中及其他可能的实施例中，也可以利用均值池化模块(层)代替上述最大值池化模块(层)。
在本公开具体的实施例及其他可能的实施例中，在所述基于所述多核多尺度的池化操作对应的支路数目及对应的参数配置，对所述第五融合特征图进行多核多尺度的池化操作，得到池化特征图之前，对所述第五融合特征图进行激活函数(Relu)操作，得到激活特征图X3,基于所述多核多尺度的池化操作对应的支路数目及对应的参数配置，对所述激活特征图X3进行多核多尺度的池化操作，得到多个池化特征图；对所述激活特征图X3及所述多个池化特征图进行第五融合操作(拼接)，得到所述编码特征图对应的特征图X3’。
步骤S104：分别根据所述多个编码特征图及所述特征提取对应的特征图进行特征解码，得到解码特征图。
在本公开中，所述分别根据所述多个编码特征图及所述特征提取对应的特征图进行特征解码，得到解码特征图的方法，包括：确定所述多个编码特征图对应的数目；根据所述多个编码特征图对应的数目确定解码模块的数目，其中所述解码模块级连；依次执行级连的所述解码模块，利用所述多个编码特征图及所述特征提取对应的特征图或上一级的解码模块输出的解码特征图进行权重分配得到权重分配后的权重特征图；根据所述权重特征图及对应的编码特征图进行第六融合操作(拼接)，得到所述权重特征图对应的融合特征图；对所述权重特征图对应的融合特征图进行解码，得到解码特征图。
在本公开具体的实施例及其他可能的实施例中，所述多个编码特征图对应的数目为4个，因此根据所述多个编码特征图对应的数目确定解码模块的数目也为4个，分别为第一解码模块、第二解码模块、第三解码模块及第四解码模块；第一解码模块、第二解码模块、第三解码模块及第四解码模块依次级连；依次执行级连的所述解码模块，利用所述多个编码特征图及所述特征提取对应的特征图或上一级的解码模块输出的解码特征图进行权重分配得到权重分配后的权重特征图；根据所述权重特征图及对应的编码特征图进行第六融合操作，得到所述权重特征图对应的融合特征图；对所述权重特征图对应的融合特征图进行解码，得到解码特征图。
在本公开中，所述依次执行级连的所述解码模块，利用所述多个编码特征图及所述特征提取对应的特征图或上一级的解码模块输出的解码特征图进行权重分配得到权重分配后的权重特征图；根据所述权重特征图及对应的编码特征图进行第六融合操作(拼接)，得到所述权重特征图对应的融合特征图；对所述权重特征图对应的融合特征图进行解码，得到解码特征图的方法，包括：第一个所述解码模块对所述特征提取对应的特征图进行权重分配，得到权重分配后的第一权重特征图；并对所述第一权重特征图及所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行第六融合操作，得到所述第一权重特征图对应的融合特征图；对所述第一权重特征图对应的融合特征图进行解码，得到解码特征图；其余N个所述解码模块对上一级的解码模块输出的解码特征图进行权重分配，得到权重分配后的第N权重特征图；将所述第N权重特征图及对应的编码特征图进行第六融合操作，得到所述第N权重特征图对应的融合特征图；对所述第N权重特征图对应的融合特征图进行解码；直至执行所有数目的所述解码模块，得到最后的解码特征图。
在本公开具体的实施例及其他可能的实施例中，依照所述多个编码特征图的尺度或深度的大小，对所述多个编码特征图进行排序，得到排序后的编码特征图；将所述排序后的编码特征图依次输入所述级连的多个解码模块。
例如，所述预训练模型在每个层级或每个模块后输出的编码特征图的尺度及深度分别为112×112×64、56×56×128、28×28×256及14×14×512。按照多个编码特征图的尺度或深度的从小到大的排序方式对4个编码特征图112×112×64、56×56×128、28×28×256及14×14×512进行排序，排序后的编码特征图依次为第一编码特征图14×14×512、第二编码特征图28×28×256、第三编码特征图28×28×256及第四编码特征图112×112×64，分别将第一编码特征图14×14×512、第二编码特征图28×28×256、第三编码特征图28×28×256及第四编码特征图112×112×64依次输入级联的第一解码模块、第二解码模块、第三解码模块及第四解码模块。
又例如，在本公开具体的实施例及其他可能的实施例中，将所述特征提取对应的特征图及所述多个编码特征图中尺度最小以及/或深度最大的编码特征图(第一编码特征图)输入到第一解码模块，所述第一解码模块对所述特征提取对应的特征图及所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征解码，得到第一解码特征图；所述第一解码特征图及第二编码特征图输入到第二解码模块，所述第二解码模块对所述第一解码特征图及所述第二编码特征图进行特征解码，得到第二解码特征图；所述第二解码特征图及第三编码特征图输入到第三解码模块，所述第三解码模块对所述第二解码特征图及所述第三编码特征图进行特征解码，得到第三解码特征图；所述第三解码特征图及第四编码特征图输入到第四解码模块，所述第四解码模块对所述第三解码特征图及所述第四编码特征图进行特征解码，得到第四解码特征图。
图5示出根据本公开实施例的解码模块的网络结构示意图。在本公开具体的实施例及其他可能的实施例中，所述级连的多个解码模块的结构相同，每个解码模块都包括：GCA-残差块及反卷积(转秩卷积，Transposed Convolution，卷积核大小为4×4)。其中，GCA-残差块可为2个级联的GCA-残差块。
其中，所述利用所述多个编码特征图及所述特征提取对应的特征图或上一级的解码模块输出的解码特征图进行权重分配得到权重分配后的权重特征图的方法，包括：获取GCA-残差块；多个编码特征图及所述特征提取对应的特征图或上一级的解码模块输出的解码特征图输入所述GCA-残差块；所述GCA-残差块对所述进行权重分配得到权重分配后的权重特征图。
在本公开具体的实施例及其他可能的实施例中，每个GCA-残差块的网络结构相同，包括：1个主路及1个支路；所述主路包括：1个第一卷积层(卷积核大小为Cov 1×1)及与其后连接的1个批量标准化(Bath Norm.,BN)；所述支路包括：第二卷积层(卷积核大小为Cov 3×3)及与其后连接的1个批量标准化(Bath Norm.,BN)，所述批量标准化后连接有一个激活函数(Relu)；激活函数(Relu)的输出与第三卷积层(卷积核大小为Cov 3×3)及与其后连接的1个批量标准化(Bath Norm.,BN)，将批量标准化输出的特征图输入到GCA模块中，GCA模块输出的权重特征图与所述主路的批量标准化后的特征图进行融合操作(像素级别的相加)并执行激活函数(Relu)操作，得到所述权重特征图。
其中，所述对所述权重特征图对应的融合特征图进行解码，得到解码特征图的方法，包括：对所述权重特征图对应的融合特征图执行反卷积(转秩卷积，TransposedConvolution，卷积核大小为4×4)操作，得到解码特征图。
步骤S105：基于所述解码特征图及预设分类器或预设分类层，得到分割后的宫颈细胞核图像。
在本公开中，所述基于所述解码特征图及预设分类器或预设分类层，得到分割后的宫颈细胞核图像的方法，包括：获取预设分类器或预设分类层；将所述解码特征图输入所述预设分类器或预设分类层，得到分割后的宫颈细胞核图像。
在本公开具体的实施例及其他可能的实施例中，所述预设分类器可为支持向量机SVM或随机森林分类器，所述预设分类层可为Sigmoid。
在本公开具体的实施例及其他可能的实施例中，在所述将所述解码特征图输入所述预设分类器或预设分类层，得到分割后的宫颈细胞核图像之前，对所述解码特征图进行反卷积(转秩卷积，Transposed Convolution，卷积核大小为4×4)、卷积(卷积核大小为3×3)操作。其中，卷积(卷积核大小为3×3)可执行2次。
由上可知，本公开实质上提出了一种用于宫颈细胞核分割的门控语境感知集合网络GCP-Net。特别提出了一个GCP-Net深度学习网络来处理具有挑战性的宫颈簇状细胞图像。所提出的基于U-net的GCP-Net包含一个预先训练好的Resnet-34模型作为编码器，一个门控上下文感知池(Gating Context-aware Pooling)模块，以及一个改进的解码器。其中门控上下文感知池模块是作者的主要贡献，该模块允许GCP-Net利用多尺度上下文门控和全局上下文注意力来完善特征图的细节，提高特征学习的质量。解码器模块中包含全局上下文注意残差模块(Global Context Attention(GCA)-Residual Block)，该模块有助于在解码器中建立长距离的依赖关系和全局上下文互动，从而细化预测得到的分割掩码图像mask。我们在自有数据集ClusteredCell和三个典型的医学图像数据集上分别与七个现有模型进行了比较实验。实验结果表明，GCP-Net在AJI、Dice和PQ三个评价指标上获得了可喜的结果，证明GCP-Net与一些最流行的基准网络相比，在自动医学图像分割方面的仍具有优越性和可推广性。提出的GCP-Net深度学习网络，可以处理具有挑战性的宫颈细胞簇图像。GCP-Net是一种基于U-net的网络，它策略性地将多尺度上下文门控信息、上下文感知注意力特征和解码器特征结合到最终的特征图中，以实现将每个像素正确分类为背景像素和细胞核像素。
具体地说，门控上下文感知池(GCP)模块能够利用多尺度上下文门控和对空间和纹理依赖性的全局上下文注意来细化特征图的细节，从而提高特征学习的质量；包含全局上下文注意(GCA)-残差块的解码器模块有助于在解码器中构建远程依赖关系和全局上下文交互，以细化预测的分割掩码图像。复杂的ClusteredCell数据集和三个典型的医学图像数据集上的大量实验结果证明了我们的GCP-Net与一些最先进的baseline相比在自动医学图像分割方面的优越性和普适性。
在本公开中，我们基于CE-Net(Z.Gu et al.,“CE-Net:Context Encoder Networkfor 2D Medical Image Segmentation,”in IEEE Trans.Med.Imaging,vol.38,no.10,pp.2281–2292,2019,doi:10.1109/TMI.2019.2903562.)的整体架构设计了GCP-Net。如图3所示，我们使用经过ImageNet预训练的Resnet-34模型替换原始U-Net网络的编码器模块，其中保留了Resnet-34的前四个特征提取块，没有采用其平均池化层和全连接层。特征提取部分我们提出GCP模块，该模块被用于生成更高级的语义特征图。经过GCP模块提取的特征最终被送入解码器模块，本公开提出了一个由GCA-Residual Block、连接操作和转置卷积共同组成的特征解码器模块。
接下来，进一步对门控上下文感知池化(GCP)模块进行详细介绍，上下文门控(Context Gating,CG)模块是一种高效的非线性单元，用于对网络激活之间的相互依赖性进行建模。其结构如图4(a)所示。
CG的公式如下：X′＝σ(W*X+b)·X。
其中，X∈Rn是输入特征向量，σ是像素级别的Sigmoid激活，⊙是逐像素级别的乘法。X∈Rn×n和b∈Rn是可训练的参数。权重向量σ(W*X+b)∈[0，1]表示应用于输入特征X的各个维度的一组学习门。通过在权重向量和X之间进行像素级乘法和训练，输入特征X被转换为新的表示X′，其具有更强大的判别能力。
为了改善上下文门控模块中局部操作符的有限感受野，我们提出了一个多尺度上下文门控残差(MCGR)模块，其结构如图4(b)所示。MCGR模块由三个包含深度可分离卷积的并行分支和一个残差分支构成。每个具有深度可分离卷积的分支采用不同的卷积核大小，以提供不同的感受野。在这里我们为每个分支设置大小为3、5和7的卷积核，这样每个具有深度可分离卷积的分支就在特定尺度上产生了注意力权重。接下来我们将注意力权重逐元素乘以特征图就获得了不同分辨率的加权特征图。最后，MCGR模块通过元素相加的方式将加权特征图与残差分支的输入特征图相融合，从而集成了多尺度信息。
在MCGR模块中，我们使用深度可分离卷积来代替标准卷积。通过深度可分离卷积，MCGR模块可以避免提取冗余特征，重用细胞图像的输入特征图并减少了训练的参数量。与使用的标准卷积相比，MCGR模块更轻量级，其训练参数显著减少。MCGR模块的公式描述如下：
Figure BDA0003347634040000141
其中，X1′是输出特性，*和
Figure BDA0003347634040000144
分别表示逐点卷积和深度卷积。Wp和bp是逐点卷积参数。
Figure BDA0003347634040000142
和
Figure BDA0003347634040000143
是深度卷积参数。m∈{3,5,7}代表三种不同大小的卷积核。
接下来，进一步对全局上下文注意(GCA)块进行说明。近来研究表明，上下文信息有助于模型预测高质量的分割结果。可以扩大感受野的模块，例如ASPP、DenseASPP和循环神经网络，已在过去几年中提出。注意机制也已被广泛用于提高模型能力。因此，我们在多尺度融合信息的卷积操作之后添加了一个全局上下文注意(GCA)模块(Y.Cao,J.Xu,S.Lin,F.Wei,and H.Hu,“GCNet:Non-local networks meet squeeze-excitation networks andbeyond,”in Proc.-2019 Int.Conf.Comput.Vis.Work.ICCVW 2019,pp.1971–1980,2019,doi:10.1109/ICCVW.2019.00246)。它针对性地重新加权每个特征以创建更准确的特征图。通过这种方式，网络对显著提高网络性能的基本元素变得更加敏感。
图4(d)显示了GCA模块的细节。给定一个输入特征图X2∈Rc×H×W，其计算细节总结如下：
①第一分支对X2进行1×1卷积以产生具有R1×H×W大小的特征图，再将其reshape到RHW×1×1大小，然后进行Softmax操作。第二个分支将X2重塑为Rc×HW。然后将这两个分支的结果相乘得到特征Xt∈Rc×1×1。F(·)表示卷积操作，α(·)表示softmax函数,fr(·)表示重塑，
Figure BDA0003347634040000151
表示矩阵乘法。因此，
Figure BDA0003347634040000152
②为了减少1×1卷积后的参数个数，特征Xt被转换为Rc/r×1×1大小，其中r是瓶颈比，它通常被设置为16。然后使用层归一化(LN)和ReLU激活函数提高网络的泛化能力。之后，特征大小被恢复为Rc×1×1并与特征X2相加，得到最终的输出特征X2′＝Rc×H×W。其中红色的
Figure BDA0003347634040000153
表示通道求和操作，fln&relu(·)表示LN和ReLU。因此，
Figure BDA0003347634040000155
接下来，进一步对多内核最大池化残差(MMR)模块进行详细说明。多内核最大池化残差(Multi-kernel Maxpooling Residual(MMR))模块结构如图4(e)所示。通常，maxpooling操作只使用单个池化内核，例如3×3。我们知道感受野的大小大致决定了我们可以使用多少上下文信息，因此在本文中，我们使用具有四个不同大小感受野的MMR模块：2×2、3×3、5×5、7×7。每个具有不同内核的分支输出不同大小的特征图。考虑到权重和计算成本维度，我们在每个池化操作之后使用1×1卷积，它将特征图的维度降低到原始维度的
Figure BDA0003347634040000154
其中N表示原始特征图中的通道数。然后，我们对低维特征图进行上采样，通过双线性插值得到与原始特征图完全一样大小的特征。最后，我们将原始特征与上采样的特征图连接起来。
接下来，进一步对特征解码模块进行详细说明。特征解码器模块用于恢复从特征编码器和上下文提取器模块中提取的高级语义特征。如图3所示，它主要包括四个解码块、一个4×4转置卷积、两个带批归一化(BN)的3×3卷积和一个sigmoid。特征解码器模块基于跳跃连接和解码块输出与原始输入相同大小的分割掩码。接下来，我们将介绍特征解码模块的组成。
(1)解码块
本公开采用了一个高效的解码块来增强解码性能。如图5(a)所示，输入特征图首先被送入两个连续的GCA-Residual Block，然后与跳跃连接进行concatenate运算。其中跳跃连接的作用是从编码器模块获取一些详细信息送到解码器模块，以弥补由于连续池化和跨步卷积操作造成的信息丢失。在concatenate操作之后，输出的特征图被送到一个4×4的转置卷积中，这将使它的空间维度翻倍。
(2)GCA-Residual Block
更深的网络将会显著改进模型的性能，但是深度的增加也会导致梯度消失或是梯度爆炸的问题。为了解决这个问题，我们借鉴了残留学习范式中网络层之间快捷连接的方式。本文所述GCA-残差块(见图5(b))由两个3×3的卷积，一个GCA块和一个残差映射构成，其中每个卷积层之后都带有批标准化(BN)和整流线性单元(RELU)激活操作。所述GCA块(参见图4(d))作为上下文注意机制，指示网络选择每个特征图中的关键特征单元，而忽略不相关的单元。残差映射用于连接输入和GCA块的输出。
宫颈细胞核的分割方法的执行主体可以是宫颈细胞核的分割装置，例如，宫颈细胞核的分割方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该宫颈细胞核的分割方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开同时提出了一种宫颈细胞核的分割装置，所述宫颈细胞核的分割装置，包括：获取单元，获取宫颈细胞图像；特征编码单元，用于对所述宫颈细胞图像进行尺度以及深度的编码变换，得到不同尺度以及深度的多个编码特征图；特征提取单元，对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图；特征解码单元，分别根据所述多个编码特征图及所述特征提取对应的特征图进行特征解码，得到解码特征图；分割单元，用于基于所述解码特征图及预设分类器或预设分类层，得到分割后的宫颈细胞核图像。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。电子设备可以被提供为终端、服务器或其它形态的设备。
为了评估最先进的深度学习方法和所公开宫颈细胞核的分割方法及装置、电子设备和存储介质，我们使用了标准评估指标，包括聚合型杰卡德系数AJI(AggregatedJaccard Index)、骰子系数Dice(Dice coefficient)和全景质量PQ(Panoptic Quality)。
现有一些公共的宫颈细胞学数据集，如Herlev数据集、LCH巴氏涂片数据集、ISBI挑战数据集等。在大多数现有的公共数据集中，每张图像中只有一个宫颈细胞，这使得它不适合实现真实世界临床病例数据的整个诊断流程。在本公开中，我们将训练集图像分为简单、正常和困难三类，分类标准如下，分组：①简单：细胞核与细胞质对比度高，细胞核明显，每个细胞核之间的距离更大；②正常：细胞核与细胞质对比度低，细胞核模糊可见，颜色苍白；多核或中性粒细胞杂质；核仁或核沟突出；细胞质是黑色的；细胞质为液泡；③困难：大部分细胞核有明显重叠，外围核隐约可见，内部颜色较深。
为了证明所提出方法的有效性，我们另外选择了三个多器官核分割数据集进行比较。(1)多器官核分割MoNuSeg(Multi-Organ Nuclei Segmentation)数据集；(2)结直肠核分割和表型CoNSeP(Colorectal Nuclear Segmentation and Phenotypes)数据集；(3)CPM-17数据集。
在本公开中使用Adam优化器训练100个epoch，所有实验的学习率设置为2e-4。二元交叉熵和骰子损失的组合被用作损失函数。所有输入网络的图像都首先被自动调整为448×448。在训练和测试阶段使用的数据增强策略与相同。在训练阶段，原始数据集中的每张图像都被扩充为8张图像，包括水平、垂直和对角翻转以及随机移位图像，将图像从90％缩放到110％或在HSV颜色空间中进行颜色抖动。在测试阶段，也采用了测试增强策略，包括水平翻转、垂直翻转和对角翻转。这意味着每张测试图像被预测八次，然后我们对预测进行平均以获得最终的预测图。所有对比的基线方法在训练和测试阶段也都使用相同的策略。
为了证明我们提出的GPC-Net架构的优势，我们进行了彻底的消融研究。为了评估GCP模块和解码器块的贡献，我们创建了以下配置：1)U-Net：基础网络。2)Backbone：在U-Net架构中，每个编码模块中包含两个卷积层和一个最大池化层。在本公开所提出的方法中，我们将编码模块替换为预训练的ResNet-34模型，如图3所示。我们将这种带有预训练ResNet-34模型的改进U-net结构作为Backbone。3)Backbone+Decoder Block：我们用所提出的解码器模块替换原始解码器。4)Backbone+GCP：这里，我们将GCP模块集成到了Backbone中。5)Backbone+Decoder Block+GCP：这是最终的GCP-Net架构，引入GCP模块，解码器模块中使用本文提出的解码块。
表1 GCP-NET架构的详细消融研究
Figure BDA0003347634040000181
表1显示了在我们的ClusteredCell数据集以及两个公共数据集上执行这五种配置的消融实验结果。下面，我们提供对不同模型架构设置的详细分析，并使用上述五种网络配置对其进行验证。
1)预训练RESNET-34的有效性：从预训练的ResNet-34模型进行微调使我们的网络处于良好的初始化状态，可以使用相对较少的训练数据快速适应新的医学图像模式。表2显示了使用预训练的ResNet-34作为主干的改进型U-net的性能。我们发现，虽然预训练的ResNet-34几乎没有引入额外的参数和计算，但分割性能的提升仍然非常明显。在ClusteredCell数据集中，AJI、Dice和PQ分别增加了2.8％、5.4％和4.8％。在MoNuSeg数据集中，AJI、Dice和PQ分别增加了11.6％、4.7％和10％。在CoNSeP数据集中，尽管AJI下降了2.4％，但Dice和PQ分别增加了5.6％和4％。
2)解码块的有效性：通过在主干网络中用解码块替换原来的解码器层，解码块可以在解码器中快速建立远程依赖关系和全局上下文连接。如表2所示，我们可以看到，解码块在三个比较数据集上取得了比主干更好的性能，在AJI分数方面分别实现了0.6％、0.4％和1.9％的提升，在PQ分数方面分别实现了0.7％、0.5％和2.7％的提升，这意味着DecoderBlock比以前的方法具有更好的学习和泛化能力。因此，基于GCA-Residual的解码器模块设计可以有效提高分割性能。
3)GCP模块的有效性：在GCP模块中，Multi-scale CG Residual Block增加了三个多尺度上下文门控分支，通过一个残差操作融合多尺度特征信息。Global ContextAttention Block模块对应地重新加权特征信息以创建更准确的特征图。Multi-kernelMaxpooling Residual Block可以对全局信息进行编码，改变特征的组合方式。从表2中可以看出，与Backbone相比，Backbone+GCP的结果在ClusteredCell、MoNuSeg和CoNSeP上实现了1.3％、0.4％、2.6％的AJI改进和0.9％、0.3％、0.4％的PQ改进，就Dice系数而言，MoNuSeg提高了0.4％。这意味着GCP模块带来了更有效的多尺度分支特征表示融合，并有助于实现更好的分割性能。
4)解码器块和GCP模块组合的有效性：本文所提出的GCP-Net架构组合了解码器块和GCP模块。我们可以在表2中观察到GCP-Net在AJI、Dice和PQ方面的性能提升，其获得的结果高于Backbone和Backbone+Decoder Block和主干+GCP。
同时，本公开进行了注意模块的比较与选择。GCP模块和解码器模块都使用了注意力模块来给出具有不同权重值的特征图。在选择注意力模块的过程中，我们分别在GCP-Net中试验了五个最先进的注意力模块(Shuffle Attention，ECA Attention，CBAMAttention，SE Attention及Global Context Attention)。选择不同注意力模块的性能表现如表2所示。实验结果表明，使用不同的注意力模块会导致不同的实现方式。不过，这些差异仍然是不明显的。从两个数据集上的三个指标的比较可以看出，Global ContextAttention的表现最为突出。
表2使用不同注意力模块的结果
Figure BDA0003347634040000191
ClusteredCell是一个私有的宫颈细胞核分割数据集。比较具有不同主干的七种广泛接受的分割方法(见表3)表明，与最先进的方法(在相同的训练-测试分割上)相比，我们的方法提高了性能，我们的GCP-Net在所有指标上都优于其他方法。
图6示出根据本公开实施例的来自ClusteredCell数据集的三个不同难度级别的测试图像样本的定性结果。图6中给出的分割实例包含简单、正常和困难三类。根据结果显示，针对第一行的简单图片，每种方法都得到了与真实分割结果(ground truth)相似的分割结果。从第二行和第三行的结果可以看出每种方法处理结果的差异，说明我们的方法取得了最好的分割结果。
表3与现有最先进方法的定量比较。
Figure BDA0003347634040000192
Figure BDA0003347634040000201
图7示出根据本公开实施例的来自MONUSEG、CONSEP、CPM-17数据集的细胞核分割结果。如图7所示，我们的方法在所有三种情况下都可以成功处理未见过的数据。然而某些方法被证明在处理未见过的数据时表现不佳，特别是U-Net，它在所有三个数据集上的表现都比其他竞争方法差。Triple U-net和Hover-Net在所有三个对比测试中都实现了有竞争力的性能。特别是，Triple U-net被证明可以成功检测核像素，在MoNuSeg数据集上获得比GCP-Net更出色的Dice分数，在CoNSeP数据集上获得比GCP-Net更出色的PQ分数。然而，GCP-Net的整体分割结果是优越的(如图7所示)，因为它可以通过在网络的特征提取器和解码器部分引入上下文感知模块来更好地分析图像上下文信息，从而更好地分离单元核。
图8是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图9是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图9，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种宫颈细胞核的分割方法，其特征在于，包括：
获取宫颈细胞图像；
对所述宫颈细胞图像进行尺度以及深度的编码变换，得到不同尺度以及深度的多个编码特征图；
对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图；
分别根据所述多个编码特征图及所述特征提取对应的特征图进行特征解码，得到解码特征图；
基于所述解码特征图及预设分类器或预设分类层，得到分割后的宫颈细胞核图像。
2.根据权利要求1所述的分割方法，其特征在于，所述对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图的方法，包括：
获取特征提取对应的支路数目及对应的参数配置；
基于所述特征提取对应的支路数目及对应的参数配置，分别利用所述特征提取模型的支路对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行深度可分离卷积处理，得到卷积后的多个特征图；
分别根据所述多个编码特征图中尺度最小以及/或深度最大的编码特征图及所述卷积后的多个特征图进行第一融合操作，得到多个第一融合特征图；
分别根据所述多个编码特征图中尺度最小以及/或深度最大的编码特征图及所述多个第一融合特征图进行第二融合操作，得到第二融合特征图；
其中，所述第二融合特征图为所述编码特征图对应的特征图。
3.根据权利要求2所述的分割方法，其特征在于，所述对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图的方法，还包括：
对所述第二融合特征图的像素值进行权重分配，得到权重分配后的权重分配特征图；
对所述第二融合特征图及所述权重分配特征图进行第三融合操作，得到第三融合特征图；
对所述第三融合特征图及所述第二融合特征图进行第四融合操作，得到第四融合特征图；
其中，所述第四融合特征图为所述编码特征图对应的特征图。
4.根据权利要求3所述的分割方法，其特征在于，所述对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图的方法，还包括：
获取多核多尺度的池化操作对应的支路数目及对应的参数配置；
对所述第二融合特征图及所述第四融合特征图进行第五融合操作，得到第五融合特征图；
基于所述多核多尺度的池化操作对应的支路数目及对应的参数配置，对所述第五融合特征图进行多核多尺度的池化操作，得到池化特征图；
对所述第五融合特征图及所述池化特征图进行第五融合操作，得到所述编码特征图对应的特征图。
5.根据权利要求1-4任一项所述的分割方法，其特征在于，所述分别根据所述多个编码特征图及所述特征提取对应的特征图进行特征解码，得到解码特征图的方法，包括：
确定所述多个编码特征图对应的数目；
根据所述多个编码特征图对应的数目确定解码模块的数目，其中所述解码模块级连；
依次执行级连的所述解码模块，利用所述特征提取对应的特征图或上一级的解码模块输出的解码特征图进行权重分配得到权重分配后的权重特征图；
根据所述权重特征图及对应的编码特征图进行第六融合操作，得到所述权重特征图对应的融合特征图；
对所述权重特征图对应的融合特征图进行解码，得到解码特征图。
6.根据权利要求5所述的分割方法，其特征在于，所述依次执行级连的所述解码模块，利用所述特征提取对应的特征图或上一级的解码模块输出的解码特征图进行权重分配得到权重分配后的权重特征图；根据所述权重特征图及对应的编码特征图进行第六融合操作，得到所述权重特征图对应的融合特征图；对所述权重特征图对应的融合特征图进行解码，得到解码特征图的方法，包括：
第一个所述解码模块对所述特征提取对应的特征图进行权重分配，得到权重分配后的第一权重特征图；并对所述第一权重特征图及所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行第六融合操作，得到所述第一权重特征图对应的融合特征图；对所述第一权重特征图对应的融合特征图进行解码，得到解码特征图；
其余N个所述解码模块对上一级的解码模块输出的解码特征图进行权重分配，得到权重分配后的第N权重特征图；将所述第N权重特征图及对应的编码特征图进行第六融合操作，得到所述第N权重特征图对应的融合特征图；对所述第N权重特征图对应的融合特征图进行解码；
直至执行所有数目的所述解码模块，得到最后的解码特征图。
7.根据权利要求1-6任一项所述的分割方法，其特征在于，所述基于所述解码特征图及预设分类器或预设分类层，得到分割后的宫颈细胞核图像的方法，包括：
获取预设分类器或预设分类层；
将所述解码特征图输入所述预设分类器或预设分类层，得到分割后的宫颈细胞核图像。
8.一种宫颈细胞核的分割装置，其特征在于，
获取单元，获取宫颈细胞图像；
特征编码单元，用于对所述宫颈细胞图像进行尺度以及深度的编码变换，得到不同尺度以及深度的多个编码特征图；
特征提取单元，对所述多个编码特征图中尺度最小以及/或深度最大的编码特征图进行特征提取，得到对应的特征图；
特征解码单元，分别根据所述多个编码特征图及所述特征提取对应的特征图进行特征解码，得到解码特征图；
分割单元，用于基于所述解码特征图及预设分类器或预设分类层，得到分割后的宫颈细胞核图像。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的宫颈细胞核的分割方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的宫颈细胞核的分割方法。
CN202111327996.3A 2021-11-10 2021-11-10 宫颈细胞核的分割方法及装置、电子设备和存储介质 Active CN114022487B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111327996.3A CN114022487B (zh) 2021-11-10 2021-11-10 宫颈细胞核的分割方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111327996.3A CN114022487B (zh) 2021-11-10 2021-11-10 宫颈细胞核的分割方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN114022487A true CN114022487A (zh) 2022-02-08
CN114022487B CN114022487B (zh) 2024-07-02

Family

ID=80063136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111327996.3A Active CN114022487B (zh) 2021-11-10 2021-11-10 宫颈细胞核的分割方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114022487B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111462122A (zh) * 2020-03-26 2020-07-28 中国科学技术大学 宫颈细胞核自动分割方法及系统
CN112446892A (zh) * 2020-11-18 2021-03-05 黑龙江机智通智能科技有限公司 一种基于注意力学习的细胞核分割方法
CN112508931A (zh) * 2020-12-18 2021-03-16 闽江学院 基于U-Net和ResNet的白细胞分割方法
CN112767416A (zh) * 2021-01-19 2021-05-07 中国科学技术大学 一种基于空间和通道双重注意力机制的眼底血管分割方法
WO2021097378A1 (en) * 2019-11-15 2021-05-20 Qualcomm Technologies, Inc. Context-driven learning of human-object interactions

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021097378A1 (en) * 2019-11-15 2021-05-20 Qualcomm Technologies, Inc. Context-driven learning of human-object interactions
CN111462122A (zh) * 2020-03-26 2020-07-28 中国科学技术大学 宫颈细胞核自动分割方法及系统
CN112446892A (zh) * 2020-11-18 2021-03-05 黑龙江机智通智能科技有限公司 一种基于注意力学习的细胞核分割方法
CN112508931A (zh) * 2020-12-18 2021-03-16 闽江学院 基于U-Net和ResNet的白细胞分割方法
CN112767416A (zh) * 2021-01-19 2021-05-07 中国科学技术大学 一种基于空间和通道双重注意力机制的眼底血管分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUIHUA YANG ET.AL: "GCP-Net: A Gating Context-Aware Pooling Network for Cervical Cell Nuclei Segmentation", MOBILE INFORMATION SYSTEMS, 9 April 2022 (2022-04-09), pages 1 - 14 *
ZHENWEI HOU ET.AL: "MULTI-SCALE GATED ATTENTION FOR WEAKLY LABELLED SOUND EVENT DETECTION", 2021 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO (ICME), 9 June 2021 (2021-06-09), pages 1 - 6 *

Also Published As

Publication number Publication date
CN114022487B (zh) 2024-07-02

Similar Documents

Publication Publication Date Title
CN108229277B (zh) 手势识别、手势控制及多层神经网络训练方法、装置及电子设备
CN110210535B (zh) 神经网络训练方法及装置以及图像处理方法及装置
CN110084775B (zh) 图像处理方法及装置、电子设备和存储介质
CN110378976B (zh) 图像处理方法及装置、电子设备和存储介质
CN109544560B (zh) 图像处理方法及装置、电子设备和存储介质
CN109871883B (zh) 神经网络训练方法及装置、电子设备和存储介质
CN109658401B (zh) 图像处理方法及装置、电子设备和存储介质
CN112785565B (zh) 目标检测方法及装置、电子设备和存储介质
CN109145970B (zh) 基于图像的问答处理方法和装置、电子设备及存储介质
CN112241673B (zh) 视频处理方法及装置、电子设备和存储介质
CN109214428B (zh) 图像分割方法、装置、计算机设备及计算机存储介质
KR20210058887A (ko) 이미지 처리 방법 및 장치, 전자 기기 및 저장 매체
JP2022522551A (ja) 画像処理方法及び装置、電子機器並びに記憶媒体
CN111340048B (zh) 图像处理方法及装置、电子设备和存储介质
CN113592004A (zh) 分配方法及装置、电子设备和存储介质
CN109255784B (zh) 图像处理方法及装置、电子设备和存储介质
CN114332503A (zh) 对象重识别方法及装置、电子设备和存储介质
CN111931781A (zh) 图像处理方法及装置、电子设备和存储介质
CN109903252B (zh) 图像处理方法及装置、电子设备和存储介质
CN111553865B (zh) 图像修复方法及装置、电子设备和存储介质
CN115223018B (zh) 伪装对象协同检测方法及装置、电子设备和存储介质
CN114022487B (zh) 宫颈细胞核的分割方法及装置、电子设备和存储介质
CN114612790A (zh) 图像处理方法及装置、电子设备和存储介质
CN113888432A (zh) 一种图像增强方法、装置和用于图像增强的装置
CN112036487A (zh) 图像处理方法及装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant