CN114399494A - 异常细胞检测分割方法、装置、设备及存储介质 - Google Patents

异常细胞检测分割方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114399494A
CN114399494A CN202210042775.XA CN202210042775A CN114399494A CN 114399494 A CN114399494 A CN 114399494A CN 202210042775 A CN202210042775 A CN 202210042775A CN 114399494 A CN114399494 A CN 114399494A
Authority
CN
China
Prior art keywords
image
segmentation
cell
detection
branch
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.)
Pending
Application number
CN202210042775.XA
Other languages
English (en)
Inventor
初晓
韩英男
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210042775.XA priority Critical patent/CN114399494A/zh
Publication of CN114399494A publication Critical patent/CN114399494A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及人工智能和智慧医疗领域，具体公开了一种异常细胞检测分割方法、装置、设备及存储介质，所述方法包括：获取待检测细胞的玻片图像；对所述玻片图像进行图像分割，得到多个图像块；对所述多个图像块分别进行预处理，得到预处理后的图像；将所述预处理后的图像输入至预先训练的细胞检测模型中，所述预先训练的细胞检测模型包括目标检测分支和图像分割分支；基于所述目标检测分支对所述待检测细胞进行异常检测，以及基于所述图像分割分支对所述待检测细胞进行细胞分割。

Description

异常细胞检测分割方法、装置、设备及存储介质
技术领域
本申请涉及人工智能领域，尤其涉及一种异常细胞检测分割方法、装置、设备及存储介质。
背景技术
随着人们生活质量的提高，对自身身体健康的关注也逐渐增加。宫颈癌作为对女性生命健康造成严重危害的恶性肿瘤之一，是目前唯一可以早发现并治愈的癌症，因此早期筛查对于宫颈癌的治疗相当关键。可以通过一些宫颈癌智能辅助筛查系统来对宫颈细胞进行异常检测，但大多数的智能辅助筛查系统对病变程度相对轻的异常细胞检测精度不高，并且当存在细胞重叠等现象时，筛查系统就难以正确区分出异常细胞的边界。
发明内容
本申请提供了一种异常细胞检测分割方法、装置、设备及存储介质，以提高检测和分割准确率。
第一方面，本申请提供了一种异常细胞检测分割方法，所述方法包括：
获取待检测细胞的玻片图像；
对所述玻片图像进行图像分割，得到多个图像块；
对所述多个图像块分别进行预处理，得到预处理后的图像；
将所述预处理后的图像输入至预先训练的细胞检测模型中，所述预先训练的细胞检测模型包括目标检测分支和图像分割分支；
基于所述目标检测分支对所述待检测细胞进行异常检测，以及基于所述图像分割分支对所述待检测细胞进行细胞分割。
第二方面，本申请还提供了一种异常细胞检测分割装置，所述装置包括：
图像获取模块，用于获取待检测细胞的玻片图像；
图像分割模块，用于对所述玻片图像进行图像分割，得到多个图像块；
图像处理模块，用于对所述多个图像块分别进行预处理，得到预处理后的图像；
图像输入模块，用于将所述预处理后的图像输入至预先训练的细胞检测模型中，所述预先训练的细胞检测模型包括目标检测分支和图像分割分支；
检测分割模块，用于基于所述目标检测分支对所述待检测细胞进行异常检测，以及基于所述图像分割分支对所述待检测细胞进行细胞分割。
第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的异常细胞检测分割方法。
第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的异常细胞检测分割方法。
本申请公开了一种异常细胞检测分割方法、装置、设备及存储介质，通过获取待检测细胞的玻片图像，并对玻片图像进行图像分割，得到多个图像块，再对多个图像块分别进行预处理，得到预处理后的图像，最后将预处理后的图像输入至预先训练的细胞检测模型中，基于细胞检测模型中的目标检测分支对待检测细胞进行异常检测，以及基于细胞检测模型中的图像分割分支对待检测细胞进行细胞分割。通过细胞检测模型的混合级联结构，能够同时完成对异常细胞的检测和分割，提高检测和分割准确率。
附图说明
为了更清楚地说明本申请实施例技术方案，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，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，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的附图。
图1是本申请实施例提供的异常细胞检测分割方法的步骤示意流程图；
图2是本申请实施例提供的进行图像分割的步骤示意图；
图3是本申请实施例提供的对图像块进行预处理的步骤示意图；
图4是本申请实施例提供的预先训练的细胞检测模型的一结构示意图；
图5是本申请实施例提供的预先训练的细胞检测模型的另一结构示意图；
图6是本申请实施例提供的一种异常细胞检测分割装置的示意性框图；
图7是本申请实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本申请的实施例提供了一种异常细胞检测分割方法、装置、计算机设备及存储介质。异常细胞检测分割方法可用于针对患者和/或医生的骗保行为，为快速找出患者或医生骗保提供了重要的参考。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请实施例提供的一种异常细胞检测分割方法的示意流程图。该异常细胞检测分割方法通过级联结构的细胞检测模型实现了同时完成异常细胞的检测赫尔分割，提高检测和分割准确率。
如图1所示，该异常细胞检测分割方法，具体包括：步骤S101至步骤S105。
S101、获取待检测细胞的玻片图像。
待检测细胞可以是宫颈细胞。在具体实施过程中，使用扫描仪对宫颈细胞病理玻片进行扫描，获得宫颈细胞病理玻片的玻片图像，其中，玻片图像可以是多种格式，例如.svs、.kfb、.ndpi、.tif、.sdpc等格式。
S102、对所述玻片图像进行图像分割，得到多个图像块。
对玻片图像进行图像分割，将玻片图像分割为多个图像块，在对待检测细胞进行异常检测和细胞分割时加快处理速度。
在一实施例中，请参阅图2，为进行图像分割的步骤示意图。步骤S102包括步骤S1021和步骤S1022。
S1021、使用霍夫变换从所述玻片图像中确定特征区域；S1022、在所述特征区域内基于预先设置的划窗进行图像分割。
在得到玻片图像后，使用霍夫变换在玻片图像中寻找细胞所在的前景区域，从而从玻片图像中确定出特征区域，也即ROI(region of interest)区域，这能够去掉玻片图像中外围的不含有效信息的背景区域，节省计算时间。
然后在确定的特征区域中基于预先设置的划窗来对特征区域进行图像分割，得到多个图像块。在具体实施过程中，预先设置的划窗大小可以是5120*5120。
另外，在进行图像分割时，可以使用同一大小的划窗进行图像分割，这样分割出的图像块的大小相同，也可以使用多个不同大小的划窗进行图像分割，这样分割出的图像块的大小不同。
在一实施例中，在使用霍夫变换确定特征区域之前，还可以先对玻片图像进行图像处理，图像处理包括膨胀、腐蚀等操作。其中，可以选定所使用的放大倍数图层，对其黑白图像先后进行膨胀、腐蚀操作，完成图像处理，然后再对图像处理之后的图像使用霍夫变换，确定特征区域。
S103、对所述多个图像块分别进行预处理，得到预处理后的图像。
在得到多个图像块后，对每个图像块都进行预处理，在改善图像视觉效果的同时，有效地降低不同扫描仪的数字化玻片图像风格对图像质量检测带来的影响。
在一实施例中，请参阅图3，为对图像块进行预处理的步骤示意图。步骤S103包括步骤S1031和步骤S1032。
S1031、对所述多个图像块分别进行伽马变换，得到变换后的图像块；S1032、对所述变换后的图像块进行对比度增强处理，得到预处理后的图像。
对每一个图像块进行Gamma变换，变换公式为Vout＝Vin γ，其中，Vout表示经变换后的图像，Vin表示变换前的图像，V分别代表图像块的R、G、B三通道。
通过Gamma变换这种非线性变换，让图像从曝光强度的线性响应变得更接近人眼感受的响应，即对过亮或过暗的图片进行矫正。
另外，在伽马变换之后，再对变换后的图像进行对比度增强处理，能够在改善图像视觉效果的同时，有效地降低不同扫描仪数字化玻片图像风格对图像质量检测带来的影响。
对比度增强的公式为：
Figure BDA0003470945300000051
其中V分别代表图像块的R、G、B三通道。
S104、将所述预处理后的图像输入至预先训练的细胞检测模型中，所述预先训练的细胞检测模型包括目标检测分支和图像分割分支。
将经过预处理的图像输入至预先训练的细胞检测模型中，其中，该细胞检测模型包括目标检测分支和图像分割分支。如图4所示，为该细胞检测模型的结构示意图。根据图4可知，该细胞检测模型包括三个阶段，每个阶段都包括目标检测分支和图像分割分支。其中，M表示图像分割分支，B表示目标检测分支。
S105、基于所述目标检测分支对所述待检测细胞进行异常检测，以及基于所述图像分割分支对所述待检测细胞进行细胞分割。
细胞检测模型中的目标检测分支根据该预处理后的图像进行异常检测，并输出检测结果，细胞检测模型中的图像分割分支根据该预处理后的图像进行细胞分割，实现对重叠、异形等细胞的分割。
在一实施例中，步骤S105可以包括：将所述预处理后的图像输入所述目标检测分支，得到所述待检测细胞对应的边界特征，并根据所述边界特征对所述待检测细胞进行异常检测；将所述边界特征输入所述图像分割分支，得到所述待检测细胞对应的掩膜特征，并根据所述掩膜特征对所述待检测细胞进行细胞分割。
将预处理以后的图像输入至目标检测分支，目标检测分支会对预处理后的图像进行特征提取，从而可以得到待检测细胞对应的边界特征。然后即可根据该边界特征来对待检测细胞进行异常检测，判断细胞是否为重叠细胞或者异形细胞。另外，将边界特征输入图像分割分支，使图像分割分支在生成掩膜特征时考虑到边界特征，通过在不同分支之间引入信息流，提高了图像分割分支在生成掩膜特征时的准确度。
如图4所示，将预处理后的图像输入至预先训练的细胞检测模型后，可以先使用区域生成网络(RegionProposal Network，RPN)来提取区域特征，然后将区域生成网络输出的区域特征经过pool结构后，输入至第一阶段的目标检测分支，由第一阶段的目标检测分支输出第一边界特征。然后将该第一边界特征经过pool结构后再交互给第一阶段的图像分割分支，使图像分割分支基于该第一边界特征输出第一掩膜特征。
然后再次将第一边界特征和区域特征经过pool结构后，输入至第二阶段的目标检测分支，由第二阶段的目标检测分支输出第二边界特征。然后将该第二边界特征经过pool结构后再交互给第二阶段的图像分割分支，并且第二阶段的图像分割分支同时获取第一阶段的图像分割分支所输出的第一掩膜特征，使图像分割分支基于该第二边界特征和第一掩膜特征输出第二掩膜特征。
接着再次将第二边界特征和区域特征经过pool结构后，输入至第三阶段的目标检测分支，由第三阶段的目标检测分支输出第三边界特征。然后将该第三边界特征经过pool结构后再交互给第三阶段的图像分割分支，并且第三阶段的图像分割分支同时获取第二阶段的图像分割分支所输出的第二掩膜特征，使图像分割分支基于该第三边界特征和第二掩膜特征输出第三掩膜特征。
最后根据第三边界特征来对待检测细胞进行异常检测，根据第三掩膜特征来对待检测细胞进行细胞分割。
另外，在具体实施过程中，在预先训练细胞检测模型时，对于目标检测分支，可以同时考虑重叠面积和中心点距离的DIoU loss，以便加快模型收敛速度同时提高边界框检测，也即异常检测的准确度。
在一实施例中，所述预先训练的细胞检测模型中包括语义分割分支；所述方法包括：基于语义分割分支对所述预处理后的图像进行语义分割，得到语义特征；所述基于所述目标检测分支对所述待检测细胞进行异常检测，以及基于所述图像分割分支对所述待检测细胞进行细胞分割，包括：将边界特征与所述语义特征进行融合，得到第一融合特征，并基于所述第一融合特征对所述待检测细胞进行异常检测；以及将掩膜特征与所述语义特征进行融合，得到第二融合特征，并基于所述第二融合特征对所述待检测细胞进行细胞分割。
请参阅图5，为该细胞检测模型的另一结构示意图。根据图5可知，该细胞检测模型包括三个阶段，每个阶段都包括目标检测分支和图像分割分支，另外，该细胞检测模型还包括语义分割分支。其中，M表示图像分割分支，B表示目标检测分支，S表示语义分割分支。
在具体实施过程中，可以使用基于特征金字塔网络(feature pyramidnetworks，FPN)输出的特征图像进行全卷积来提取语义特征。在细胞检测模型中融合语义分割分支，来增强空间背景信息，从而进一步提高异常检测和图像分割的准确度。
如图5所示，将预处理后的图像输入至预先训练的细胞检测模型后，可以先使用区域生成网络(RegionProposal Network，RPN)来提取区域特征，以及通过语义分割分支来提取预处理后的图像中的语义特征，然后将区域生成网络输出的区域特征和提取出的语义特征经过pool结构后，输入至第一阶段的目标检测分支，由第一阶段的目标检测分支输出第一边界特征。然后将该第一边界特征经过pool结构后再交互给第一阶段的图像分割分支，使图像分割分支基于该第一边界特征和提取出的语义特征输出第一掩膜特征。
然后再次将第一边界特征、区域特征和提取出的语义特征经过pool结构后，输入至第二阶段的目标检测分支，由第二阶段的目标检测分支输出第二边界特征。然后将该第二边界特征经过pool结构后再交互给第二阶段的图像分割分支，并且第二阶段的图像分割分支同时获取第一阶段的图像分割分支所输出的第一掩膜特征，使图像分割分支基于该第二边界特征、第一掩膜特征和提取出的语义特征输出第二掩膜特征。
接着再次将第二边界特征、区域特征和提取出的语义特征经过pool结构后，输入至第三阶段的目标检测分支，由第三阶段的目标检测分支输出第三边界特征。然后将该第三边界特征经过pool结构后再交互给第三阶段的图像分割分支，并且第三阶段的图像分割分支同时获取第二阶段的图像分割分支所输出的第二掩膜特征，使图像分割分支基于该第三边界特征、第二掩膜特征和提取出的语义特征输出第三掩膜特征。
最后根据第三边界特征来对待检测细胞进行异常检测，根据第三掩膜特征来对待检测细胞进行细胞分割。
在一实施例中，所述根据所述边界特征对所述待检测细胞进行异常检测，包括：获取所述目标检测分支基于所述边界特征输出的所述待检测细胞为异常细胞的概率；当所述待检测细胞为异常细胞的概率大于或等于预设阈值时，确定所述待检测细胞为异常细胞。
对于输入细胞检测模型的每一个图像块，细胞检测模型都会输出对于图像块中待检测细胞为异常细胞的概率。如果输出的待检测细胞为异常细胞的概率大于或者等于预设阈值时，可以认为该待检测细胞为异常细胞，如果输出的待检测细胞为异常细胞的概率小于预设阈值时，可以认为该待检测细胞为正常细胞。通过这种方式，结合整张宫颈细胞病理玻片的检测情况，可以实现宫颈异常细胞的自动检测。
在一实施例中，所述根据所述掩膜特征对所述待检测细胞进行细胞分割，包括：获取所述异常细胞的掩膜特征，并基于所述掩膜特征对所述异常细胞进行细胞分割，得到异常细胞的分割结果。
在对待检测细胞进行细胞分割时，为了减少计算量，并且使分割结果更为直观，可以仅对异常细胞进行细胞分割，在确定该待检测细胞为异常细胞时，获取该异常细胞所对应的掩膜特征，基于该异常细胞对应的掩膜特征进行细胞分割，这样即可完成对异常细胞的细胞分割，得到异常细胞的分割结果。
上述实施例提供的异常细胞检测分割方法，通过获取待检测细胞的玻片图像，并对玻片图像进行图像分割，得到多个图像块，再对多个图像块分别进行预处理，得到预处理后的图像，最后将预处理后的图像输入至预先训练的细胞检测模型中，基于细胞检测模型中的目标检测分支对待检测细胞进行异常检测，以及基于细胞检测模型中的图像分割分支对待检测细胞进行细胞分割。通过细胞检测模型的混合级联结构，能够同时完成对异常细胞的检测和分割，提高检测和分割准确率。
请参阅图6，图6是本申请的实施例还提供一种异常细胞检测分割装置的示意性框图，该异常细胞检测分割装置用于执行前述的异常细胞检测分割方法。其中，该异常细胞检测分割装置可以配置于服务器或终端中。
其中，服务器可以为独立的服务器，也可以为服务器集群。该终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。
如图6所示，异常细胞检测分割装置200包括：图像获取模块201、图像分割模块202、图像处理模块203、图像输入模块204和检测分割模块205。
图像获取模块201，用于获取待检测细胞的玻片图像。
图像分割模块202，用于对所述玻片图像进行图像分割，得到多个图像块。
在一实施例中，图像分割模块202包括特征确定子模块2021和划窗分割子模块2022。
其中，特征确定子模块2021用于使用霍夫变换从所述玻片图像中确定特征区域；划窗分割子模块2022，用于在所述特征区域内基于预先设置的划窗进行图像分割。
图像处理模块203，用于对所述多个图像块分别进行预处理，得到预处理后的图像。
在一实施例中，图像处理模块203包括伽马变化子模块2031和对比增强子模块2032。
其中，伽马变化子模块2031，用于对所述多个图像块分别进行伽马变换，得到变换后的图像块；对比增强子模块2032，用于对所述变换后的图像块进行对比度增强处理，得到预处理后的图像。
图像输入模块204，用于将所述预处理后的图像输入至预先训练的细胞检测模型中，所述预先训练的细胞检测模型包括目标检测分支和图像分割分支。
检测分割模块205，用于基于所述目标检测分支对所述待检测细胞进行异常检测，以及基于所述图像分割分支对所述待检测细胞进行细胞分割。
在一实施例中，检测分割模块205包括异常检测子模块和细胞分割子模块。
其中，异常检测子模块，用于将所述预处理后的图像输入所述目标检测分支，得到所述待检测细胞对应的边界特征，并根据所述边界特征对所述待检测细胞进行异常检测；细胞分割子模块，用于将所述边界特征输入所述图像分割分支，得到所述待检测细胞对应的掩膜特征，并根据所述掩膜特征对所述待检测细胞进行细胞分割。
在一实施例中，异常细胞检测分割装置200还包括语义分割模块。其中，语义分割模块，用于基于语义分割分支对所述预处理后的图像进行语义分割，得到语义特征。
检测分割模块205包括异常检测子模块和细胞分割子模块。其中，异常检测子模块，用于将边界特征与所述语义特征进行融合，得到第一融合特征，并基于所述第一融合特征对所述待检测细胞进行异常检测；细胞分割子模块，用于将掩膜特征与所述语义特征进行融合，得到第二融合特征，并基于所述第二融合特征对所述待检测细胞进行细胞分割。
在一实施例中，异常检测子模块可以包括概率获取子模块和阈值判断子模块。
其中，概率获取子模块，用于获取所述目标检测分支基于所述边界特征输出的所述待检测细胞为异常细胞的概率。阈值判断子模块，用于当所述待检测细胞为异常细胞的概率大于或等于预设阈值时，确定所述待检测细胞为异常细胞。
在一实施例中，细胞分割子模块可以用于获取所述异常细胞的掩膜特征，并基于所述掩膜特征对所述异常细胞进行细胞分割，得到异常细胞的分割结果。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的异常细胞检测分割装置和各模块的具体工作过程，可以参考前述异常细胞检测分割方法实施例中的对应过程，在此不再赘述。
上述的异常细胞检测分割装置可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7，图7是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器或终端。
参阅图7，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括存储介质和内存储器。
存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种异常细胞检测分割方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种异常细胞检测分割方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
获取待检测细胞的玻片图像；
对所述玻片图像进行图像分割，得到多个图像块；
对所述多个图像块分别进行预处理，得到预处理后的图像；
将所述预处理后的图像输入至预先训练的细胞检测模型中，所述预先训练的细胞检测模型包括目标检测分支和图像分割分支；
基于所述目标检测分支对所述待检测细胞进行异常检测，以及基于所述图像分割分支对所述待检测细胞进行细胞分割。
在一个实施例中，所述处理器在实现所述基于所述目标检测分支对所述待检测细胞进行异常检测，以及基于所述图像分割分支对所述待检测细胞进行细胞分割时，用于实现：
将所述预处理后的图像输入所述目标检测分支，得到所述待检测细胞对应的边界特征，并根据所述边界特征对所述待检测细胞进行异常检测；
将所述边界特征输入所述图像分割分支，得到所述待检测细胞对应的掩膜特征，并根据所述掩膜特征对所述待检测细胞进行细胞分割。
在一个实施例中，所述预先训练的细胞检测模型中包括语义分割分支；所述处理器用于实现：
基于语义分割分支对所述预处理后的图像进行语义分割，得到语义特征；
所述处理器在实现所述基于所述目标检测分支对所述待检测细胞进行异常检测，以及基于所述图像分割分支对所述待检测细胞进行细胞分割时，用于实现：
将边界特征与所述语义特征进行融合，得到第一融合特征，并基于所述第一融合特征对所述待检测细胞进行异常检测；以及
将掩膜特征与所述语义特征进行融合，得到第二融合特征，并基于所述第二融合特征对所述待检测细胞进行细胞分割。
在一个实施例中，所述处理器在实现所述对所述玻片图像进行图像分割时，用于实现：
使用霍夫变换从所述玻片图像中确定特征区域；
在所述特征区域内基于预先设置的划窗进行图像分割。
在一个实施例中，所述处理器在实现所述对所述多个图像块分别进行预处理，得到预处理后的图像时，用于实现：
对所述多个图像块分别进行伽马变换，得到变换后的图像块；
对所述变换后的图像块进行对比度增强处理，得到预处理后的图像。
在一个实施例中，所述处理器在实现所述根据所述边界特征对所述待检测细胞进行异常检测时，用于实现：
获取所述目标检测分支基于所述边界特征输出的所述待检测细胞为异常细胞的概率；
当所述待检测细胞为异常细胞的概率大于或等于预设阈值时，确定所述待检测细胞为异常细胞。
在一个实施例中，所述处理器在实现所述根据所述掩膜特征对所述待检测细胞进行细胞分割时，用于实现：
获取所述异常细胞的掩膜特征，并基于所述掩膜特征对所述异常细胞进行细胞分割，得到异常细胞的分割结果。
本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项异常细胞检测分割方法。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种异常细胞检测分割方法，其特征在于，所述方法包括：
获取待检测细胞的玻片图像；
对所述玻片图像进行图像分割，得到多个图像块；
对所述多个图像块分别进行预处理，得到预处理后的图像；
将所述预处理后的图像输入至预先训练的细胞检测模型中，所述预先训练的细胞检测模型包括目标检测分支和图像分割分支；
基于所述目标检测分支对所述待检测细胞进行异常检测，以及基于所述图像分割分支对所述待检测细胞进行细胞分割。
2.根据权利要求1所述的异常细胞检测分割方法，其特征在于，所述基于所述目标检测分支对所述待检测细胞进行异常检测，以及基于所述图像分割分支对所述待检测细胞进行细胞分割，包括：
将所述预处理后的图像输入所述目标检测分支，得到所述待检测细胞对应的边界特征，并根据所述边界特征对所述待检测细胞进行异常检测；
将所述边界特征输入所述图像分割分支，得到所述待检测细胞对应的掩膜特征，并根据所述掩膜特征对所述待检测细胞进行细胞分割。
3.根据权利要求1所述的异常细胞检测分割方法，其特征在于，所述预先训练的细胞检测模型中包括语义分割分支；所述方法包括：
基于语义分割分支对所述预处理后的图像进行语义分割，得到语义特征；
所述基于所述目标检测分支对所述待检测细胞进行异常检测，以及基于所述图像分割分支对所述待检测细胞进行细胞分割，包括：
将边界特征与所述语义特征进行融合，得到第一融合特征，并基于所述第一融合特征对所述待检测细胞进行异常检测；以及
将掩膜特征与所述语义特征进行融合，得到第二融合特征，并基于所述第二融合特征对所述待检测细胞进行细胞分割。
4.根据权利要求1所述的异常细胞检测分割方法，其特征在于，所述对所述玻片图像进行图像分割，包括：
使用霍夫变换从所述玻片图像中确定特征区域；
在所述特征区域内基于预先设置的划窗进行图像分割。
5.根据权利要求1所述的异常细胞检测分割方法，其特征在于，所述对所述多个图像块分别进行预处理，得到预处理后的图像，包括：
对所述多个图像块分别进行伽马变换，得到变换后的图像块；
对所述变换后的图像块进行对比度增强处理，得到预处理后的图像。
6.根据权利要求2所述的异常细胞检测分割方法，其特征在于，所述根据所述边界特征对所述待检测细胞进行异常检测，包括：
获取所述目标检测分支基于所述边界特征输出的所述待检测细胞为异常细胞的概率；
当所述待检测细胞为异常细胞的概率大于或等于预设阈值时，确定所述待检测细胞为异常细胞。
7.根据权利要求6所述的异常细胞检测分割方法，其特征在于，所述根据所述掩膜特征对所述待检测细胞进行细胞分割，包括：
获取所述异常细胞的掩膜特征，并基于所述掩膜特征对所述异常细胞进行细胞分割，得到异常细胞的分割结果。
8.一种异常细胞检测分割装置，其特征在于，包括：
图像获取模块，用于获取待检测细胞的玻片图像；
图像分割模块，用于对所述玻片图像进行图像分割，得到多个图像块；
图像处理模块，用于对所述多个图像块分别进行预处理，得到预处理后的图像；
图像输入模块，用于将所述预处理后的图像输入至预先训练的细胞检测模型中，所述预先训练的细胞检测模型包括目标检测分支和图像分割分支；
检测分割模块，用于基于所述目标检测分支对所述待检测细胞进行异常检测，以及基于所述图像分割分支对所述待检测细胞进行细胞分割。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的异常细胞检测分割方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的异常细胞检测分割方法。
CN202210042775.XA 2022-01-14 2022-01-14 异常细胞检测分割方法、装置、设备及存储介质 Pending CN114399494A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210042775.XA CN114399494A (zh) 2022-01-14 2022-01-14 异常细胞检测分割方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210042775.XA CN114399494A (zh) 2022-01-14 2022-01-14 异常细胞检测分割方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114399494A true CN114399494A (zh) 2022-04-26

Family

ID=81231348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210042775.XA Pending CN114399494A (zh) 2022-01-14 2022-01-14 异常细胞检测分割方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114399494A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703929A (zh) * 2023-08-08 2023-09-05 武汉楚精灵医疗科技有限公司 腺管极性紊乱程度参数的确定方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703929A (zh) * 2023-08-08 2023-09-05 武汉楚精灵医疗科技有限公司 腺管极性紊乱程度参数的确定方法及装置
CN116703929B (zh) * 2023-08-08 2023-10-27 武汉楚精灵医疗科技有限公司 腺管极性紊乱程度参数的确定方法及装置

Similar Documents

Publication Publication Date Title
CN110660066B (zh) 网络的训练方法、图像处理方法、网络、终端设备及介质
CN107665491B (zh) 病理图像的识别方法及系统
CN110705583B (zh) 细胞检测模型训练方法、装置、计算机设备及存储介质
CN110363091B (zh) 侧脸情况下的人脸识别方法、装置、设备及存储介质
US10062161B2 (en) Endoscopic image diagnosis support system for computing average values of identification probabilities of pathological types
CN111626243B (zh) 口罩遮挡人脸的身份识别方法、装置及存储介质
CN111383232B (zh) 抠图方法、装置、终端设备及计算机可读存储介质
CN111524137A (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN112132265B (zh) 模型训练方法、杯盘比确定方法、装置、设备及存储介质
CN111080654B (zh) 图像的病变区域分割方法、装置及服务器
CN111862187B (zh) 基于神经网络的杯盘比确定方法、装置、设备及存储介质
EP4047509A1 (en) Facial parsing method and related devices
CN110796663B (zh) 图片剪裁方法、装置、设备和存储介质
CN113706564A (zh) 基于多种监督方式的睑板腺分割网络的训练方法及装置
CN111553923A (zh) 一种图像处理方法、电子设备及计算机可读存储介质
CN111882565B (zh) 一种图像二值化方法、装置、设备及存储介质
CN112651953A (zh) 图片相似度计算方法、装置、计算机设备及存储介质
CN114298985B (zh) 缺陷检测方法、装置、设备及存储介质
CN110321778B (zh) 一种人脸图像处理方法、装置和存储介质
CN112966687B (zh) 图像分割模型训练方法、装置及通信设备
CN114399494A (zh) 异常细胞检测分割方法、装置、设备及存储介质
CN112686176B (zh) 目标重识别方法、模型训练方法、装置、设备及存储介质
CN113158773A (zh) 一种活体检测模型的训练方法及训练装置
CN111414823B (zh) 人体特征点的检测方法、装置、电子设备以及存储介质
US11253324B1 (en) Determination of appendix position using a two stage deep neural network

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