CN114581406A - 基于Segformer的胃部病理切片细胞核分割方法 - Google Patents

基于Segformer的胃部病理切片细胞核分割方法 Download PDF

Info

Publication number
CN114581406A
CN114581406A CN202210212389.0A CN202210212389A CN114581406A CN 114581406 A CN114581406 A CN 114581406A CN 202210212389 A CN202210212389 A CN 202210212389A CN 114581406 A CN114581406 A CN 114581406A
Authority
CN
China
Prior art keywords
segformer
stomach
segmentation
mlp
pathological section
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
CN202210212389.0A
Other languages
English (en)
Inventor
唐专智
李珽君
莫春宝
胡俊承
胡洁
石武祥
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.)
Guangxi Zhongyi Intelligent Technology Development Group Co ltd
Guilin Medical University
Original Assignee
Guangxi Zhongyi Intelligent Technology Development Group Co ltd
Guilin Medical University
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 Guangxi Zhongyi Intelligent Technology Development Group Co ltd, Guilin Medical University filed Critical Guangxi Zhongyi Intelligent Technology Development Group Co ltd
Priority to CN202210212389.0A priority Critical patent/CN114581406A/zh
Publication of CN114581406A publication Critical patent/CN114581406A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明属于细胞核分割技术领域，具体涉及基于Segformer的胃部病理切片细胞核分割方法。基于Segformer的胃部病理切片细胞核分割方法，包括以下步骤：S1.构建数据：扫描胃部病理切片，截取清晰部分，采用1abelme软件对切片中的细胞核进行标注；S2.训练网络：利用标注完的数据对基于Segformer的分割网络进行训练，Segformer由编码器和解码器组成；S3.生成分割结果：用训练好的Segformer的分割网络对胃部病理切片进行分割，生成分割结果。本发明基于Segformer的分割网络可以对胃部病理切片细胞核进行分割，并生成细胞核分割结果，能够有效地帮助病理医生提取细胞核信息，对胃部等疾病进行有效诊断，进而为筛查胃部疾病及制定治疗方案提供帮助。

Description

基于Segformer的胃部病理切片细胞核分割方法
技术领域
本发明属于细胞核分割技术领域，具体涉及基于Segformer的胃部病理切片细胞核分割方法。
背景技术
随着组织病理学图像自动化分析在计算机领域的发展，目前以深度学习代表的人工智能技术成为热门的研究领域之一，将其与组织病理学图像分析相结合吸引了无数科研人员。对细胞核信息进行分割、分类等的自动化分析，对病理切片的自动化诊断有着重要意义，其中，细胞核分割在整个组织病理学图像自动化分析中占据重要位置，受限于病理切片的制作工艺，细胞核重叠、接触现象无法避免，且细胞核周围的杂质、细胞质区域等都会对细胞核分割造成影响，使得细胞核的分割成为一个难点。如果能将细胞核准确的分割开来，能够有效地帮助病理医生提取细胞核信息，对胃部等疾病进行有效诊断，进而为筛查胃部疾病及制定治疗方案提供帮助。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供基于Segformer的胃部病理切片细胞核分割方法，其可以将细胞核分割开来，帮助病理医生提取细胞核信息，对胃部等疾病进行有效诊断，进而为筛查胃部疾病及制定治疗方案提供帮助。
为实现上述目的，本发明提供了如下技术方案：
基于Segformer的胃部病理切片细胞核分割方法，包括以下步骤：
S1.构建数据：扫描胃部病理切片，截取清晰部分，采用1abelme软件对切片中的细胞核进行标注；
S2.训练网络：利用标注完的数据对基于Segformer的分割网络进行训练，Segformer由编码器和解码器组成；
S3.生成分割结果：用训练好的Segformer的分割网络对胃部病理切片进行分割，生成分割结果。
作为优选，所述编码器由4级Transformer Block构成，每个Transformer Block由1个可重叠的图像块嵌入层、1个高效自注意力层和1个混合前向层构成。
作为优选，所述可重叠的图像块嵌入层由带步长的卷积核构成，所述卷积核步长为4，padding为3的7×7卷积。
作为优选，所述高效自注意力层将输入分别经过3个不同的线性映射之后分别得到Q，K，V，将Q，K，V在通道上分为H组，记为H个头，分组之后计算得到H组注意力结果，将H组结果再进行通道上的拼接作为最后的注意力结果。
作为优选，K的线性映射采用下采样方法。
作为优选，所述混合前向层的数学表达式如下：
xout＝MLP(GELU(Conv3×3(MLP(xin))))+xin，
输入为Xin，先经过一个由线性层-GELU激活函数-线性层构成的MLP，再经过一个3×3的卷积和一个GELU激活函数，再经过一个线性层-GELU激活函数-线性层构成的MLP，之后与Xin相加作为最终的输出。
作为优选，所述解码器由一个上采样MLP和输出MLP构成，所述上采样MLP将来自4级Transformer Block输出的不同分辨率大小的特征图进行上采样，使他们具有相同的大小；所述输出MLP则将上采样之后的特征图进行融合生成最终的分割结果。
与现有技术相比，本发明具有如下有益效果：
本发明基于Segformer的分割网络可以对胃部病理切片细胞核进行分割，并生成细胞核分割结果，能够有效地帮助病理医生提取细胞核信息，对胃部等疾病进行有效诊断，进而为筛查胃部疾病及制定治疗方案提供帮助。
附图说明
图1为本发明Segformer的分割网络的结构示意图；
具体实施方式
下面结合对本发明专利的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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，都属于本发明保护的范围。
实施例
参阅附图1，基于Segformer的胃部病理切片细胞核分割方法，包括以下步骤：
S1.构建数据：扫描胃部病理切片，截取清晰部分，采用1abelme软件对切片中的细胞核进行标注；
S2.训练网络：利用标注完的数据对基于Segformer的分割网络进行训练，Segformer由编码器和解码器组成；
其中，所述编码器由4级Transformer Block构成，每个Transformer Block由1个可重叠的图像块嵌入层、1个高效自注意力层和1个混合前向层构成；所述可重叠的图像块嵌入层由带步长的卷积核构成，所述卷积核步长为4，padding为3的7×7卷积；所述高效自注意力层将输入分别经过3个不同的线性映射之后分别得到Q，K，V，将Q，K，V在通道上分为H组，记为H个头，分组之后计算(计算公式如下)得到H组注意力结果，将H组结果再进行通道上的拼接作为最后的注意力结果；K的线性映射采用下采样方法，缩小了K的维度，可以减少计算量，从而高效的实现自注意力机制；
Figure BDA0003532107840000041
所述混合前向层的数学表达式如下：
xout＝MLP(GELU(Conv3×3(MLP(xin))))+xin，
输入为Xin，先经过一个由线性层-GELU激活函数-线性层构成的MLP，再经过一个3×3的卷积和一个GELU激活函数，再经过一个线性层-GELU激活函数-线性层构成的MLP，之后与Xin相加作为最终的输出。
另外，所述解码器由一个上采样MLP和输出MLP构成，所述上采样MLP将来自4级Transformer Block输出的不同分辨率大小的特征图进行上采样，使他们具有相同的大小；所述输出MLP则将上采样之后的特征图进行融合生成最终的分割结果；
S3.生成分割结果：用训练好的Segformer的分割网络对胃部病理切片进行分割，生成分割结果。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (7)

1.基于Segformer的胃部病理切片细胞核分割方法，其特征在于，包括以下步骤：
S1.构建数据：扫描胃部病理切片，截取清晰部分，采用1abelme软件对切片中的细胞核进行标注；
S2.训练网络：利用标注完的数据对基于Segformer的分割网络进行训练，Segformer由编码器和解码器组成；
S3.生成分割结果：用训练好的Segformer的分割网络对胃部病理切片进行分割，生成分割结果。
2.根据权利要求1所述的基于Segformer的胃部病理切片细胞核分割方法，其特征在于，所述编码器由4级Transformer Block构成，每个Transformer Block由1个可重叠的图像块嵌入层、1个高效自注意力层和1个混合前向层构成。
3.根据权利要求2所述的基于Segformer的胃部病理切片细胞核分割方法，其特征在于，所述可重叠的图像块嵌入层由带步长的卷积核构成，所述卷积核步长为4，padding为3的7×7卷积。
4.根据权利要求2所述的基于Segformer的胃部病理切片细胞核分割方法，其特征在于，所述高效自注意力层将输入分别经过3个不同的线性映射之后分别得到Q，K，V，将Q，K，V在通道上分为H组，记为H个头，分组之后计算得到H组注意力结果，将H组结果再进行通道上的拼接作为最后的注意力结果。
5.根据权利要求4所述的基于Segformer的胃部病理切片细胞核分割方法，其特征在于，K的线性映射采用下采样方法。
6.根据权利要求2所述的基于Segformer的胃部病理切片细胞核分割方法，其特征在于，所述混合前向层的数学表达式如下：
xout＝MLP(GELU(Conv3×3(MLP(xin))))+xin，
输入为Xin，先经过一个由线性层-GELU激活函数-线性层构成的MLP，再经过一个3×3的卷积和一个GELU激活函数，再经过一个线性层-GELU激活函数-线性层构成的MLP，之后与Xin相加作为最终的输出。
7.根据权利要求1所述的基于Segformer的胃部病理切片细胞核分割方法，其特征在于，所述解码器由一个上采样MLP和输出MLP构成，所述上采样MLP将来自4级TransformerBlock输出的不同分辨率大小的特征图进行上采样，使他们具有相同的大小；所述输出MLP则将上采样之后的特征图进行融合生成最终的分割结果。
CN202210212389.0A 2022-03-04 2022-03-04 基于Segformer的胃部病理切片细胞核分割方法 Pending CN114581406A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210212389.0A CN114581406A (zh) 2022-03-04 2022-03-04 基于Segformer的胃部病理切片细胞核分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210212389.0A CN114581406A (zh) 2022-03-04 2022-03-04 基于Segformer的胃部病理切片细胞核分割方法

Publications (1)

Publication Number Publication Date
CN114581406A true CN114581406A (zh) 2022-06-03

Family

ID=81773891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210212389.0A Pending CN114581406A (zh) 2022-03-04 2022-03-04 基于Segformer的胃部病理切片细胞核分割方法

Country Status (1)

Country Link
CN (1) CN114581406A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051549A (zh) * 2023-03-29 2023-05-02 山东建筑大学 一种太阳能电池片缺陷分割方法、系统、介质及设备
CN116385725A (zh) * 2023-06-02 2023-07-04 杭州聚秀科技有限公司 眼底图像视盘视杯分割方法及装置、电子设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051549A (zh) * 2023-03-29 2023-05-02 山东建筑大学 一种太阳能电池片缺陷分割方法、系统、介质及设备
CN116051549B (zh) * 2023-03-29 2023-12-12 山东建筑大学 一种太阳能电池片缺陷分割方法、系统、介质及设备
CN116385725A (zh) * 2023-06-02 2023-07-04 杭州聚秀科技有限公司 眼底图像视盘视杯分割方法及装置、电子设备
CN116385725B (zh) * 2023-06-02 2023-09-08 杭州聚秀科技有限公司 眼底图像视盘视杯分割方法及装置、电子设备

Similar Documents

Publication Publication Date Title
CN110020989B (zh) 一种基于深度学习的深度图像超分辨率重建方法
CN111145170B (zh) 一种基于深度学习的医学影像分割方法
CN111145181B (zh) 基于多视角分离卷积神经网络的骨骼ct图像三维分割方法
CN114119977B (zh) 一种基于图卷积的Transformer胃癌癌变区域图像分割方法
CN114581406A (zh) 基于Segformer的胃部病理切片细胞核分割方法
CN115601549A (zh) 基于可变形卷积和自注意力模型的河湖遥感图像分割方法
CN110223304B (zh) 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质
CN113674253A (zh) 基于U-Transformer的直肠癌CT影像自动分割方法
CN112396607A (zh) 一种可变形卷积融合增强的街景图像语义分割方法
CN113034506B (zh) 遥感图像语义分割方法、装置、计算机设备和存储介质
CN117274608B (zh) 基于空间细节感知和注意力引导的遥感图像语义分割方法
CN116051549B (zh) 一种太阳能电池片缺陷分割方法、系统、介质及设备
CN115082293A (zh) 一种基于Swin Transformer和CNN双分支耦合的图像配准方法
CN111161271A (zh) 一种超声图像分割方法
CN113066025B (zh) 一种基于增量学习与特征、注意力传递的图像去雾方法
CN117078930A (zh) 基于边界感知和注意力机制的医学图像分割方法
CN118134952B (zh) 一种基于特征交互的医学图像分割方法
CN117058160B (zh) 基于自适应特征融合网络的三维医学图像分割方法及系统
CN114549555A (zh) 一种基于语义分割网络的人耳图像解刨学分割方法
JP2022552663A (ja) 三次元エッジ検出方法、装置、コンピュータプログラム及びコンピュータ機器
CN115908805A (zh) 基于卷积增强交叉自注意力变形器的u型图像分割网络
CN110599495B (zh) 一种基于语义信息挖掘的图像分割方法
CN114332122B (zh) 基于注意力机制分割并回归的细胞计数方法
CN110738661A (zh) 一种基于神经网络的口腔ct下颌神经管的分割方法
CN110458849B (zh) 一种基于特征修正的图像分割方法

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