CN117237371A - 基于实例感知扩散模型的结肠组织学图像腺体分割方法 - Google Patents
基于实例感知扩散模型的结肠组织学图像腺体分割方法 Download PDFInfo
- Publication number
- CN117237371A CN117237371A CN202311282053.2A CN202311282053A CN117237371A CN 117237371 A CN117237371 A CN 117237371A CN 202311282053 A CN202311282053 A CN 202311282053A CN 117237371 A CN117237371 A CN 117237371A
- Authority
- CN
- China
- Prior art keywords
- features
- image
- gland
- segmentation
- instance
- 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
Links
- 210000004907 gland Anatomy 0.000 title claims abstract description 86
- 230000011218 segmentation Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000009792 diffusion process Methods 0.000 title claims abstract description 68
- 210000001072 colon Anatomy 0.000 title claims abstract description 66
- 230000008447 perception Effects 0.000 title claims abstract description 24
- 230000000762 glandular Effects 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims description 17
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 230000000873 masking effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 18
- 238000012549 training Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 206010052360 Colorectal adenocarcinoma Diseases 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010009944 Colon cancer Diseases 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- 241000500121 Mirax Species 0.000 description 1
- 238000011166 aliquoting Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007490 hematoxylin and eosin (H&E) staining Methods 0.000 description 1
- 238000010562 histological examination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 201000003785 large intestine adenocarcinoma Diseases 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000004789 organ system Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于实例感知扩散模型的结肠组织学图像腺体分割方法，属于结肠组织学图像腺体分割技术领域。包括获取待分割结肠组织学图像；将待分割结肠组织学图像输入预设的实例感知扩散模型进行处理，以获取腺体分割结果；具体包括：将待分割结肠组织学图像分别输入训练好的图像编码器和FPN网络，获取原始图像特征和多尺度特征；将原始图像特征和高斯噪声融合，生成噪声图像特征，并将噪声图像特征和原始图像特征输入分割网络，获取预测的腺体实例特征并过滤；根据多尺度特征和过滤后的腺体实例特征，获取腺体实例分割结果。能够准确进行目标检测，显示出更好的分割细节，解决目标位置识别不够精确和对背景组织错误分类的问题。
Description
技术领域
本发明涉及结肠组织学图像腺体分割技术领域，特别是涉及一种基于实例感知扩散模型的结肠组织学图像腺体分割方法。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
结直肠癌是一种在世界范围内普遍存在的癌症，它主要表现为结肠直肠腺癌，发展于结肠或直肠的内层，通过腺体结构的形成来识别，这些腺体在各种器官系统的蛋白质和碳水化合物分泌中起着至关重要的作用。为了评价结直肠腺癌的分化，病理学家通常使用苏木精和伊红染色进行腺体组织学检查。腺体形成的程度是病理学家用来判断肿瘤分级或分化程度的一个重要因素，在组织学图像上准确地分割腺体是评价腺体形态和判断大肠腺癌恶性程度的重要依据。
腺体的准确分割不仅在结肠直肠腺体的病理组织学切片上很重要，在其他器官如前列腺的组织学切片上也很重要。人工注释腺体实例是一个耗时的过程，需要高度的专业知识和奉献精神。因此，自动化的腺体分割方法在临床实践中具有重要意义。
自动图像分割已经成为几种基于深度学习的技术的主题，这些方法包括U-Net、FCN、Siamese Network及其变体等分割网络；这项工作的另一种方法是两阶段的实例分割方法，其中包括Mask RCNN和BlendMask等方法，这些技术主要是以顺序的方式集成用于目标检测和分割的两个子网络。然而，这些方法在捕捉具有不同形状的细胞位置和区分非常接近的腺体边界方面可能会遇到挑战。
近年来，扩散模型作为生成模型的一个高度可推广的范畴而受到了广泛的关注，与GAN网络相比，它已经证明了良好的生成能力。此外，扩散模型也被用于其他各种任务，在目标检测任务中，目标检测被看作是图像中包围盒空间内的生成任务，从而有针对性地解决遮挡检测问题。另外，一些研究已经研究了在医学图像分割中使用扩散模型的可行性，但现有的扩散模型进行医学图像分割都是一步分割，由扩散模型直接输出分割结果，在这个过程中没有具体到腺体的位置，一直在重建全局掩码，容易造成错误。
此外，结肠组织学图像主要存在腺体形态多样且不规则，边界模糊，染色不均匀等特点，导致图像分割难以精确的切分边缘位置。
发明内容
为了解决现有技术的不足，本发明提供了一种基于实例感知扩散模型的结肠组织学图像腺体分割方法、系统、电子设备和计算机可读存储介质，能够准确地识别目标位置和防止背景组织的错误分类。
第一方面，本发明提供了一种基于实例感知扩散模型的结肠组织学图像腺体分割方法；
一种基于实例感知扩散模型的结肠组织学图像腺体分割方法，包括：
获取待分割结肠组织学图像；
将待分割结肠组织学图像输入训练好的实例感知扩散模型进行处理，以获取腺体分割结果；具体包括：
将待分割结肠组织学图像分别输入训练好的图像编码器和FPN网络，获取原始图像特征和多尺度特征；
将原始图像特征和高斯噪声融合，生成噪声图像特征，并将噪声图像特征和原始图像特征输入分割网络，获取预测的腺体实例特征并过滤；
根据多尺度特征和过滤后的腺体实例特征，获取腺体实例分割结果。
进一步的，所述将原始图像特征和高斯噪声融合，生成噪声图像特征具体为：
随机生成高斯噪声，基于原始图像特征，生成多个噪声框。
进一步的，所述根据过滤后的腺体实例特征和多尺度特征，获取腺体实例分割结果具体为：
将多尺度特征和过滤后的腺体实例特征输入实例分割模型，获取每个腺体实例的边界框和掩码。
优选的，所述实例分割模型为掩码头网络。
进一步的，将噪声图像和原始图像特征输入分割网络，获取预测的腺体实例特征包括：
对噪声图像特征和原始图像特征进行相关运算，获取融合提取特征；
将融合提取特征输入至图像解码器进行处理，获取预测的腺体实例特征；
其中，所述图像解码器基于扩散模型构建。
优选的，所述将融合提取特征输入至图像解码器进行处理包括：
通过马尔科夫链对融合提取特征进行反向扩散，将融合提取特征转化为腺体实例特征。
进一步的，将预测的腺体实例特征输入实例感知过滤器进行过滤。
第二方面，本发明提供了一种基于实例感知扩散模型的结肠组织学图像腺体分割系统；
一种基于实例感知扩散模型的结肠组织学图像腺体分割系统，包括：
获取模块，被配置为：获取待分割结肠组织学图像；
结肠组织学图像腺体分割模块，被配置为：将待分割结肠组织学图像输入训练好的实例感知扩散模型进行处理，以获取腺体分割结果；具体包括：
将待分割结肠组织学图像分别输入训练好的图像编码器和FPN网络，获取原始图像特征和多尺度特征；
将原始图像特征和高斯噪声融合，生成噪声图像特征，并将噪声图像特征和原始图像特征输入分割网络，获取预测的腺体实例特征并过滤；
根据过滤后的腺体实例特征和多尺度特征，获取腺体实例分割结果。
第三方面，本发明提供了一种电子设备；
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述基于实例感知扩散模型的结肠组织学图像腺体分割方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质；
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述基于实例感知扩散模型的结肠组织学图像腺体分割方法的步骤。
与现有技术相比，本发明的有益效果是：
1、本发明提供的技术方案，针对现有技术中已训练的网络存在对目标位置识别不够精确和对背景组织错误分类的问题，提出了基于实例感知扩散模型的结肠组织学图像腺体分割方法，将扩散模型引入了腺体分割，并提出了包含实例感知过滤器，Mask FCN Head和条件编码的分割网络，以准确地识别目标位置和防止背景组织的错误分类。
2、本发明提供的技术方案，使用扩散模型将结肠组织学图像中腺体实例分割的过程建模为去噪过程，是结肠组织学图像腺体分割的一种新方法，将割过程视为生成噪声到滤波器的扩散过程；为了增强分割过程，采用实例感知技术，旨在恢复去噪过程中可能丢失的细节，具体来说，利用过滤器和多尺度掩模分支来构造全局掩模并细化分割的更精细的细节。为了增强目标和背景之间的区别，采用条件编码来通过原始图像编码来增强中间特征。这种方法有效地融合了原始图像的丰富信息，从而提高了感兴趣对象与周围背景之间的区别。并在2015年MICCAI腺体分割(GlaS)挑战数据集、结直肠腺癌腺(CRAG)数据集上进行了训练和测试,实验结果证明了该方法的有效性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例提供的流程示意图；
图2为本发明实施例提供的扩散模型运行示意图；
图3为本发明实施例提供的结肠组织学图像数据集示例图；
图4为本发明实施例提供的最终结果示例图；
图5为本发明实施例提供的另一最终结果示例图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
现有技术中的医学图像分割技术在对结肠组织学图像进行腺体分割时，目标位置识别不够精确，且对背景组织容易错位分类，导致腺体分割准确率低；因此，本发明提供了一种基于实例感知扩散模型的结肠组织学图像腺体分割方法。
接下来，结合图1-图5对本实施例公开的一种基于实例感知扩散模型的结肠组织学图像腺体分割方法进行详细说明。该基于实例感知扩散模型的结肠组织学图像腺体分割方法，包括如下步骤：
S1、获取待分割结肠组织学图像。
S2、将待分割结肠组织学图像输入预设的实例感知扩散模型进行处理，以获取腺体分割结果。具体步骤包括：
S201、将待分割结肠组织学图像分别输入训练好的图像编码器和FPN网络，获取原始图像特征和多尺度特征。其中，图像编码器为ResNet网络，包括依次连接的五层卷积网络
进一步的，将待分割结肠组织学图像分别输入训练好的ResNet网络，依次输入五层网络，获取最后一层网络的输出作为原始图像特征FR。FPN网络提取ResNet网络中的二、三、四、五层卷积网络输出的图像特征进行融合，得到多尺度特征。
S202、将原始图像特征和高斯噪声融合，生成噪声图像特征，并将噪声图像和原始图像特征输入分割网络，获取预测的腺体实例特征并过滤。
具体的，生成噪声图像特征的具体流程为随机生成高斯噪声，基于原始图像特征，生成多个噪声框，作为噪声图像特征bt。
示例性的，对将噪声图像和原始图像特征输入分割网络，获取预测的腺体实例特征并过滤的过程进行进一步说明：
(1)将噪声图像特征bt和原始图像特征FR进行相关运算，得到融合提取特征，以补足在扩散过程丢失的信息，融合提取特征表示为：
F＝Concat(bt,FR)
其中，F表示融合提取特征，bt为噪声图像特征，FR为原始图像特征。
(2)将融合提取特征输入基于扩散模型的图像解码器，获取预测的腺体实例特征，腺体实例特征表示为：
ft＝D(Concat(E(F),FR),t)
其中，t表示当前时间，E表示编码器，D表示解码器，ft表示扩散模型的输出特征，即预测的腺体实例特征。
(3)将上述特征输入实例感知过滤器，进行信息过滤之后，得到最终预测的腺体实例特征，表示为：
其中，IAF表示实例感知过滤器，表示当前时间的最终预测实例特征。
进一步的，如图1所示，其中的Image表示原始图像，Ground Truth表示真实值标注，Image Encoder表示图像编码器，Image Decoder表示图像解码器，Diffusion Model表示扩散模型，Conditional Encoding表示条件编码，Mask Branch表示掩码分支，InstanceAware Filters表示实例感知过滤器，Gaussian Noise表示高斯噪声。
图像解码器基于扩散模型构建，扩散模型通常使用两个马尔可夫链，分为两个阶段：前向扩散阶段和后向扩散阶段。扩散模型主要在训练数据上用T步时间步长进行训练，扩散模型的组成部分是一个被称为pθ(zt-1|zt)的学习反向过程，它通过将噪声从q(z0)转换成样本来创建样本，以及一个被称为q(zt|zt-1)的前向扩散过程，它逐渐将来自某个目标分布的数据破坏成正态分布。在前向扩散阶段，高斯噪声逐渐加入到输入图像中，直到图像完全被破坏，成为具有高斯分布的完全噪声图像。由于前向过程是一个非齐次马尔可夫链，可以用一步跃迁密度来模拟其动力学：
本实施例中的图像解码器是基于扩散模型的，利用反向扩散过程，可以看作是一个噪声到Ground Truth的去噪采样过程。使用一组从高斯分布中采样的随机盒作为输入，从图像编码器生成的特征映射中裁剪ROI特征。在这个过程中，数据样本由一组包围盒组成。
示例性的，在扩散过程中将获得的特征使用条件编码输入，用于补充在扩散过程中丢失的部分信息；将融合特征输入至训练好的扩散模型，获得预测得出的腺体实例特征。
融合提取特征为噪声图像特征，扩散模型神经网络从融合提取特征bt中预测出腺体实例特征b0，b0为Ground Truth，去噪过程如下所示：
S203、根据多尺度特征和过滤后的腺体实例特征，获取腺体实例分割结果。
具体的，将最终预测的腺体实例特征和多尺度特征Fmask输入Mask FCN Head(掩码头网络)中，得到每个实例的边界框和掩码，表示为：
其中，s为最终输出的腺体分割结果，即最终输出的腺体实例特征，包括腺体实例边界框和掩码。
进一步的，在一些实施例中，在本方法应用之前，利用现有数据集通过上述逻辑对实例感知模型进行训练，训练过程具体为：训练所提出的网络的目标是根据扩散模型的生成推理过程准确判断实例位置，训练过程遵循标准扩散模型的训练过程。
训练时，噪声图像特征的获取流程如下：
(1)根据原始图像特征，获取结肠组织学图像对应的基准真实值；根据基准真实值，获取其中的腺体实例的边界框和掩码。
(2)通过高斯噪声，生成多个噪声框与基准真实值中腺体实例的边界框进行融合，得到近似于噪声的噪声框，以模拟现实世界的噪声。
与训练确定的扩散模型不同的是，本实施例中所提出的网络模型需要进一步建立一个有效获得实例信息的实例感知过滤器和Mask FCN Head。
接下来，为了进一步验证本实施例所述方法的有效性，使用Glas和CRAG的数据集进行测试，并与这个数据集上的其他最新方法进行比较。
使用GlaS Challenge中的三个指标来评估分割结果：
(1)Object F1，它衡量检测单个腺体的准确性。
(2)Object Dice，它评估腺体分割的基于体积的准确性。
(3)Object Hausdorff，它评估分割结果与地面真相之间的形状相似性。
根据这些指标为每个方法分配了三个排名号，并计算它们的总和来确定每个方法整体性能的最终排名。
GlaS数据集共有165幅图像，其中85幅图像用于训练，80幅图像用于测试。测试集进一步分为测试A(60幅图像)和测试B(20幅图像)。GlaS数据集中的每个图像都有775×522像素的尺寸，并伴随着精确突出腺体边界的实例分割Ground Truth以及精确的腔注记。该数据集来自16幅H&E染色的全幻灯片图像(WSIS)，使用Mirax MIDI幻灯片扫描仪以20倍的像素分辨率扫描。CRAG数据集共有213幅图像，其中173幅用于训练，40幅用于测试。CRAG数据集中的每个图像具有1512×1512像素的维度，并包括实例级的地面真值注释。该数据集是由38个H&E染色的WSIS用VL120扫描仪在20倍像素分辨率下扫描得到的。
所有实验均在配备i5四核2.59GHz CPU，8GB RAM和GTX 1070GPU的PC上进行。
将GlaS数据集上的实验结果在表1中表示，CRAG数据集上的实验结果在表2中表示，并且与其他最新方法的结果进行了比较。
表1在GlaS数据集上的结果
表2在CRAG数据集上的结果
具体而言，本实施例将扩散模型引入了腺体分割，并提出了包含实例感知过滤器、Mask FCN Head和条件编码的分割网络。首先，通过引入扩散模型和实例感知过滤器，实现一种新型的结肠组织学图像腺体分割方法。在ResNet网络和FPN网络中，获得原始特征和多尺度特征，并将原始特征和高斯噪声生成的噪声框进行融合；之后，特征进入扩散模型进行腺体实例预测，实现准确的结肠组织学图像腺体分割。
实施例二
本实施例公开了一种基于实例感知扩散模型的结肠组织学图像腺体分割系统，包括：
获取模块，被配置为：获取待分割结肠组织学图像；
结肠组织学图像腺体分割模块，被配置为：将待分割结肠组织学图像输入预设的实例感知扩散模型进行处理，以获取腺体分割结果；具体包括：
将待分割结肠组织学图像分别输入训练好的图像编码器和FPN网络，获取原始图像特征和多尺度特征；
将原始图像特征和高斯噪声融合，生成噪声图像特征，并将噪声图像特征和原始图像特征输入分割网络，获取预测的腺体实例特征并过滤；
根据过滤后的腺体实例特征和多尺度特征，获取腺体实例分割结果。
此处需要说明的是，上述获取模块和结肠组织学图像腺体分割模块对应于实施例一中的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本发明实施例三提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，计算机指令被处理器运行时，完成上述基于实例感知扩散模型的结肠组织学图像腺体分割方法的步骤。
实施例四
本发明实施例四提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述基于实例感知扩散模型的结肠组织学图像腺体分割方法的步骤。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于实例感知扩散模型的结肠组织学图像腺体分割方法，其特征在于，包括：
获取待分割结肠组织学图像；
将待分割结肠组织学图像输入训练好的实例感知扩散模型进行处理，以获取腺体分割结果；具体包括：
将待分割结肠组织学图像分别输入训练好的ResNet网络和FPN网络，获取原始图像特征和多尺度特征；
将原始图像特征和高斯噪声融合，生成噪声图像特征，并将噪声图像特征和原始图像特征输入分割网络，获取预测的腺体实例特征并过滤；
根据多尺度特征和过滤后的腺体实例特征，获取腺体实例分割结果。
2.如权利要求1所述的基于实例感知扩散模型的结肠组织学图像腺体分割方法，其特征在于，所述将原始图像特征和高斯噪声融合，生成噪声图像特征具体为：
随机生成高斯噪声，基于原始图像特征，生成多个噪声框。
3.如权利要求1所述的基于实例感知扩散模型的结肠组织学图像腺体分割方法，其特征在于，所述根据过滤后的腺体实例特征和多尺度特征，获取腺体实例分割结果具体为：
将多尺度特征和过滤后的腺体实例特征输入实例分割模型，获取每个腺体实例的边界框和掩码。
4.如权利要求3所述的基于实例感知扩散模型的结肠组织学图像腺体分割方法，其特征在于，所述实例分割模型为掩码头网络。
5.如权利要求1所述的基于实例感知扩散模型的结肠组织学图像腺体分割方法，其特征在于，将噪声图像和原始图像特征输入分割网络，获取预测的腺体实例特征包括：
对噪声图像特征和原始图像特征进行相关运算，获取融合提取特征；
将融合提取特征输入至图像解码器进行处理，获取预测的腺体实例特征；
其中，所述图像解码器基于扩散模型构建。
6.如权利要求5所述的基于实例感知扩散模型的结肠组织学图像腺体分割方法，其特征在于，所述将融合提取特征输入至图像解码器进行处理包括：
通过马尔科夫链对融合提取特征进行反向扩散，将融合提取特征转化为腺体实例特征。
7.如权利要求1所述的基于实例感知扩散模型的结肠组织学图像腺体分割方法，其特征在于，将预测的腺体实例特征输入实例感知过滤器进行过滤。
8.基于实例感知扩散模型的结肠组织学图像腺体分割系统，其特征在于，包括：
获取模块，被配置为：获取待分割结肠组织学图像；
结肠组织学图像腺体分割模块，被配置为：将待分割结肠组织学图像输入预设的实例感知扩散模型进行处理，以获取腺体分割结果；具体包括：
将待分割结肠组织学图像分别输入训练好的图像解码器和FPN网络，获取原始图像特征和多尺度特征；
将原始图像特征和高斯噪声融合，生成噪声图像特征，并将噪声图像特征和原始图像特征输入分割网络，获取预测的腺体实例特征并过滤；
根据过滤后的腺体实例特征和多尺度特征，获取腺体实例分割结果。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的基于实例感知扩散模型的结肠组织学图像腺体分割方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的基于实例感知扩散模型的结肠组织学图像腺体分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311282053.2A CN117237371A (zh) | 2023-09-28 | 2023-09-28 | 基于实例感知扩散模型的结肠组织学图像腺体分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311282053.2A CN117237371A (zh) | 2023-09-28 | 2023-09-28 | 基于实例感知扩散模型的结肠组织学图像腺体分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117237371A true CN117237371A (zh) | 2023-12-15 |
Family
ID=89098190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311282053.2A Pending CN117237371A (zh) | 2023-09-28 | 2023-09-28 | 基于实例感知扩散模型的结肠组织学图像腺体分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237371A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422732A (zh) * | 2023-12-18 | 2024-01-19 | 湖南自兴智慧医疗科技有限公司 | 病理学图像分割方法及装置 |
-
2023
- 2023-09-28 CN CN202311282053.2A patent/CN117237371A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422732A (zh) * | 2023-12-18 | 2024-01-19 | 湖南自兴智慧医疗科技有限公司 | 病理学图像分割方法及装置 |
| CN117422732B (zh) * | 2023-12-18 | 2024-02-23 | 湖南自兴智慧医疗科技有限公司 | 病理学图像分割方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11276162B2 (en) | Surface defect identification method and apparatus | |
| US20230023585A1 (en) | Artificial intelligence-based image processing method and apparatus, computer device and storage medium | |
| CN112150428B (zh) | 一种基于深度学习的医学图像分割方法 | |
| CN111696094B (zh) | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 | |
| CN110852316B (zh) | 一种采用密集结构卷积网络的图像篡改检测和定位方法 | |
| CN110084150B (zh) | 一种基于深度学习的白细胞自动分类方法及系统 | |
| CN110008962B (zh) | 基于注意力机制的弱监督语义分割方法 | |
| CN111402267B (zh) | 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端 | |
| CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| CN111598875A (zh) | 甲状腺结节自动检测模型构建方法、系统及装置 | |
| CN109344864B (zh) | 用于密集物体的图像处理方法及装置 | |
| CN117237371A (zh) | 基于实例感知扩散模型的结肠组织学图像腺体分割方法 | |
| CN112419295A (zh) | 医学图像处理方法、装置、计算机设备和存储介质 | |
| CN111784711A (zh) | 一种基于深度学习的肺部病理图像分类与分割方法 | |
| CN111067522A (zh) | 大脑成瘾结构图谱评估方法及装置 | |
| CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
| KR101590483B1 (ko) | 형태학적 연산을 이용한 이미지 분할 처리방법 | |
| CN111950544A (zh) | 一种确定病理图像中感兴趣区域的方法及装置 | |
| CN113177554B (zh) | 甲状腺结节识别与分割方法、系统、存储介质及设备 | |
| CN112819834B (zh) | 基于人工智能的胃部病理图像的分类方法和装置 | |
| CN111951271B (zh) | 一种识别病理图像中癌细胞的方法及装置 | |
| CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| CN116596895A (zh) | 一种变电设备图像缺陷识别方法及系统 | |
| CN112634266B (zh) | 喉镜图像的半自动标注方法、介质、设备及装置 | |
| CN113408356A (zh) | 基于深度学习的行人重识别方法、装置、设备及存储介质 |
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 |