CN117496292A - 一种细胞核分割的弱监督标签的生成方法 - Google Patents

一种细胞核分割的弱监督标签的生成方法 Download PDF

Info

Publication number
CN117496292A
CN117496292A CN202311233646.XA CN202311233646A CN117496292A CN 117496292 A CN117496292 A CN 117496292A CN 202311233646 A CN202311233646 A CN 202311233646A CN 117496292 A CN117496292 A CN 117496292A
Authority
CN
China
Prior art keywords
point
cell nucleus
label
nucleus
pixels
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
CN202311233646.XA
Other languages
English (en)
Inventor
陈小辉
阮启胜
陈凌俊
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.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202311233646.XA priority Critical patent/CN117496292A/zh
Publication of CN117496292A publication Critical patent/CN117496292A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
    • 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
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种细胞核分割的弱监督标签的生成方法，本方法首先生成点标签，通过选取现有细胞核标签的中心像素来模拟人工标注细胞核点标签；然后获取每个点与其邻居点的距离信息；最后构建算法生成细胞核弱监督标签；本方案利用现有细胞核标签来生成细胞核的点标签，然后获取每个点与其邻居点的距离信息，接着构建一套算法流程来生成细胞核弱监督标签，在极大降低计算成本的的情况下，为细胞核分割的弱监督学习提供了标签，与当前细胞核弱监督标签的生成方法相比，极大的降低了计算量，且不需要设置超参数，简化了标签生成的流程。

Description

一种细胞核分割的弱监督标签的生成方法
技术领域
本发明属于细胞核图像处理技术领域，特别涉及一种细胞核分割的弱监督标签的生成方法。
背景技术
随着计算机视觉和医学图像处理技术的发展，深度学习方法在细胞核分割任务已经取得了良好的结果。然而，深度学习方法通常需要大量像素级标签数据进行训练，同时由于细胞核图像数据具有超高像素，一张细胞核图像中可能有成千上万的细胞核，标记大规模数据集是一项非常耗时繁琐且容易出错的任务。像素级细胞核标签的获取已经严重限制了模型获得更高的准确性和更好的泛化能力。弱监督学习是通过利用较少的或不完全的监督信息来进行模型训练的方法。因此，研究者们开始将弱监督学习方法应用到细胞核分割中，其中，如何生成细胞核弱监督标签是一个重要的环节。
目前，有几种常见的细胞核弱监督标签生成方案，例如图像级标签、区域标签、点标签。图像级标签用于表示整个图像中是否存在细胞核，这种方法不提供细胞核的具体位置信息，仅用于判断图像级的二分类任务。区域标签提供了关于细胞核所在区域的整体形状和范围信息，而不需要像素级别的标注，但是并不提供细胞核内部的像素级别分割信息，模型可能在区域内部的像素边界上产生不准确的预测。点标签提供了细胞核的点标注，只需要标记细胞核中心的一个像素点，这种方法可以用于生成细胞核的中心点分布,一般点标签用于细胞核检测任务，因为点标签只包含了细胞核的位置信息，但是研究者可以很方便得利用点标签生成信息更丰富的弱监督标签来进行细胞核分割。有研究者在细胞核分割中利用点标签生成了voronoi标签和聚类标签。voronoi标签中包含了代表细胞核的点以及细胞核边界的边，用于分离出细胞核，聚类标签包含了细胞核像素的形状信息，二者结合之后提供了更多的监督信息，但是voronoi标签中的细胞核边界误差较大，聚类标签对聚类算法的参数设置要求较为严苛，花费大量计算时间的同时难以生成较好的聚类效果。因此，需要设计一种细胞核分割的弱监督标签的生成方法来解决上述问题。故本专利在点标签的基础上，利用三角剖分技术生成三角网格，然后构建一个算法来生成细胞核弱监督标签，相对于voronoi标签，提供了更有效的细胞核像素信息和细胞核边界信息，相对于聚类标签，无需关注算法参数的设置，计算成本大大降低。
发明内容
本发明所要解决的技术问题是提供一种细胞核分割的弱监督标签的生成方法，该方法旨在利用现有细胞核标签来生成细胞核的点标签，然后获取每个点与其邻居点的距离信息，接着构建一套算法流程来生成细胞核弱监督标签，在极大降低计算成本的的情况下，为细胞核分割的弱监督学习提供了标签。
为实现上述技术效果，本发明所采用的技术方案是：
一种细胞核分割的弱监督标签的生成方法，包括以下步骤：
S1，生成点标签：通过选取现有细胞核标签的中心像素来模拟人工标注细胞核点标签；
S2，获取每个点与其邻居点的距离信息；
S3，构建算法生成细胞核弱监督标签。
优选地，步骤S1中的具体方法如下：
S101，读取现有细胞核标签，用矩形框将每一个细胞核框住；
S102，分别计算该细胞核所在矩形框的最小行坐标、最大行坐标、最小列坐标和最大列坐标，从而确定每个细胞核的矩形框位置信息，然后通过下述公式依次获取细胞核矩形框中心点像素的位置(x，y)，并将其像素值设置为255，构建细胞核点标签：
式中变量分别为最小行坐标rmin、最大行坐标rmax、最小列坐标cmin和最大列坐标cmax。
优选地，步骤S2的具体方法如下：
S201，使用三角剖分技术获取邻居点：
首先构建一个超级三角形来容纳所有的点，然后逐点插入到三角剖分中，最后删除超级三角形；
S202，对于每个插入的点P(xp,yp)，确定点P所在的三角形ABC，然后将该三角形与插入点连接形成新的三角形；
S203，保证任意两个相邻的三角形的外接圆不相交，即剖分中不应存在任何一个点位于三角形外接圆内部，当点P位于三角形ABC的外接圆内部，则符合公式(xp-xo)2+(yp-yo)2＜R2，其中(xo,yo)是三角形ABC的外接圆圆心坐标，R是外接圆的半径；
S204，若点P位于三角形ABC外接圆的内部，须进行局部修正。
优选地，步骤S3的具体方法如下：
S301，计算每个顶点与其邻居点的最小欧氏距离：通过遍历每个顶点，即遍历点标签中的点集，可以获取当前点P(xp,yp)的邻居点Q(xq,yq)的索引，从而计算P(xp,yp)与Q(xq,yq)之间的欧氏距离d,并记录最短欧式距离的值dmin，其中：
S302，需要统计细胞核的半径范围。根据已有的细胞核数据集，分别统计出细胞核的最小半径rmin，细胞核的平均半径ravg，细胞核的最大半径rmax；
S303，生成弱监督标签的前景信息：
再次遍历点标签中的点集，获取上一步中点P(xp,yp)所求得的最短欧式距离dmin。如果dmin小于细胞核的平均半径ravg,则说明当前点所代表的细胞核面积较小但与相邻细胞核未发生重叠或只是与相邻细胞核发生了重叠，为了能够分离两个细胞核，以点P(xp,yp)为圆心，以dmin的二分之一作为半径作圆，将圆内的像素视为细胞核前景像素；如果dmin大于细胞核的平均半径ravg,则说明当前点所代表的细胞核在其半径ravg的范围内极有可能是细胞核像素，故以点P(xp,yp)为圆心，以细胞核的平均半径ravg为半径作圆，将圆内的像素视为细胞核前景像素；
S304，生成弱监督标签的背景信息：
以点P(xp,yp)为圆心，以细胞核的最大半径rmax作圆，将S303中得到的细胞核平均半径ravg记录为r，则可以得知，处于r到rmax之间的像素无法得知属于前景细胞核像素还是背景像素，在训练过程中忽略这部分像素的损失计算。
本发明的有益效果为：
1，本方案与当前细胞核弱监督标签的生成方法相比，极大的降低了计算量；
2，本方案不需要设置超参数，简化了标签生成的流程。
附图说明
图1为本发明的算法流程示意图；
图2为本发明中的现有的细胞核标签示意图；
图3为本发明中生成的点标签示意图；
图4为本发明实施例中每个点的邻居点展示图示意图；
图5为本发明实施例中细胞核弱监督标签效果图示意图；
图6为本发明实施例中融合了邻居点展示图和细胞核弱监督标签的效果图示意图。
具体实施方式
实施例一：
如图1所示，一种细胞核分割的弱监督标签的生成方法，包括以下步骤：
S1，生成点标签：通过选取现有细胞核标签的中心像素来模拟人工标注细胞核点标签；
S2，获取每个点与其邻居点的距离信息；
S3，构建算法生成细胞核弱监督标签。
优选地，步骤S1中的具体方法如下：
S101，读取现有细胞核标签，用矩形框将每一个细胞核框住；
S102，分别计算该细胞核所在矩形框的最小行坐标、最大行坐标、最小列坐标和最大列坐标，从而确定每个细胞核的矩形框位置信息，然后通过下述公式依次获取细胞核矩形框中心点像素的位置(x，y)，并将其像素值设置为255，构建细胞核点标签：
式中变量分别为最小行坐标rmin、最大行坐标rmax、最小列坐标cmin和最大列坐标cmax。
优选地，步骤S2的具体方法如下：
S201，使用三角剖分技术获取邻居点：
首先构建一个超级三角形来容纳所有的点，然后逐点插入到三角剖分中，最后删除超级三角形；
S202，对于每个插入的点P(xp,yp)，确定点P所在的三角形ABC，然后将该三角形与插入点连接形成新的三角形；
S203，保证任意两个相邻的三角形的外接圆不相交，即剖分中不应存在任何一个点位于三角形外接圆内部，当点P位于三角形ABC的外接圆内部，则符合公式(xp-xo)2+(yp-yo)2＜R2，其中(xo,yo)是三角形ABC的外接圆圆心坐标，R是外接圆的半径；
S204，若点P位于三角形ABC外接圆的内部，须进行局部修正。
优选地，步骤S3的具体方法如下：
S301，计算每个顶点与其邻居点的最小欧氏距离：通过遍历每个顶点，即遍历点标签中的点集，可以获取当前点P(xp,yp)的邻居点Q(xq,yq)的索引，从而计算P(xp,yp)与Q(xq,yq)之间的欧氏距离d,并记录最短欧式距离的值dmin，其中：
S302，需要统计细胞核的半径范围。根据已有的细胞核数据集，分别统计出细胞核的最小半径rmin，细胞核的平均半径ravg，细胞核的最大半径rmax；
S303，生成弱监督标签的前景信息：
再次遍历点标签中的点集，获取上一步中点P(xp,yp)所求得的最短欧式距离dmin。如果dmin小于细胞核的平均半径ravg,则说明当前点所代表的细胞核面积较小但与相邻细胞核未发生重叠或只是与相邻细胞核发生了重叠，为了能够分离两个细胞核，以点P(xp,yp)为圆心，以dmin的二分之一作为半径作圆，将圆内的像素视为细胞核前景像素；如果dmin大于细胞核的平均半径ravg,则说明当前点所代表的细胞核在其半径ravg的范围内极有可能是细胞核像素，故以点P(xp,yp)为圆心，以细胞核的平均半径ravg为半径作圆，将圆内的像素视为细胞核前景像素；
S304，生成弱监督标签的背景信息：
以点P(xp,yp)为圆心，以细胞核的最大半径rmax作圆，将S303中得到的细胞核平均半径ravg记录为r，则可以得知，处于r到rmax之间的像素无法得知属于前景细胞核像素还是背景像素，在训练过程中忽略这部分像素的损失计算。
实施例二：
如图2所示，左侧为细胞核图片，右侧为标签；标签中的白色像素存储了细胞核信息，而这些标签只适用于全监督学习，缺少用于弱监督学习的弱监督标签，为此，通过选取现有细胞核标签的中心像素来模拟人工标注细胞核点标签；通过步骤S1的方法模拟人工标注细胞核点标签，生成的点标签如图3所示，由于每个点只有一个像素，原图中无法显示该像素信息，因此对图片做了截取放大展示。
如图4所示，通过三角形的边将代表细胞核的点的所有邻居点连接了起来，从而得知每个点与其邻居点的距离信息，在此基础上，可以通过细胞核半径范围的先验知识来生成细胞核分割的弱监督标签。
如图5所示，步骤S304中，处于r到rmax之间的像素无法得知属于前景细胞核像素还是背景像素，故在训练过程中应该忽略这部分像素的损失计算；如图5中的黑色部分，剩余的像素极有可能为背景像素，如图5中红色部分。
如图6所示，图6展示了标签是基于邻居点所生成的。
上述的实施例仅为本发明专利的优选技术方案，而不应视为对于本发明专利的限制，本申请中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明专利的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明专利的保护范围之内。

Claims (4)

1.一种细胞核分割的弱监督标签的生成方法，其特征在于：包括以下步骤：
S1，生成点标签：通过选取现有细胞核标签的中心像素来模拟人工标注细胞核点标签；
S2，获取每个点与其邻居点的距离信息；
S3，构建算法生成细胞核弱监督标签。
2.根据权利要求1所述的一种细胞核分割的弱监督标签的生成方法，其特征在于：步骤S1中的具体方法如下：
S101，读取现有细胞核标签，用矩形框将每一个细胞核框住；
S102，分别计算该细胞核所在矩形框的最小行坐标、最大行坐标、最小列坐标和最大列坐标，从而确定每个细胞核的矩形框位置信息，然后通过下述公式依次获取细胞核矩形框中心点像素的位置(x，y)，并将其像素值设置为255，构建细胞核点标签：
式中变量分别为最小行坐标rmin、最大行坐标rmax、最小列坐标cmin和最大列坐标cmax。
3.根据权利要求1所述的一种细胞核分割的弱监督标签的生成方法，其特征在于：步骤S2的具体方法如下：
S201，使用三角剖分技术获取邻居点：
首先构建一个超级三角形来容纳所有的点，然后逐点插入到三角剖分中，最后删除超级三角形；
S202，对于每个插入的点P(xp,yp)，确定点P所在的三角形ABC，然后将该三角形与插入点连接形成新的三角形；
S203，保证任意两个相邻的三角形的外接圆不相交，即剖分中不应存在任何一个点位于三角形外接圆内部，当点P位于三角形ABC的外接圆内部，则符合公式(xp-xo)2+(yp-yo)2＜R2，其中(xo,yo)是三角形ABC的外接圆圆心坐标，R是外接圆的半径；
S204，若点P位于三角形ABC外接圆的内部，须进行局部修正。
4.根据权利要求1所述的一种细胞核分割的弱监督标签的生成方法，其特征在于：步骤S3的具体方法如下：
S301，计算每个顶点与其邻居点的最小欧氏距离：通过遍历每个顶点，即遍历点标签中的点集，可以获取当前点P(xp,yp)的邻居点Q(xq,yq)的索引，从而计算P(xp,yp)与Q(xq,yq)之间的欧氏距离d,并记录最短欧式距离的值dmin，其中：
S302，需要统计细胞核的半径范围。根据已有的细胞核数据集，分别统计出细胞核的最小半径rmin，细胞核的平均半径ravg，细胞核的最大半径rmax；
S303，生成弱监督标签的前景信息：
再次遍历点标签中的点集，获取上一步中点P(xp,yp)所求得的最短欧式距离dmin。如果dmin小于细胞核的平均半径ravg,则说明当前点所代表的细胞核面积较小但与相邻细胞核未发生重叠或只是与相邻细胞核发生了重叠，为了能够分离两个细胞核，以点P(xp,yp)为圆心，以dmin的二分之一作为半径作圆，将圆内的像素视为细胞核前景像素；如果dmin大于细胞核的平均半径ravg,则说明当前点所代表的细胞核在其半径ravg的范围内极有可能是细胞核像素，故以点P(xp,yp)为圆心，以细胞核的平均半径ravg为半径作圆，将圆内的像素视为细胞核前景像素；
S304，生成弱监督标签的背景信息：
以点P(xp,yp)为圆心，以细胞核的最大半径rmax作圆，将S303中得到的细胞核平均半径ravg记录为r，则可以得知，处于r到rmax之间的像素无法得知属于前景细胞核像素还是背景像素，在训练过程中忽略这部分像素的损失计算。
CN202311233646.XA 2023-09-22 2023-09-22 一种细胞核分割的弱监督标签的生成方法 Pending CN117496292A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311233646.XA CN117496292A (zh) 2023-09-22 2023-09-22 一种细胞核分割的弱监督标签的生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311233646.XA CN117496292A (zh) 2023-09-22 2023-09-22 一种细胞核分割的弱监督标签的生成方法

Publications (1)

Publication Number Publication Date
CN117496292A true CN117496292A (zh) 2024-02-02

Family

ID=89675152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311233646.XA Pending CN117496292A (zh) 2023-09-22 2023-09-22 一种细胞核分割的弱监督标签的生成方法

Country Status (1)

Country Link
CN (1) CN117496292A (zh)

Similar Documents

Publication Publication Date Title
CN108573279A (zh) 图像标注方法及终端设备
WO2022001623A1 (zh) 基于人工智能的图像处理方法、装置、设备及存储介质
Aupetit Visualizing distortions and recovering topology in continuous projection techniques
CN103886619B (zh) 一种融合多尺度超像素的目标跟踪方法
Li et al. An overlapping-free leaf segmentation method for plant point clouds
CN108428229A (zh) 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法
CN108399386A (zh) 饼图中的信息提取方法及装置
CN110570352B (zh) 图像标注方法、装置、系统及细胞标注方法
TWI786330B (zh) 一種圖像處理方法、電子設備及存儲介質
CN114821069B (zh) 融合富尺度特征的双分支网络遥感图像建筑语义分割方法
CN104166988B (zh) 一种融入稀疏匹配信息的立体图像同步分割方法
CN109215047B (zh) 基于深海视频的运动目标检测方法和装置
CN111242958B (zh) 一种基于结构特征优化的颈动脉级联学习分割方法
CN115937461B (zh) 多源融合模型构建及纹理生成方法、装置、介质及设备
CN112102296A (zh) 一种基于人类概念学的电力设备目标识别方法
Liu et al. An enhanced neural network based on deep metric learning for skin lesion segmentation
CN103544712A (zh) 一种利用先验知识的人类外侧膝状体自动分割方法
CN116402976A (zh) 三维目标检测模型训练方法及装置
CN108961268B (zh) 一种显著图计算方法及相关装置
CN111274863A (zh) 一种基于文本山峰概率密度的文本预测方法
Wu et al. Retentive Compensation and Personality Filtering for Few-Shot Remote Sensing Object Detection
CN116612357B (zh) 一种无监督rgbd多模态数据集的构建方法、系统和存储介质
CN117496292A (zh) 一种细胞核分割的弱监督标签的生成方法
CN116883339A (zh) 一种基于点监督的组织病理学图像细胞核检测方法
CN116310666A (zh) 一种遥感图像自监督训练方法、装置和电子设备

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