CN2020110186430基于深度学习的细胞图像自动分类方法及系统.pdf

(19)中华人民共和国国家知识产权局

(12)发明专利申请

(10)申请公布号CN112215807A
(43)申请公布日2021.01.12
(21)申请号202011018643.0
(22)申请日2020.09.24
(71)申请人北京航空航天大学
地址100191北京市海淀区学院路37号
(72)发明人万涛秦曾昌张宁民
(51)Int.Cl.
G06T7/00(2017.01)
G06T7/11(2017.01)
G06T7/187(2017.01)
G06K9/00(2006.01)
G06K9/34(2006.01)
G06K9/62(2006.01)
G06N3/04(2006.01)
G06N3/08(2006.01)

权利要求书2页说明书8页附图3页
(54)发明名称
基于深度学习的细胞图像自动分类方法及
系统
(57)摘要
本发明公开提供了一种基于深度学习的细
胞图像自动分类方法及系统，主要包括如下部
分：通过基于深度学习技术的图像分割和分类算
法处理和分析细胞图像，准确提取图像中的单个
细胞，在此基础上有效区分正常细胞以及不同类
型的病变细胞，并且对图像分类效果进行量化评
估。该方法有效地结合实例分割网络模型和深度
卷积分类网络模型，实现细胞图像的自动准确分
类，为医师提供辅助信息，帮助其进行定量分析，
提高工作效率。
CN112215807A
CN112215807A权利要求书1/2页

1.基于深度学习的细胞图像自动分类方法及系统，其特征在于，包括以下步骤：
针对细胞图像进行数据采集、图像标注以及细胞区域提取的操作；
使用提取后的所述细胞区域构建模型训练数据集，利用深度实例分割网络模型从采集
后的所述细胞图像中分割出单个细胞；
计算细胞分割效果评价指标，选择分割效果好的所述单个细胞，构建细胞图像分类模
型的训练数据集；
利用深度卷积神经网络搭建所述细胞图像分类模型，设计性能评价体系用于评估细胞
图像的分类结果，并对该方法进行临床可行性分析。
2.根据权利要求1所述的基于深度学习的细胞图像自动分类方法及系统，其特征在于，
所述针对细胞图像进行数据采集、图像标注以及细胞区域提取的操作，包括：从医院图像存
储系统中筛选出符合要求的细胞图像，由经验丰富的医师在每张细胞图像中标注正常及不
同病变类型的细胞区域，针对人工标注的所述细胞区域进行提取操作。
3.根据权利要求2所述的基于深度学习的细胞图像自动分类方法及系统，所述针对人
工标注的所述细胞区域进行提取操作，包括：使用OpenSlide开源医学图像处理软件，根据
医师所标注的细胞区域标签及位置提取细胞区域并获取对应标签。
4.根据权利要求1所述的基于深度学习的细胞图像自动分类方法及系统，其特征在于，
所述使用提取后的所述细胞区域构建模型训练数据集，利用深度实例分割网络模型从采集
后的所述细胞图像中分割出单个细胞，包括：将提取的所述细胞区域划分为单细胞图像以
及细胞团块图像，利用划分后的所述单细胞图像合成细胞团块，建立训练数据集，训练深度
实例分割网络模型，获得细胞图像中的单个细胞。
5.根据权利要求4所述的基于深度学习的细胞图像自动分类方法及系统，其特征在于，
所述利用划分后的所述单细胞图像合成细胞团块，建立训练数据集，包括：对划分后的所述
单细胞图像中的细胞核与细胞质进行标注，并利用手工标注的单细胞图像，通过控制数量
和重叠率，合成多张包含指定数量和重叠率的细胞团块，获得模型训练数据集。
6.根据权利要求1所述的基于深度学习的细胞图像自动分类方法及系统，其特征在于，
所述计算细胞分割效果评价指标，选择分割效果好的所述单个细胞，构建细胞图像分类模
型的训练数据集，包括：利用人工标注的所述细胞团块图像对训练后的所述深度实例分割
网络模型进行测试，计算平均交并比等指标评价细胞分割效果，通过对评价指标设置阈值
的方式选取分割质量好的单个细胞，建立细胞图像分类模型的训练数据集。
7.根据权利要求1所述的基于深度学习的细胞图像自动分类方法及系统，其特征在于，
所述利用深度卷积神经网络搭建所述细胞图像分类模型，包括：将获得的所述细胞图像中
的单个细胞与人工标注的单细胞图像进行组合，采用旋转、平移以及镜像等方式对数据集
进行增强，将增强后的数据集划分为训练集和测试集，训练深度卷积神经网络，构建细胞图
像分类模型。
8.根据权利要求7所述的基于深度学习的细胞图像自动分类方法及系统，其特征在于，
所述训练深度卷积神经网络，构建细胞图像分类模型，包括：通过迁移学习的方式，采用公
开的大型图像数据集对所述深度卷积神经网络进行预训练，保存权重参数，在此基础上使
用增强后的所述训练集对所述深度卷积神经网络进行微调，并利用增强后的所述测试集进
行测试，获得细胞图像分类结果。