用于乳腺癌病理图像的分割方法和装置与流程

技术特征：

1.一种用于乳腺癌病理图像的分割方法，其特征在于，所述方法包括：

对乳腺癌病理图像通过标定与预处理操作生成训练样本；

根据所述训练样本训练基于图像Patch中心像素的卷积神经网络分类模型，以完成所述乳腺癌病理图像中细胞核的检测操作；

通过后处理算法将CNN模型在整张所述乳腺癌病理图像对细胞核的检测结果的概率图进行转换，生成二值图像，并将所述二值图像定义为主动轮廓模型的初始化形状轮廓；

通过所述主动轮廓模型对细胞核的边界进行分割。

2.根据权利要求1所述的方法，其特征在于，所述对乳腺癌病理图像通过标定与预处理操作生成训练样本，包括：基于细胞核像素、细胞核边界像素以及所述乳腺癌病理图像背景像素对所述乳腺癌病理图像通过标定与预处理操作，生成所述训练样本。

3.根据权利要求1所述的方法，其特征在于，所述对乳腺癌病理图像通过标定与预处理操作生成训练样本，还包括：选取特定细胞核使用病理图像标注软件对所述乳腺癌病理图像中的细胞核边界进行部分标定；

基于标定的细胞核进行正负样本采集。

4.根据权利要求1所述的方法，其特征在于，所述对乳腺癌病理图像通过标定与预处理操作生成训练样本，还包括：

使用线性变换方法在Lab颜色空间对数据库中所有的所述乳腺癌病理图像进行颜色标准化处理；

从数据库中随机挑选一张所述乳腺癌病理图像作为参考图像，并对剩余的所述乳腺癌病理图像运用标准化算法；

其中，所述线性变换方法为：将RGB颜色空间的待处理的H&E染色的所述乳腺癌病理图像转化到特定的CIELab颜色空间，对Lab通道中的每一个像素进行一个线性转化，且线性转化公式为：

其中，和分别表示L通道所有像素的均值和方差。

5.根据权利要求1所述的方法，其特征在于，所述对乳腺癌病理图像通过标定与预处理操作生成训练样本，还包括：

在被标注的细胞核边界内部取正样本像素点，并以所述正样本像素点为中心生成64*64像素大小的Patch作为正样本；

将被标注的细胞核边界做三个像素的形态学腐蚀操作，并在所述三个像素宽的边界区域取像素点，以所述像素点为中心取64*64像素大小的Patch，获得边界Patches；

对所述乳腺癌病理图像做去卷积操作，获取所述乳腺癌病理图像中不同的染色成分，并解析出所述乳腺癌病理图像的背景像素和前景像素；

采用直方图均衡化算法对所述背景像素和所述前景像素进行强化操作；

随机采集所述背景像素中的背景像素点，以所述背景像素点为中心取64*64像素大小的Patches，并将背景样本和边界Patches一起定义为负样本；

将所述正样本和所述负样本一起定义为所述生成训练样本。

6.根据权利要求1所述的方法，其特征在于，所述卷积神经网络分类模型为基于AlexNet卷积神经网络模型改造后的7层卷积神经网络结构，其中，改造后的所述7层卷积神经网络结构中全连接层更改为卷积层，去掉池化层，改造后的所述7层卷积神经网络结构中的网络中采用3*3的小卷积。

7.根据权利要求1所述的方法，其特征在于，所述通过后处理算法将CNN模型在整张所述乳腺癌病理图像对细胞核的检测结果的概率图进行转换，生成二值图像，包括：在整张所述乳腺癌病理图像上做划窗预测，以64*64大小的窗口遍历整张所述乳腺癌病理图像中的每一个像素；

输出所述乳腺癌病理图像中每一个像素属于细胞核像素的概率，产生基于像素点的所述概率图。

8.根据权利要求1所述的方法，其特征在于，所述通过所述主动轮廓模型对细胞核的边界进行分割，还包括：所述主动轮廓模型将所述乳腺癌病理图像的区域以及边界信息结合到所述主动轮廓模型的能量函数中，其中，混合主动轮廓模型以最小化所述能量函数：

其中，φ是零水平集嵌入函数，代表了主动轮廓Ω＝{x|φ(x)＝0}，z是待分割图像，H(φ)是Heaviside阶跃函数，ω代表了图像域，是图像梯度，α和β是预先定义的平衡加号两边的系数，第一项是图像的区域信息项，第二项是水平集公式中的测地主动轮廓函数。

9.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-8任一项所述的方法。

10.一种用于乳腺癌病理图像的分割装置，其特征在于，所述装置包括：

训练样本生成模块，用于对乳腺癌病理图像通过标定与预处理操作生成训练样本；

检测模块，用于根据所述训练样本训练基于图像Patch中心像素的卷积神经网络分类模型，以完成所述乳腺癌病理图像中细胞核的检测操作；

初始化形状轮廓生成模块，用于通过后处理算法将CNN模型在整张所述乳腺癌病理图像对细胞核的检测结果的概率图进行转换，生成二值图像，并将所述二值图像定义为主动轮廓模型的初始化形状轮廓；

分割模块，用于通过所述主动轮廓模型对细胞核的边界进行分割。