本申请属于图像处理,尤其涉及一种细胞核实例分割方法、装置、终端设备及存储介质。
背景技术:
1、随着科技的快速发展,实例分割在医学影像领域起到了越来越重要的应用技术支持作用。
2、目前,在众多医学图像中,病理图像分析被认为是癌症诊断、治疗和预防的金标准,由于细胞核的形态包括了病理图像中的形状、外观和分布,提供了诊断和预后癌症指标的可解释性特征,所以细胞核实例分割是病理图像分析中的核心步骤。但是,细胞核实例存在着各细胞核间的相触或者重叠边界在整张病理图像中的占比较小、病理图像中各细胞核间的相触或者重叠边界由于细胞核重叠、挤压等情况而变得模糊导致不易被区分等弱边界问题,而现有对细胞核实例进行分割的方式大多从像素的角度出发,独立处理每个像素,对边界的连通性等高级结构特征缺乏敏感性,从而导致无法区分边界相触或者重叠的细胞核实例。
3、综上,如何提供一种细胞核实例分割策略,以提高细胞核实例弱边界识别的准确性,已经成为图像处理技术领域亟待解决的技术问题。
技术实现思路
1、本申请的主要目的在于提供一种细胞核实例分割方法、装置、终端设备及存储介质。旨在提供一种细胞核实例分割策略,以提高细胞核实例弱边界识别的准确性。
2、为了实现上述目的,本申请提供一种细胞核实例分割方法,所述细胞核实例分割方法包括:
3、将包含细胞核实例的原始图像输入至预设分割模型得到所述原始图像的预测图;
4、基于所述预测图和所述原始图像的模型训练标签,计算所述预设分割模型的像素级损失和拓扑感知损失,其中,所述拓扑感知损失表征所述预测图中拓扑结构的正确性;
5、基于所述像素级损失和所述拓扑感知损失对所述预设分割模型进行优化。
6、可选地,所述预测图包括语义预测图和结构预测图,所述基于所述预测图和所述原始图像的模型训练标签,计算所述预设分割模型的像素级损失和拓扑感知损失的步骤,包括:
7、基于所述语义预测图、所述结构预测图和所述原始图像的模型训练标签,计算所述预设分割模型的像素级损失;
8、基于所述结构预测图和所述模型训练标签计算所述预设分割模型的拓扑感知损失。
9、可选地,所述模型训练标签包括结构训练标签,所述基于所述结构预测图和所述模型训练标签计算所述预设分割模型的拓扑感知损失的步骤,包括:
10、计算所述结构预测图和所述结构训练标签之间的第一拓扑误差;
11、在所述第一拓扑误差大于第一预设阈值时,将所述结构预测图进行切片分割得到多个切片图像;
12、从多个所述切片图像中确定目标图像,并基于所述目标图像计算所述预设分割模型的拓扑感知损失。
13、可选地,所述从多个所述切片图像中确定目标图像的步骤,包括:
14、计算所述切片图像和所述结构训练标签之间的第二拓扑误差;
15、在所述第二拓扑误差大于第二预设阈值时,将所述切片图像确定为目标图像。
16、可选地,所述基于所述目标图像计算所述预设分割模型的拓扑感知损失的步骤,包括:
17、基于所述目标图像中各像素点各自的概率值,计算所述目标图像中拓扑结构的预测持久度;
18、基于所述结构训练标签计算所述拓扑结构的真实持久度;
19、基于所述预测持久度和所述真实持久度确定所述预设分割模型的拓扑感知损失。
20、可选地,所述模型训练标签还包括语义训练标签,所述基于所述语义预测图、所述结构预测图和所述原始图像的模型训练标签,计算所述预设分割模型的像素级损失的步骤,包括:
21、计算所述语义预测图和所述语义训练标签之间的第一像素损失,和,计算所述结构预测图和所述结构训练标签之间的第二像素损失;
22、将所述第一像素损失和所述第二像素损失相加得到所述预设分割模型的像素级损失。
23、可选地,所述基于所述像素级损失和所述拓扑感知损失对所述预设分割模型进行优化的步骤,包括:
24、将所述预设分割模型的迭代训练次数作为所述拓扑感知损失的权重;
25、将所述像素级损失、所述拓扑感知损失和所述权重代入所述预设分割模型的损失函数,得到所述预设分割模型的总损失;
26、基于所述总损失对所述预设分割模型进行优化以更新所述预设分割模型。
27、此外,为实现上述目的,本申请还提供一种细胞核实例分割装置,所述细胞核实例分割装置包括:
28、预测模块,用于将包含细胞核实例的原始图像输入至预设分割模型得到所述原始图像的预测图;
29、计算模块,用于基于所述预测图和所述原始图像的模型训练标签,计算所述预设分割模型的像素级损失和拓扑感知损失,其中,所述拓扑感知损失表征所述预测图中拓扑结构的正确性;
30、优化模块,用于基于所述像素级损失和所述拓扑感知损失对所述预设分割模型进行优化。
31、此外,为实现上述目的,本申请还提供一种终端设备,所述终端设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的细胞核实例分割程序,所述终端设备的细胞核实例分割程序被所述处理器执行时实现如上所述的细胞核实例分割方法的步骤。
32、此外,为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有细胞核实例分割程序,所述细胞核实例分割程序被处理器执行时实现如上所述的细胞核实例分割方法的步骤。
33、本申请实施例提出的一种细胞核实例分割方法、装置、终端设备及存储介质,所述方法包括:将包含细胞核实例的原始图像输入至预设分割模型得到所述原始图像的预测图;基于所述预测图和所述原始图像的模型训练标签,计算所述预设分割模型的像素级损失和拓扑感知损失,其中,所述拓扑感知损失表征所述预测图中拓扑结构的正确性;基于所述像素级损失和所述拓扑感知损失对所述预设分割模型进行优化。
34、本申请实施例通过将包含了细胞核实例的原始图像输入至预设分割模型,得到原始图像对应的预测图,然后基于预测图和原始图像的模型训练标签,计算预设分割模型的像素级损失和拓扑感知损失,其中,拓扑感知损失可以表征预测图中拓扑结构的正确性,最后基于像素级损失和拓扑感知损失对预设分割模型进行优化,从而得到优化后的模型,如此,相比于传统只关注像素维度的细胞实例分割方式,本申请在对预设分割模型进行像素维度的迭代训练的基础上,进一步引入拓扑结构维度的迭代训练,增强模型捕获细胞核实例结构的能力,从而提高模型识别细胞核实例边界的准确性。
1.一种细胞核实例分割方法,其特征在于,所述细胞核实例分割方法包括:
2.如权利要求1所述的细胞核实例分割方法,其特征在于,所述预测图包括语义预测图和结构预测图,所述基于所述预测图和所述原始图像的模型训练标签,计算所述预设分割模型的像素级损失和拓扑感知损失的步骤,包括:
3.如权利要求2所述的细胞核实例分割方法,其特征在于,所述模型训练标签包括结构训练标签,所述基于所述结构预测图和所述模型训练标签计算所述预设分割模型的拓扑感知损失的步骤,包括:
4.如权利要求3所述的细胞核实例分割方法,其特征在于,所述从多个所述切片图像中确定目标图像的步骤,包括:
5.如权利要求4所述的细胞核实例分割方法,其特征在于,所述基于所述目标图像计算所述预设分割模型的拓扑感知损失的步骤,包括:
6.如权利要求5所述的细胞核实例分割方法,其特征在于,所述模型训练标签还包括语义训练标签,所述基于所述语义预测图、所述结构预测图和所述原始图像的模型训练标签,计算所述预设分割模型的像素级损失的步骤,包括:
7.如权利要求1至6中任一项所述的细胞核实例分割方法,其特征在于,所述基于所述像素级损失和所述拓扑感知损失对所述预设分割模型进行优化的步骤,包括:
8.一种细胞核实例分割装置,其特征在于,所述细胞核实例分割装置,包括:
9.一种终端设备,其特征在于,所述终端设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的细胞核实例分割程序,所述细胞核实例分割程序被所述处理器执行时实现如权利要求1至7中任一项所述的细胞核实例分割方法的步骤。
10.一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细胞核实例分割程序,所述细胞核实例分割程序被处理器执行时实现如权利要求1至7中任一项所述的细胞核实例分割方法的步骤。