少样本ki67多类别细胞核的分割识别方法
申请人信息
- 申请人:广州锟元方青医疗科技有限公司
- 申请人地址:510000 广东省广州市白云区京溪街沙太路668号之二105房
- 发明人: 广州锟元方青医疗科技有限公司
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 少样本ki67多类别细胞核的分割识别方法 |
| 专利类型 | 发明授权 |
| 申请号 | CN202410007970.8 |
| 申请日 | 2024/1/3 |
| 公告号 | CN117523205B |
| 公开日 | 2024/3/29 |
| IPC主分类号 | G06V10/26 |
| 权利人 | 广州锟元方青医疗科技有限公司 |
| 发明人 | 潘威君; 王超; 李胜男; 苏永健; 尚滨; 彭铃淦 |
| 地址 | 广东省广州市白云区京溪街沙太路668号之二105房 |
摘要文本
本发明公开了少样本ki67多类别细胞核的分割识别方法，包括以下步骤：人工采集并标注ki67典型样本，然后输入到YOLOV5细胞核识别模型进行识别；同时，STARTDIST模型分割ki67细胞核的外轮廓；对现有的未注样本使用YOLOV5细胞核识别模型和STARTDIST模型得到分割分类标注信息进行预先标注得到需要的训练数据；对多分类的STARDIST模型进行训练后进行分类；训练迭代模型；清洗数据。本发明使用少量样本训练的检测器, 实现细胞核类型识别；采用强分割器获取细胞核定位和轮廓；通过少量人工标注样本进行模型调优和错误修正。该方案突破了现有分割与分类方法对样本量的依赖, 实现了少样本下的Ki67图像多类别细胞核精准分割与分类, 具有重要的技术进步意义。 （）
专利主权项内容
1.少样本ki67多类别细胞核的分割识别方法，其特征在于，包括以下步骤：S1、人工采集并标注ki67典型样本；S2、ki67典型样本输入到YOLOV5细胞核识别模型，识别得到ki67细胞核类型；所述YOLOV5细胞核识别模型的识别过程如下：S201、原始图像经过缩放为512×512大小后，传入Focus模块进行切分合并操作，用于缩减图像特征在空间上的维度；S202、经过(CBL+CSP1_1)、(CBL+CSP1_2)对图像特征进行抽取和变换后，得到第一下采样特征featureA；S203、第一下采样特征featureA再经过(CBL+CSP1_3)操作得到第二下采样特征featureB；第二下采样特征featureB通过第一CBL、SPP、(CSP2_1+CBL)的处理，得到第三下采样特征featureC；S204、第三下采样特征featureC经过第一个upsample层，并与第二下采样特征featureB在通道维度上进行合并操作；S205、经过(CSP2_1+CBL)的处理，再经过第二upsample层与第一下采样特征featureA在通道维度上进行合并；S206、通过第一CSP2_1的处理，得到待传入YOLOhead1的第一检测特征图det_featureA；接着，det_featureA经过第一conv层的通道变换后，进入YOLOhead1来计算预测框与真实框之间的偏差，这个偏差用于对预测框进行校正；同时，det_featureA经过第二CBL和第二upsample层的输出在通道维度上合并，经过第二CSP2_1的处理得到第二检测特征图det_featureB；然后，det_featureB经过第二conv层提取特征，将其送入YOLOhead2来计算预测框的坐标、概率以及物体的类别；接着，det_featureB经过第三CBL和第三下采样特征图featureC在通道上合并，得到第三检测特征图det_featureC，最终第三CSP2_1和第三conv充分抽象出图像的特征后，送入YOLOhead3；最终在YOLOhead1、YOLOhead2、YOLOhead3处得到需要的结果，即目标检测和分类的预测结果；同时，STARTDIST模型分割ki67细胞核的外轮廓；S3、对现有的未注样本使用YOLOV5细胞核识别模型和STARTDIST模型得到分割分类标注信息进行预先标注得到步骤S4中需要的训练数据；S4、对多分类的STARDIST模型进行训练；训练好的多分类的STARDIST模型对Ki67图像中多类别细胞核进行分类；S5、训练迭代模型；S6、清洗数据。