基于卷积神经网络的细胞核智能分割研究.pdf

Computer Science and Application 计算机科学与应用计算机科学与应用,2018,8(11),1643-1649 Published Online November 2018 in Hans.http:/www.hanspub.org/journal/csa https:/doi.org/10.12677/csa.2018.811180 A Nuclei Segmentation Research Based on Convolutional Neural Network Weidong Mai,Guan Chen,Weijie Ye*School of Statistics and Mathematics,Guangdong University of Finance and Economics,Guangzhou Guangdong Received:Oct.15th,2018;accepted:Oct.26th,2018;published:Nov.2nd,2018 Abstract In the pathological diagnosis of many diseases,the change of the shape and characteristics of the nucleus is an important symptom for the occurrence of the disease.Applying computer intelli-gence to segment the nuclei in the pathological tissue section can provide more advices for disease diagnosis.In this study,convolutional neural network was applied to the nuclei segmentation of breast cancer histopathological section image.After optical preprocessing the images,each of them was divided into multiple small images and used to train the improved AlexNet model.Then,the trained model is used in the nucleus segmentation of the test set.We divided the whole image into multiple small images,the small images were processed parallelly by the trained model,and finally integrated all the output to a whole nucleus segmentation image.The results show that the nucleus recognition rate in the training set reach to 92%.The trained model can accurately recog-nize all nuclei which are not labeled in the artificially labeled image,indicating that the model has successfully learned the main features of the nucleus.Finally,the result of image segmentation in test set shows that the trained model successfully segmented the nucleus of pathological tissue slice image accurately and quickly,which proves that our method of cutting image to parallelly process and then integrating all outputs ensures both accuracy and calculation efficiency.Keywords Nucleus,Pathological Section,AlexNet,Features Segmentation 基于卷积神经网络的细胞核智能分割研究基于卷积神经网络的细胞核智能分割研究 麦伟东麦伟东，陈陈 冠冠，叶伟杰叶伟杰*广东财经大学统计与数学学院，广东 广州 收稿日期：2018年10月15日；录用日期：2018年10月26日；发布日期：2018年11月2日 *通讯作者。文章引用文章引用:麦伟东,陈冠,叶伟杰.基于卷积神经网络的细胞核智能分割研究J.计算机科学与应用,2018,8(11):1643-1649.DOI:10.12677/csa.2018.811180 麦伟东 等 摘摘 要要 在许多疾病的病理学诊断中，细胞核的形状、特征的变化是病变发生与否的重要依据，利用计算机智能在许多疾病的病理学诊断中，细胞核的形状、特征的变化是病变发生与否的重要依据，利用计算机智能分割出病理组织切片中的细胞核能为疾病诊断提供更多的参考。本研究将卷积神经网络应用在乳腺癌病分割出病理组织切片中的细胞核能为疾病诊断提供更多的参考。本研究将卷积神经网络应用在乳腺癌病理组织切片图像中的细胞核分割上。在对图像进行光学预处理后，将其分割成多个小图像输入到改进的理组织切片图像中的细胞核分割上。在对图像进行光学预处理后，将其分割成多个小图像输入到改进的Alexnet模型中对模型进行训练，使其能自动识别细胞核特征。随后，将训练后的模型用于测试集图像的模型中对模型进行训练，使其能自动识别细胞核特征。随后，将训练后的模型用于测试集图像的细胞核分割中，把图像分割成多个小图像让模型并行处理，并最终整合所有的输出结果生成一张完整的细胞核分割中，把图像分割成多个小图像让模型并行处理，并最终整合所有的输出结果生成一张完整的细胞核分割图，达到细胞核分割的目的。结果表明，模型对训练集中的细胞核识别率达到细胞核分割图，达到细胞核分割的目的。结果表明，模型对训练集中的细胞核识别率达到92%，训练后，训练后的模型对人工标记图像中并没有标记出来的细胞核都能准确地识别出来，表明模型已成功的学习到细胞的模型对人工标记图像中并没有标记出来的细胞核都能准确地识别出来，表明模型已成功的学习到细胞核的主要特征。最后，对测试集图片进行分割的结果显示，训练后的模型成功地把病理组织切片图像中核的主要特征。最后，对测试集图片进行分割的结果显示，训练后的模型成功地把病理组织切片图像中的细胞核准确且快速地分割出来，证明这种切分图像进行细胞核分割最后再的细胞核准确且快速地分割出来，证明这种切分图像进行细胞核分割最后再整合的方法在保证准确性的整合的方法在保证准确性的同时也能提高计算效率。同时也能提高计算效率。关键词关键词 细胞核，病理组织切片，细胞核，病理组织切片，AlexNet，特征检测，特征检测 Copyright 2018 by authors and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License(CC BY).http:/creativecommons.org/licenses/by/4.0/1.引言引言 细胞核的病变是许多疾病发生的重要标志之一，尤其是癌症，癌细胞的细胞核较正常细胞有着明显的区别，因此细胞核的性状常常作为病理学诊断的一个重要依据1。近年来，深度学习算法的发展使得计算机辅助诊断技术的应用能力有了较大的提高，而如何将细胞核这一重要特征既精确又高效地从一些病理学组织切片中分割出来已成为该领域极具挑战的一个重要课题2。针对细胞核分割技术，国内外的学者都提出了不少模型。项磊与徐军4使用方向梯度直方图(Histogram of Oriented Gradient,HOG)以及滑动窗口技术，搭建 softmax 分类器、HOG 以及支持向量机SVM(Support Vector Machine,SVM)等多个模型，以达到对乳腺癌病理切片图像进行细胞检测，其中HOG+SVM 模型的准确率达到了 71.5%。此外，张敏淑5针对白细胞图像的特征提取问题，提出了一个基于阈值分割算法的白细胞定位并提取细胞核特征的模型，并利用大律法进一步排除图片其余成分对细胞核检测的干扰，取得了较好的成果，但存在着将细胞核与淋巴细胞混淆的情况。虽然这些研究都对细胞核分割进行了较深入的探讨，但仍存在着正确率较低或精度较差等问题，因此相关研究开始将目光转向深度学习算法。2016 年，Xu 等6提出了基于堆叠稀疏自编码器(Stacked Sparse Autoencoder,SSAE)的乳腺癌细胞细胞核检测模型，结果发现模型对细胞核的识别率达 88.84%。随后，Win 等人7利用全连接卷积神经网络对细胞学胸腔积液图像进行细胞核分割，并进一步运用形态学运算以及分水岭算法，分割出整个细胞，正确率达到了 92%。尽管这些模型的识别率较高，但由于其计算量庞大而使得处理一张图像要耗费较长时间，极不适合实际应用。本研究针对上述问题，采用切分图像的方法将较大的图像分割成多个小图像，随后根据这些小图像的特点改进经典的卷积神经网络结构 Alexnet 并进行训练，使得训练后的模型能识别出图像中的细胞核，Open AccessOpen Access DOI:10.12677/csa.2018.811180 1644 计算机科学与应用 麦伟东 等 并最终将所有小图像的结果整合成一张完整的细胞核分割图。结果表明，模型成功地把病理组织切片图像中的细胞核分割出来。把图像分割成多个小图像使得模型能减少计算量，且能并行处理，降低整体的处理时长，而同时又能保持较高的识别率，便于实际应用。2.方法方法 2.1.AlexNet 深度学习网络深度学习网络 本研究将由 Alex Krizhevsky 8提出的卷积神经网络结构 Alexnet 为基础进行改进来完成特征分类任务。经典的 AlexNet 由 3 层卷积+池化层和 3 层全连接层组成，其中的卷积层都采用 5*5 的卷积核以及池化采用最值池化，最后的分类器采用 4096*4096*1000 的全连接层。本次任务因为识别对象为细胞核，故采用的是 3*3 的卷积以步长为 1 进行卷积，用更小的卷积核是为了捕获到细小的细胞核特征。加上 2*2 步长为 3 的最大值池化层，分类器选用了两层 1024 个节点的全连接层，采用更少的全连接节点会更好的避免模型过拟合，最后通过 softmax 层计算分类结果(图 1)。模型采用线性整流函数(Rectified Linear Unit,ReLU)作为激活函数：(),00,0 xxReLU xx=Figure 1.Improved Alexnet Neural Network structure Diagram 图图 1.改进的 Alexnet 神经网络结构图 2.2.数据集数据集 本文将使用医学研究机构 Andrew Janowczyk 9提供了一个开源数据集供学者研究使用，里面包含140 张 2000*2000 的细胞组织切片及其由专业人士进行科学标记的特征分割图。根据科学标记的数据集产生了大批量用于训练识别特定特征的训练集以及验证集。2.3.图片预处理图片预处理 鉴于不同条件下获取的 HE 染色病理切片会存在色彩上的出入，对实验结果造成影响，