少样本ki67多类别细胞核的分割识别方法.pdf

《少样本ki67多类别细胞核的分割识别方法.pdf》由会员分享，可在线阅读，更多相关《少样本ki67多类别细胞核的分割识别方法.pdf（25页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202410007970.8(22)申请日 2024.01.03(71)申请人 广州锟元方青医疗科技有限公司地址 510000 广东省广州市白云区京溪街沙太路668号之二105房(72)发明人 潘威君王超李胜男苏永健尚滨彭铃淦(74)专利代理机构 广州君策达知识产权代理事务所(普通合伙)44749专利代理师 陈宏升(51)Int.Cl.G06V 10/26(2022.01)G06N 3/0464(2023.01)G06V 10/44(2022.01)G06V 10/774(2022.01)G06V。

2、 10/82(2022.01)G06V 20/69(2022.01)(54)发明名称少样本ki67多类别细胞核的分割识别方法(57)摘要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。

3、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。权利要求书4页 说明书13页 附图7页CN 117523205 A2024.02.06CN 117523205 A1.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；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。

4、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。2.根据权利要求1所述少样本ki67多类别细胞核的分割识别方法，其特征在于，步骤S1中，所述ki67典型样本标注后得到的是ki67细胞核的外轮廓坐标，将其转换为opencv的contours，使用opencv的boundrect函数得到细胞核的中心点和宽高，然后将这些坐标和类别转换为yolo的标注格式。3.根据权利要求1所述少样本ki67多类别细胞核。

5、的分割识别方法，其特征在于，步骤S2中，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512512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feature。

6、C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。

7、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。4.根据权利要求3所述少样本ki67多类别细胞核的分割识别方法，其特征在于，所述Focus模块的工作过程如下：首。

8、先，通过Focus模块对原始图像进行切片操作，以减小图像在权利要求书1/4 页2CN 117523205 A2空间维度上的大小，这个过程将图像切分成多个子图像块，每个子图像块的尺寸为13128128；接着，使用Concat操作将这四个子图像块合并在一起，得到一个112128128大小的特征图；由此，合并后的特征图在通道维度上具有12个通道，其中每个通道都包含了原始图像的不同局部信息；随后，经过一个卷积模块的处理，对这个合并后的特征图进行降维度操作；CBL模块提取图像中的抽象特征，并通过降低特征图的通道数量来减小计算复杂度；最终，得到了Focus模块的图像降维度输出，其尺寸为112128128；。

9、这个降维度的输出将作为后续网络处理的输入，用于提取图像的关键特征信息。5.根据权利要求3所述少样本ki67多类别细胞核的分割识别方法，其特征在于，所述SPP的工作过程如下：输入特征首先通过一个11的卷积操作来调整通道数；随后，经过三个最大池化操作，其中每个最大池化层的kernel_size分别设置为55、99和1313；接着，将这三个最大池化层的结果与第一个CBL层的输出进行concat操作，将它们连接成一个更高维度的特征图；最后，通过一个CBL层对融合后的特征进行处理和融合，以生成最终的特征表示。6.根据权利要求3所述少样本ki67多类别细胞核的分割识别方法，其特征在于，所述YOLOhead。

10、1或者YOLOhead2或者YOLOhead3的工作过程如下：首先使用一个卷积层将输入特征图的通道数变换为num_class+5，其中num_class表示目标类别数量；通过makegrid函数生成网格，网格的大小为1,nc,ny,nx,2，其中，nc表示anchor锚框的数量，ny表示Yolohead的输入特征图的高度，nx表示特征图的宽度，这些网格用于确定目标物体在输入图像中的位置和尺寸；在网格中，实线框表示真实的目标框，它们的宽度和高度分别为Bw和Bh，而虚线框表示make_grid函数生成的其中一个锚框，它的宽度和高度为Pw和Ph；在YOLOhead1或者YOLOhead2或者YOLO。

11、head3中，ny被make_grid函数划分为z个网格，每个网格的长度为Cy；同样，nx被划分为z个网格，每个网格的长度为Cx；这样的划分使得锚框和真值框之间的关系得以建立，方便模型预测目标的位置和尺寸。7.根据权利要求6所述少样本ki67多类别细胞核的分割识别方法，其特征在于，所述锚框与真值框之间的关系用以下公式表示：bx=2fn（tx）0.5+Cx；by=2fn（ty）0.5+Cy；Bw=Pw（2fn（tw）2；Bh=Ph（2fn（th）2；其中，tx和ty分别表示锚框相对于网格单元的横坐标偏移量、纵坐标偏移量，tw、th分别表示锚框相对于真值框的宽度缩放比例、高度缩放比例，Pw和Ph表。

12、示锚框的宽度和高度，Bw和Bh表示真值框的宽度和高度。8.根据权利要求1所述少样本ki67多类别细胞核的分割识别方法，其特征在于，步骤S3中，所述STARDIST模型包括顺序连接的下采样模块、中间过渡层、上采样模块和后处理模块；其中：下采样模块中，conv2d_1是输入通道为3，输出通道为32，kernel大小为3，padding为1的卷积层；conv2d_2是输入通道为32，输出通道为32，kernel大小为3，padding为1的卷积层；max_pooling2d_1是kernel_size为2，stride为2的2倍下采样池化层，将特征图尺寸减小一半；down_level_0_no_0是。

13、输入通道为32，输出通道为32，kernel大小为3，padding为1权利要求书2/4 页3CN 117523205 A3的卷积层；down_level_0_no_1是输入通道为32，输出通道为32，kernel大小为3，padding为1的卷积层；max_0是kernel_size为2，stride为2的2倍下采样池化层；down_level_1_no_0是输入通道为32，输出通道为64，kernel大小为3，padding为1的卷积层；down_level_1_no_1是输入通道为64，输出通道为64，kernel大小为3，padding为1的卷积层；max_1是kernel_size为。

14、2，stride为2的2倍下采样池化层；down_level_2_no_0是输入通道为64，输出通道为128，kernel大小为3，padding为1的卷积层；down_level_2_no_1是输入通道为128，输出通道为128，kernel大小为3，padding为1的卷积层；max_2是kernel_size为2，stride为2的2倍下采样池化层；中间过渡层中，middle_0为输入通道为128，输出通道为256的卷积层；middle_2为输入通道为256，输出通道为128的卷积层；上采样模块中，up_sampling2d_1为2倍上采样层，up_level_2_no_0是输入通道为2。

15、56、输出通道为128、kernel大小为3、padding为1的卷积层；up_level_2_no_2是将特征图的通道数从128减少到64，kernel大小为3，padding为1的卷积层；up_sampling2d_2是2倍上采样操作；up_level_1_no_0是输入通道为128，输出通道为64，kernel大小为3，padding为1的卷积层；up_level_1_no_2是将特征图的通道数从64减少到32；up_sampling2d_3是2倍上采样操作；up_level_0_no_0是输入通道为64，输出通道为32的卷积层；up_level_0_no_2是将特征图的通道数从32减少。

16、到32；后处理模块中，features是将特征图的通道数从32增加到128的11卷积层；prob是输入通道为128，输出通道为1的1x1卷积层，padding为0；dist是输入通道为128，输出通道为32的1x1卷积层，padding为0；prob卷积层预测的细胞核掩码为pred_mask，gt标签直接由edt_prob生成单个高斯数值分布的细胞核掩码gt_mask，gt_mask和pred_mask使用BCEWithLogitsLoss计算损失，dist卷积层预测的细胞核的坐标编码为pred_dist,dist层的gt标签由stardist生成单个细胞核边缘坐标的角度编码gt_dist,g。

17、t_dist和pred_dist 使用L1Loss计算损失。9.根据权利要求1所述少样本ki67多类别细胞核的分割识别方法，其特征在于，步骤S4中，所述多分类的STARDIST模型，用于ki67多类别细胞核的mask和分类，其中：conv2d_1是一个输入通道为3，输出通道为64，kernel大小为3，padding为1的卷积层，它将输入图像进行卷积操作，输出特征图的通道数为64；conv2d_2是一个输入通道为64，输出通道为64，kernel大小为3，padding为1的卷积层，它对conv2d_1的输出特征图进行卷积操作，输出仍然是64通道的特征图；max_pooling2d_1是一个2。

18、倍下采样操作，将特征图的尺寸减小一半，即从164256256变为164128128；down_level_0_no_0是一个输入通道为64，输出通道为64，kernel大小为3，padding为1的卷积层；down_level_0_no_1是一个输入通道为64，输出通道为64，kernel大小为3，padding为1的卷积层；经过max_0的2倍下采样操作后，得到特征图的尺寸为1646464；down_level_1_no_0、down_level_1_no_1和max_1与上述down_level_0_no_0类似，不同之处在于输入通道变为64，输出通道变为128；经过max_1的2倍下采样。

19、操作后，得到特征图的尺寸为11283232；down_level_2_no_0、down_level_2_no_1和max_2与上述层类似，不同之处在于输入通道变为128，输出通道变为256；经过max_2的2倍下采样操作后，得到特征图的尺寸为12561616；中间过渡层的两个卷积层middle_0的输入输出通道分别为256,512；middle_2是一个输入通道为512，输出通权利要求书3/4 页4CN 117523205 A4道为256的卷积层；以上为网络的下采样部分；网络上采样部分由两个卷积层和一个上采样层组成；up_sampling2d_1对输入特征图进行2倍的上采样操作，将特征图的尺。

20、寸从12566464变为1256128128；然后将该特征图与down_level_2_no_1的输出进行concat操作，得到特征图的尺寸为1512128128；接着将该特征图传入up_level_2_no_0，输入通道为512，输出通道为256；up_level_2_no_2将特征图的通道数从256减少到128；up_sampling2d_2对输入特征图进行2倍的上采样操作，将特征图的尺寸从1128128128变为1128256256；然后将该特征图与down_level_1_no_1的特征图进行concat操作，得到特征图的尺寸为1256256256；接着将该特征图传入up_level_。

21、1_no_0，输入通道为256，输出通道为128的卷积层；up_level_1_no_2将特征图的通道数从128减少到64；up_sampling2d_3对输入特征图进行2倍的上采样操作，将特征图的尺寸从164256256变为164512512；然后将该特征图与down_level_0_no_1的特征图进行concat操作，得到特征图的尺寸为1128512512；接着将该特征图传入up_level_0_no_0，输入通道为128，输出通道为64的卷积层；up_level_0_no_2将特征图的通道数不变；最后，通过一个features卷积将特征图的通道数从64增加到256；一个feature_。

22、class卷积将特征图的通道数从64增加到256；prob是一个输入通道为32，输出通道为1的1x1卷积层，padding为0；dist是一个输入通道为32，输出通道为32的1x1卷积层，padding为0；class是一个输入通道为32，输出通道为num_class的1x1卷积层，padding为0；prob和dist部分与前文一致，class部分则是使用CrossEntropyLoss来计算损失。权利要求书4/4 页5CN 117523205 A5少样本ki67多类别细胞核的分割识别方法技术领域0001本发明涉及细胞检测领域，特别涉及少样本ki67多类别细胞核的分割识别方法。背景技术000。

23、2细胞核是组织病理学研究中的重要评估指标。针对不同类型的病理切片,对细胞核进行准确的分割和分类可以帮助病理医生进行疾病的诊断和判断。传统上的人工分割和分类方法费时费力,无法满足临床大规模样本的处理需求。随着计算机视觉和深度学习技术的不断进步,各种基于深度学习的语义分割方法被广泛应用于病理图像中的细胞核分割任务,以实现对大量样本的高效自动处理。0003Ki67是一种与细胞增殖密切相关的核蛋白,存在于细胞周期增殖期的细胞核中,包括G1期、S期、G2期和M期。它能够准确反映肿瘤细胞的增殖活性。通过Ki67免疫组化染色和细胞核计数,可以计算Ki67指数,即阳性细胞核所占百分比。0004在临床病理诊断中。

24、,Ki67免疫组化染色已成为评估肿瘤细胞增殖活性的重要指标。Ki67指数的测定可以为肿瘤的诊断、分期、预后判断、治疗方案选择等提供关键信息。但是,手工读取Ki67免疫组化结果存在一定的主观性和可重复性问题。构建Ki67免疫组化的人工智能自动判读系统,可以克服人工判读的局限,实现更加精确、高效的Ki67指数测定。0005目前,构建Ki67人工智能判读系统面临的重要难题,是不同癌种间标注样本的获取难度大。如果每种癌种都需要大量Ki67图像进行细胞核分割与分类标注,工作量将极其巨大。而现有分割与分类模型的泛化能力较差,很难实现不同癌种之间的知识迁移,导致每新增一种癌种都需要重新构建数据集。0006现。

25、有技术通过有以下几种做法：1、基于全卷积网络的语义分割方法:例如UNet、FCN等结构,可以实现对WSIs中的细胞核进行分割,但是无法区分不同类型的细胞,无法计算准确的Ki67指数。00072、基于区域提议网络的实例分割方法:例如MaskRCNN,可以同时实现细胞核的分割与分类,但其需要进行区域提议及多阶段处理,计算量较大,训练和推理时间长。00083、基于Transformer的实例分割方法:例如MaskFormer系列,引入Transformer模块学习全局上下文信息,提高了分割与分类的效果。但是这类方法对计算资源要求极高,需要大量训练数据进行调优。0009综上所述,现有技术尚未解决Ki6。

26、7多类别细胞核高效分割与分类的问题。开发能够快速适应不同样本的少样本学习方法,仍具有重要的技术意义和应用价值。发明内容0010本发明的目的在于克服现有技术的缺点与不足，提供少样本ki67多类别细胞核的分割识别方法，该方法仅需要少量样本,就可以实现对Ki67图像中多类别细胞核的高效分割与分类。该方案可以大大降低数据集标注量,实现不同癌种间的快速模型迁移。其技术创新点在于:1、使用少量样本训练的检测器,实现细胞核类型识别；2、采用强分割器获取细胞说明书1/13 页6CN 117523205 A6核定位和轮廓；3、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。

27、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。0011本发明的目的通过以下的技术方案实现：少样本ki67多类别细胞核的分割识别方法，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；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。

28、类别细胞核进行分类；S5、训练迭代模型；S6、清洗数据。0012步骤S1中，所述ki67典型样本标注后得到的是ki67细胞核的外轮廓坐标，将其转换为opencv的contours，使用opencv的boundrect函数得到细胞核的中心点和宽高，然后将这些坐标和类别转换为yolo的标注格式。0013步骤S2中，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512512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。

29、；通过设计（CBL+CSP1_1）、（CBL+CSP1_2）网络结构，可以使得输入图像与这些结构进行交互计算的过程中，得到更具表征能力的特征图；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；通过设计SPP结构，可以对特征进行多尺度的融合；通过设计（CSP2_1+CBL）结构，可以在减轻计算参数量的情况下，提高特征的融合能力；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。

30、featureB在通道维度上进行合并操作；通过设计CSP2+CBL结构，可以在减轻计算参数量的情况下，提高特征的融合能力；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，这个偏差可用于对预测框进行校正，使其更加精准地匹配真实物体；同时，det_featureA经过第二CBL和第二upsample。

31、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_说明书2/13 页7CN 117523205 A7featureB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。0。

32、014所述Focus模块的工作过程如下：首先，通过Focus模块对原始图像进行切片操作，以减小图像在空间维度上的大小，这个过程将图像切分成多个子图像块，每个子图像块的尺寸为13128128；接着，使用Concat操作将这四个子图像块合并在一起，得到一个112128128大小的特征图；由此，合并后的特征图在通道维度上具有12个通道，其中每个通道都包含了原始图像的不同局部信息；随后，经过一个卷积模块的处理，对这个合并后的特征图进行降维度操作；CBL模块提取图像中的抽象特征，并通过降低特征图的通道数量来减小计算复杂度；最终，得到了Focus模块的图像降维度输出，其尺寸为112128128；这个降维度。

33、的输出将作为后续网络处理的输入，用于提取图像的关键特征信息。0015所述SPP的工作过程如下：输入特征首先通过一个11的卷积操作来调整通道数；随后，经过三个最大池化操作，其中每个最大池化层的kernel_size分别设置为55、99和1313；每个最大池化层都将提取出不同尺寸的特征图，覆盖不同的感受野范围，这样可以捕捉到不同尺度上的目标物体及其周围的上下文信息；接着，将这三个最大池化层的结果与第一个CBL层的输出进行concat操作，将它们连接成一个更高维度的特征图；这样做的目的是融合不同尺度的特征信息，使得模型能够具备对不同尺度目标的感知能力；最后，通过一个CBL层对融合后的特征进行处理和融。

34、合，以生成最终的特征表示。0016所述YOLOhead1或者YOLOhead2或者YOLOhead3的工作过程如下：首先使用一个卷积层将输入特征图的通道数变换为num_class+5，其中num_class表示目标类别数量；通过makegrid函数生成网格，网格的大小为1,nc,ny,nx,2，其中，nc表示anchor锚框的数量，ny表示Yolohead的输入特征图的高度，nx表示特征图的宽度，这些网格用于确定目标物体在输入图像中的位置和尺寸；在网格中，实线框表示真实的目标框，它们的宽度和高度分别为Bw和Bh，而虚线框表示make_grid函数生成的其中一个锚框，它的宽度和高度为Pw和Ph；。

35、通过使用不同大小和宽高比的锚框，有助于增加模型对不同尺度和形状目标的检测能力；在YOLOhead1或者YOLOhead2或者YOLOhead3中，ny被make_grid函数划分为z个网格，每个网格的长度为Cy；同样，nx也可以被划分为z个网格，每个网格的长度为Cx；这样的划分使得锚框和真值框之间的关系得以建立，方便模型预测目标的位置和尺寸。0017所述锚框与真值框之间的关系可以用以下公式表示：bx=2fn（tx）0.5+Cx；by=2fn（ty）0.5+Cy；Bw=Pw（2fn（tw）2；Bh=Ph（2fn（th）2；其中，tx和ty分别表示锚框相对于网格单元的横坐标偏移量、纵坐标偏移量，t。

36、w、th分别表示锚框相对于真值框的宽度缩放比例、高度缩放比例，Pw和Ph表示锚框的宽度和高度，Bw和Bh表示真值框的宽度和高度；根据这个公式计算得到的锚框与真值框之间的关系，可以通过反向传播来调整预测结果，从而提高目标检测的准确性；YOLOhead1或者YOLOhead2或者YOLOhead3通过卷积层的通道变换、makegrid函数生成网格以及锚框与真值框之间的关系建立，有助于实现目标的位置和尺寸预测，并为YOLO目标检测网络提供了说明书3/13 页8CN 117523205 A8重要的信息基础。0018步骤S3中，所述STARDIST模型包括顺序连接的下采样模块、中间过渡层、上采样模块和后。

37、处理模块；其中：下采样模块中，conv2d_1是输入通道为3，输出通道为32，kernel大小为3，padding为1的卷积层；conv2d_2是输入通道为32，输出通道为32，kernel大小为3，padding为1的卷积层；max_pooling2d_1是kernel_size为2，stride为2的2倍下采样池化层，将特征图尺寸减小一半；down_level_0_no_0是输入通道为32，输出通道为32，kernel大小为3，padding为1的卷积层；down_level_0_no_1是输入通道为32，输出通道为32，kernel大小为3，padding为1的卷积层；max_0是ker。

38、nel_size为2，stride为2的2倍下采样池化层；down_level_1_no_0是输入通道为32，输出通道为64，kernel大小为3，padding为1的卷积层；down_level_1_no_1是输入通道为64，输出通道为64，kernel大小为3，padding为1的卷积层；max_1是kernel_size为2，stride为2的2倍下采样池化层；down_level_2_no_0是输入通道为64，输出通道为128，kernel大小为3，padding为1的卷积层；down_level_2_no_1是输入通道为128，输出通道为128，kernel大小为3，padding为。

39、1的卷积层；max_2是kernel_size为2，stride为2的2倍下采样池化层；中间过渡层中，middle_0为输入通道为128，输出通道为256的卷积层；middle_2为输入通道为256，输出通道为128的卷积层；上采样模块中，up_sampling2d_1为2倍上采样层，up_level_2_no_0是输入通道为256、输出通道为128、kernel大小为3、padding为1的卷积层；up_level_2_no_2是将特征图的通道数从128减少到64，kernel大小为3，padding为1的卷积层；up_sampling2d_2是2倍上采样操作；up_level_1_no_0。

40、是输入通道为128，输出通道为64，kernel大小为3，padding为1的卷积层；up_level_1_no_2是将特征图的通道数从64减少到32；up_sampling2d_3是2倍上采样操作；up_level_0_no_0是输入通道为64，输出通道为32的卷积层；up_level_0_no_2是将特征图的通道数从32减少到32；后处理模块中，features是将特征图的通道数从32增加到128的11卷积层；prob是输入通道为128，输出通道为1的1x1卷积层，padding为0；dist是输入通道为128，输出通道为32的1x1卷积层，padding为0；prob卷积层预测的细胞核掩。

41、码为pred_mask，gt标签直接由edt_prob生成单个高斯数值分布的细胞核掩码gt_mask，gt_mask和pred_mask使用BCEWithLogitsLoss计算损失，dist卷积层预测的细胞核的坐标编码为pred_dist,dist层的gt标签由stardist生成单个细胞核边缘坐标的角度编码gt_dist,gt_dist和pred_dist 使用L1Loss计算损失。0019步骤S4中，所述多分类的STARDIST模型，用于ki67多类别细胞核的mask和分类，其中：conv2d_1是一个输入通道为3，输出通道为64，kernel大小为3，padding为1的卷积层，它将输。

42、入图像进行卷积操作，输出特征图的通道数为64；conv2d_2是一个输入通道为64，输出通道为64，kernel大小为3，padding为1的卷积层，它对conv2d_1的输出特征图进行卷积操作，输出仍然是64通道的特征图；max_pooling2d_1是一个2倍下采样操作，将特征图的尺寸减小一半，即从164256256变为164128128；down_level_0_no_0是一个输入通道为64，输出通道为64，kernel大小为3，padding为1的卷积层；down_level_0_no_1是一个输入通道为64，输出通道为64，kernel大小为3，padding为1的卷积层；经过max。

43、_0的2倍下采说明书4/13 页9CN 117523205 A9样操作后，得到特征图的尺寸为1646464；down_level_1_no_0、down_level_1_no_1和max_1与上述down_level_0_no_0类似，不同之处在于输入通道变为64，输出通道变为128；经过max_1的2倍下采样操作后，得到特征图的尺寸为11283232；down_level_2_no_0、down_level_2_no_1和max_2与上述层类似，不同之处在于输入通道变为128，输出通道变为256；经过max_2的2倍下采样操作后，得到特征图的尺寸为12561616；中间过渡层的两个卷积层mi。

44、ddle_0的输入输出通道分别为256,512；middle_2是一个输入通道为512，输出通道为256的卷积层；以上为网络的下采样部分；网络上采样部分由两个卷积层和一个上采样层组成；up_sampling2d_1对输入特征图进行2倍的上采样操作，将特征图的尺寸从12566464变为1256128128；然后将该特征图与down_level_2_no_1的输出进行concat操作，得到特征图的尺寸为1512128128；接着将该特征图传入up_level_2_no_0，输入通道为512，输出通道为256；up_level_2_no_2将特征图的通道数从256减少到128；up_sampling。

45、2d_2对输入特征图进行2倍的上采样操作，将特征图的尺寸从1128128128变为1128256256；然后将该特征图与down_level_1_no_1的特征图进行concat操作，得到特征图的尺寸为1256256256；接着将该特征图传入up_level_1_no_0，输入通道为256，输出通道为128的卷积层；up_level_1_no_2将特征图的通道数从128减少到64；up_sampling2d_3对输入特征图进行2倍的上采样操作，将特征图的尺寸从164256256变为164512512；然后将该特征图与down_level_0_no_1的特征图进行concat操作，得到特征图的尺。

46、寸为1128512512；接着将该特征图传入up_level_0_no_0，输入通道为128，输出通道为64的卷积层；up_level_0_no_2将特征图的通道数不变；最后，通过一个features卷积将特征图的通道数从64增加到256；一个feature_class卷积将特征图的通道数从64增加到256。prob是一个输入通道为32，输出通道为1的1x1卷积层，padding为0；dist是一个输入通道为32，输出通道为32的1x1卷积层，padding为0；class是一个输入通道为32，输出通道为num_class的1x1卷积层，padding为0；prob和dist部分与前文一致，c。

47、lass部分则是使用CrossEntropyLoss来计算损失。0020本发明与现有技术相比，具有如下优点和有益效果：本发明使用单模完成细胞核的实例分割任务，并在速度和精度上兼顾考虑，相对于现有的实例分割方法，该方法具有显著的性能优势。本实施例中仅使用少量的标注信息就能完成细胞核的分类，并将分类信息与细胞核分割信息相结合，实现了实例分割数据的制作。特别是在多分类的STARDIST模型中，它不仅能够解决细胞核分割粘连的问题，同时还能高效地完成细胞核的分类。与现有的实例分割方法相比，该多分类的STARDIST模型的优势主要体现在以下几个方面：首先，该方法利用了深度学习技术中的端到端训练方式，通过卷。

48、积神经网络模型自动学习特征表示并进行实例分割，从而避免了传统方法中复杂的手工特征提取和处理过程。这使得模型更具通用性和适应性，能够自动适应各种细胞核的形状、纹理和颜色变化。0021其次，该方法有效利用少量标注信息进行训练，通过迁移学习和数据增强等技术，可以充分利用已有的标注数据并生成更多的预标注样本。这不仅减少了标注数据消耗的时间，还提高了模型的泛化能力和鲁棒性。0022另外，这种联合训练的方式不仅减少了模型的复杂性，还能够同时考虑细胞核的说明书5/13 页10CN 117523205 A10形状和类别信息，提高了分割和分类的准确性和一致性。在时间效率上，该方法减少了标注数据消耗的时间，使得病。

49、理医生可以将更多的时间用于修正标注困难样本。从而提高了整个细胞核实例分割过程的效率和质量。0023综上所述，本发明单一模型的细胞核分割和分类方法，在兼顾速度和精度的同时，相对于现有的实例分割方法具有巨大的性能优势。通过少量标注信息完成细胞核的分类，并将分类信息与细胞核分割信息相结合，实现了实例分割数据的制作。在时间效率上减少了标注数据消耗的时间，为病理医生提供更多修正困难样本的时间，从而提高了整体标注过程的效率和准确性。附图说明0024图1为本发明所述少样本ki67多类别细胞核的分割识别方法的流程图。0025图2为本发明所述Yolov5的网络结构图。0026图3为本发明所述Focus模块的结构。

50、图。0027图4为本发明所述CBL的结构图。0028图5为本发明所述ResBlock的结构图。0029图6为本发明所述CSP1_N模块的结构图。0030图7为本发明所述CSP2_N模块的结构图。0031图8为本发明所述SPP层的结构图。0032图9为本发明所述网格的结构图。0033图10为本发明所述STARDIST模型的结构图。0034图11为本发明所述多分类的STARDIST模型的结构图。具体实施方式0035下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。0036如图1，少样本ki67多类别细胞核的分割识别方法，包括以下步骤：A.病理医生标注典型数据；B.YOLO。