[发明专利]一种可解释性的宫颈细胞图像快速分级识别方法及系统

说明书

本发明公开了一种可解释性的宫颈细胞图像的快速分级识别方法，所述方法包括：步骤1)对分割后的宫颈细胞图像进行预处理；步骤2)判断预处理后的细胞图像是否为单个细胞，如果是，转入步骤3)，否则，该图像为不可分的细胞团簇，转入步骤7)；步骤3)计算细胞参数特征；步骤4)建立细胞知识图谱推理判断模型，并将细胞参数特征输入该模型，得到单个细胞的第一种分级结果；步骤5)构建附加领域知识的双流卷积神经网络模型，基于该模型得到单个细胞的第二种分级结果；步骤6)结合第一种分级结果和第二种分级结果得到单个细胞的分级结果；步骤7)构建细胞团簇的双流卷积神经网络模型，并使用该模型对不可分细胞团簇进行细胞团簇的分级识别。

技术领域

本发明涉及医学细胞图像处理领域，具体涉及一种可解释性的宫颈细胞图像快速分级识别方法及系统。

背景技术

现有的临床诊断过程中宫颈细胞影像的分析方法，如TCT、SurePath等主流的筛查影像技术，完全依赖于阅片医生的个人经验进行涂片判读，其通常仅能得出病变存在与否的定性结论。由于宫颈液基涂片制片染色质量不同、阅片医生的经验不同、高强度的阅片工作造成的视觉疲劳等因素，宫颈细胞影像的结果表现为阳性检出率低、癌变细胞的易漏诊和阅片的工作效率低下。从分割后的宫颈细胞图像中针对单个细胞和不可分的细胞团簇区域进行快速分级识别，是实现宫颈细胞人工智能辅助阅片的重要部分。

针对分割后的宫颈细胞如何进行分析是一个值得探讨的问题，选取的细胞特征应该能够反映出正常细胞与癌变细胞之间的差异。一般的识别系统通常从细胞图像的颜色、形状和纹理中获取有效判别特征，从而实现细胞病变的度量。当前应用到宫颈细胞图像的分类的一些主要分类器，像基于贝叶斯规则的分类器、基于模糊逻辑的分类器、支持向量机等都属于一般的识别系统，其直接针对输入的细胞图像给出个不可解释的输出结果，并且这些分类器在针对大量数据容易过拟合，在细胞图像的细粒度分级识别上效果不理想。目前世界各地的医学图像分析组正在迅速进入深度学习领域，并将卷积神经网络和医学图像处理方法广泛的应用于医疗影像领域，例如国外研究学者将深度卷积神经网络用在乳腺癌病理切片的研究上并得到了理想的识别结果，其中卷积神经网络作为一种深度学习模型，可以直接从输入数据中提取图像特征。一方面在医学图像处理领域一般需要给出模型可读性的判读结果，模型的输出类别无法解析分级识别的依据与过程，另一方面由于宫颈细胞的特殊性，其形态具有多变性，并存在不同分化时期的细胞，直接使用卷积神经网络模型是无法得到有效的分级识别结果。

目前任何单一一种细胞分级识别模型都难以获得满意的结果，并且直接使用分类器得到识别结果都不具备判读过程的可解释性，亟待针对实际应用研究建立针对宫颈癌细胞的可解释的快速分级识别系统。

发明内容

本发明主要解决的技术问题是提供一种可解释性的宫颈细胞图像快速分级识别方法，能够解决宫颈细胞快速分级识别的问题，同时又具备模型判读过程的可解释性。该发明充分解析宫颈细胞知识，利用深度学习、图像理解技术，通过融合数据驱动方法和宫颈细胞领域知识的机制，最终实现宫颈癌细胞快速分级识别；该发明另一关注点在于分类模型的可解释性，通过知识图谱、深度学习技术，最终实现了细胞的判读识别结果的可解释性和判读识别过程的可读性，为宫颈细胞人工智能辅助阅片提供重要的分级识别系统框架。

为了实现上述目的，本发明提供一种可解释性的宫颈癌细胞图像快速分级识别方法，所述方法包括：

步骤1)对分割后的宫颈细胞图像进行预处理操作；

步骤2)判断预处理后的细胞图像是否为单个细胞，如果是，转入步骤3)，否则，该图像为不可分的细胞团簇，转入步骤7)；

步骤3)确定可计算的细胞参数，然后计算细胞参数特征；

步骤4)建立细胞知识图谱推理判断模型，并将细胞参数特征输入该模型，得到细胞的第一种分级结果；