[发明专利]一种基于稠密的特征金字塔网络的宫颈图像处理方法及装置

说明书

本发明公开了一种基于稠密的特征金字塔网络的宫颈图像处理装置，包括图像采集装置，用于采集经3％‑5％醋酸溶液处理后的宫颈图像；处理器，包括宫颈图像预处理模块和处理模块，所述处理模块包括由基于稠密连接的特征金字塔网络、区域提名网络和检测网络组成的模型网络，用于输出目标区域的分类信息以及位置信息；存储器，用于存储处理器中模型网络的参数；显示装置，用于显示处理器输出的目标区域的分类信息以及位置信息。还公开了基于稠密的特征金字塔网络的宫颈图像处理方法，包括：将图像采集装置采集的经3％‑5％醋酸溶液处理后的宫颈图像输入至处理器已训练模型网络中，输出目标区域的分类信息以及位置信息，并显示在显示装置上。

技术领域

本发明属于图像处理领域，具体涉及一种基于稠密的特征金字塔网络的宫颈图像处理方法及装置。

背景技术

深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。

随着近几年深度学习研究热度的不断发酵，越来越多侧重于图像识别的应用场景开始出现深度学习的身影，其中就包括了医学图像的识别。利用检测网络来识别一些医学图像中可能存在病变的异常区域的尝试屡见不鲜，但是不管是一阶段还是两阶段的检测模型，模型设计的初衷都是侧重于定位任务，而分类任务只是检测模型的附属任务，因此检测网络中的特征提取网络的设计初衷更偏重于图像中的物体位置信息，在一些既注重于定位又注重分类的应用场景中需要对特征提取网络做进一步的优化使其对图像特征的提取更细致。

阴道镜检查作为宫颈癌筛查环节中重要的一环，虽然配合活检能够提高阳性检出率，但活检病灶定位仍需要医生大量的医学经验。目前，已有许多机器学习和图像处理的方法运用到阴道镜检测辅助领域当中，包括宫颈口的检测、醋白区域的检测等，这些方法在一定程度上间接地辅助医生作出更准确的判断，却无法直接地帮助医生定位活检病灶位置。

医生会通过观察宫颈鳞柱交界及柱状上皮特征的变化来判断是否存在病灶可能。宫颈区域在3％-5％醋酸溶液作用后，由于多处区域会出现“醋白”特征，存在正常“醋白”与病灶“醋白”难以区分的问题，而宫颈低级别鳞状上皮内病变往往带有不规则的薄醋白上皮且醋白具有地图样边界，还带有细镶嵌以及细点状血管等特征。而宫颈高级别鳞状上皮内病变具有厚醋白上皮且醋白出现速度快，还伴有一些袖口状腺开口隐窝，粗镶嵌和粗点状血管。由于低级别病变特征与高级别病变特征十分相似，因此单靠肉眼很难精准区分，如何区分宫颈图像中的正常“醋白”与病灶“醋白”是宫颈图像处理领域急需解决的问题。

发明内容

针对现有技术中，经3％-5％醋酸溶液处理后的宫颈图像由于多处区域会出现“醋白”特征，存在正常“醋白”与病灶“醋白”难以区分的问题，本发明提供了一种基于稠密的特征金字塔网络的宫颈图像处理方法和装置，用于区分宫颈图像中的正常“醋白”与病灶“醋白”。

本发明采用的技术方案如下：

一种基于稠密的特征金字塔网络的宫颈图像处理装置，包括：

图像采集装置，用于采集经3％-5％醋酸溶液处理后的宫颈图像；

处理器，包括宫颈图像预处理模块和处理模块，所述处理模块包括由基于稠密连接的特征金字塔网络、区域提名网络和检测网络组成的模型网络，用于输出目标区域的分类信息以及位置信息；

存储器，用于存储处理器中模型网络的参数；

显示装置，用于显示处理器输出的目标区域的分类信息以及位置信息。

其中，目标区域的分类信息包括目标区域的级别信息和置信度。