[发明专利]一种非规则宫颈细胞团图像分类方法及系统

说明书

本发明公开了一种非规则宫颈细胞团图像分类方法，其特征在于，包括以下步骤：离线建立可疑细胞团的训练样本集，采用多分辨率输入的三通道神经网络模型训练可疑病变细胞团判定模型；在宫颈病理切片图像上提取单个的细胞团区域，应用训练好的可疑细胞团判定模型对每个细胞团进行异常判定；挖掘没能被正确判断的细胞团，作为训练数据输入模型重点训练。本发明以非规则细胞团为处理和识别单位，且利用多分辨率输入的三通道神经网络模型快速识别可疑的病变细胞团，同时提高了识别精度和识别效率。

技术领域

本发明属于医学细胞病理图像处理领域，更具体地，涉及一种非规则宫颈细胞团图像分类方法及系统。

背景技术

宫颈癌是女性群体中高发的一种恶性肿瘤。宫颈液基细胞病理学是当前预防和筛查宫颈癌的最重要手段。对细胞病理切片图像中病变细胞进行精确判读是医生确定病人病情和制定治疗方案的重要依据。由于一张细胞病理切片包含非常多的视野，基于人工的细胞病理图像判读非常耗时。因此，自动地快速识别出切片中的可疑区域供医生进一步判读能极大提高医生诊断效率。这种智能辅助阅片技术对于在我国普及宫颈筛查具有重大的意义。

病理图像判读的主要依据是细胞核和细胞质的精细形态。这要求数字化的病理切片达到亚微米的分辨率。而单张切片尺寸一般在厘米尺度，因此一张数字化的切片图像通常含有10⁴x 10⁴–10⁵x 10⁵的像素。算法通常难以直接处理包含如此海量像素的数字切片，所以会采用大体积图像分块处理融合子块结果的计算方案。如美国Hologic公司将数字切片按视野分块，然后在每个视野块内计算图像特征，最终挑选22个最可疑的视野块供人工进一步判读。但是这种分块融合的方案有如下不足：子块的边界处细胞被人为切开，降低识别精度；字块太大依然难以直接处理，字块太小带来更多边界问题并增加处理开销；子块边界处邻近块处理结果的不一致性。常规的分块融合是一种规则的划分策略，对于细胞病理切片图像，由于制片原理，细胞大部分是成团聚集或者孤立存在。因此，如果能利用细胞病理切片图像的这一图像特点，对全切片进行非规则划分，这种处理方案将更有效：避免边界问题，减少冗余计算。

智能辅助阅片技术的第二个关键问题是如何识别出切片中局部的可疑异常细胞。当前深度学习技术发展非常迅速，尤其是在图像识别图像理解等领域。虽然传统的图像处理和特征提取方法能用于识别切片中可疑病变区域，但是传统图像特征或者自定义的图像特征很难完整地表征细胞形态，通常只能刻画部分细胞形态特征如核大、深染等。基于深度学习的仿视觉识别算法能通过深层卷积网络自动学习和编码图像形态特征，这些学习到的高维特征能有效表征各种不同类型细胞的形态差异。因此，基于深度学习的病理切片识别算法更加精确和稳定。

发明内容

为了解决现有技术的不足，本发明提出了一种非规则宫颈细胞团图像分类方法及系统，该方法以细胞团为处理和识别单位，且利用多分辨率输入的三通道神经网络模型快速识别病理切片中的可疑异常细胞团，同时提高了识别精度和识别效率。

一种非规则宫颈细胞团图像分类方法，包括以下步骤：

a)离线建立可疑细胞团的训练样本集，采用多分辨率输入的三通道神经网络模型训练可疑细胞团判定模型；

b)在宫颈病理切片图像上提取单个的细胞团区域，应用训练好的可疑细胞团判定模型对每个细胞团进行异常细胞判定。

进一步地，所述深度残差神经网络模型为多分辨率输入的三通道网络模型，构造方式为：

对每个细胞团区域，使用双线性插值方法将其采样到三个分辨率，分别是原始图像的0.75,1和1.25倍；

对每一个分辨率的输入图像，使用深度残差模型的特征提取模块提取该分辨率下的图像特征；

将三个分辨率提取的图像特征组合在一起，得到融合的图像特征，进一步使用逻辑回归分类细胞团是否是可疑细胞团。