[发明专利]基于深度卷积神经网络的异常宫颈细胞自动检测方法

说明书

本发明公开一种基于深度卷积神经网络的异常宫颈细胞自动检测方法，主要包括以下步骤：（1）TCT宫颈细胞图片的人工标注；（2）已标注细胞图片的分割；（3）分割后细胞的多分类；（4）各类别细胞图片在迁移模型中的训练；（5）对待检测细胞图片的分割、识别、定位；（6）对于异常细胞团的再分割处理和识别。本发明所述的异常宫颈细胞自动检测方法将分割后的细胞分为9类，采用迁移学习方式进行训练，得到拟合较好的多分类模型。该模型可以对未标记的源宫颈细胞图片进行识别、筛选和准确定位，并对检测到的异常细胞做再次分割处理和识别，提升了检测的准确率。本发明在宫颈细胞病理诊断领域具有较好的辅助效果。

技术领域

本发明属于宫颈细胞病理诊断领域，具体涉及到一种基于深度卷积神经网络的异常宫颈细胞自动检测方法。

背景技术

近年来宫颈癌高发，已经成为威胁女性生命的社会问题。目前有效的宫颈癌诊断方法是宫颈涂片病理检查，该方法需要病理医生通过显微镜观察发现病变细胞后作出诊断。这一方面需要耗费大量的人力物力，另一方面诊断的准确性容易受到医生主观因素或视觉疲劳的影响。因此自动化的宫颈细胞病理诊断技术变得越来越重要。

现有的宫颈细胞识别技术通常以精细分割和特征提取为主，然而由于显微镜中采集的细胞图像的重叠、不规则、染色不均等问题的存在，给细胞的精细分割带来了很大的困难，同时特征提取的过程中会存在无法提取有效特征或过多引入无效特征的问题，无法取得很好的效果。

对于现有的异常宫颈细胞自动检测技术，大多采用阴性、阳性二分类去做识别检测，由于异常宫颈细胞和基底细胞的相似性以及细胞团的难以辨别性，导致分类效果不理想。且当前的细胞分类主要都针对于单个细胞，对于细胞团没有做过多的处理，导致细胞团的检测效果不理想。同时，现存的异常宫颈细胞自动识别方法主要都以分类为主，要求输入是分割处理后的图片，对于宫颈细胞的初始采集样本不能直接进行处理，不能达到异常宫颈细胞的识别与定位的直接目的。

发明内容

本发明针对现有技术的不足，提出一种基于深度卷积神经网络的异常宫颈细胞自动检测方法。

本发明解决其技术问题所采用的技术方案主要包括如下步骤：

步骤1：对获取的源宫颈细胞图像进行人工标注，获得包含异常宫颈细胞标注位置信息的文件。

步骤2：根据标注所得文件和源宫颈细胞图像进行分割处理；

1）采用阈值法首先分割细胞团：根据分割的位置信息和标注文件中的位置信息进行对比，判断是否属于异常宫颈细胞团，后以该位置信息分割出299´299的宫颈细胞团，阈值分割公式如下所示：

， （1）

其中，表示目标图像中像素的灰度值，表示源图像中像素的灰度值，表示所取的阈值。

2）采用自适应阈值法分割出离散细胞：首先确定细胞核的位置，将细胞核位置信息和标注文件中的位置信息进行对比，判断是否属于异常细胞，然后以细胞核为中心分割出299´299大小的细胞图片。

步骤3：结合细胞病理学和计算机技术相关知识，对分割后的细胞做分类处理，细胞团主要包括阴性宫颈细胞团和阳性宫颈细胞团两部分；离散细胞主要分为阴性单个鳞状细胞、阴性单个基底细胞、中性粒、阴性重叠鳞状细胞、阴性重叠基底细胞、杂质和阳性宫颈细胞。

步骤4：对上述得到的各类细胞图片做翻转、对比度变换等处理，扩大数据的样本量，平衡各个不同类别中的细胞图像数量。

步骤5：将在ImageNet上预先训练过的卷积神经网络模型进行更改，保留模型中所有卷积层的参数，修改最后的全连接层，采用交叉熵损失函数，公式表示如下所示

， （2）