[发明专利]一种新型的基于Feulgen染色方法的异常宫颈细胞自动识别方法

说明书

本发明公开了一种新型的基于Feulgen染色方法的异常宫颈细胞自动识别方法。本发明所述自动识别方法通过提取宫颈细胞的特征、训练宫颈细胞分类器从而实现异常宫颈细胞的识别，其中产生宫颈细胞分类器的过程主要分为四个步骤，步骤一：使用Feulgen染色方法对宫颈细胞玻片进行染色，并使用显微镜自动扫描玻片产生数字化视野图；步骤二：使用Surf算法结合RegionGrowing算法分割视野图中的宫颈细胞核；步骤三：提取细胞核的DNA含量信息及细胞核形态特征、宫颈细胞图片纹理特征等，并构建特征向量用于表征每个宫颈细胞的异常程度；步骤四：基于特征向量构建并训练神经网络分类模型，得到宫颈细胞分类器。最后，使用训练好的宫颈细胞分类器预测新的宫颈细胞特征向量，从而实现识别异常宫颈细胞的目的。实验表明，本发明基于Feulgen染色方法的异常宫颈细胞自动识别方法能够以较高的精度和效率完成对异常宫颈细胞的识别任务，并且本发明所述自动识别方法已经应用于现实的产品之中，具有较高的实用价值。

技术领域

本发明涉及一种基于深度学习的异常宫颈细胞自动识别方法，属于机器学习神经网络模型在医疗诊断中的应用。

背景技术

很多研究表明，异常宫颈细胞的细胞核通常发生很明显的变化，比如异常宫颈细胞核在形态结构、纹理特征、DNA含量等方面都和正常宫颈细胞核具有较明显的区别，异常宫颈细胞核通常会呈现出较大的异型性，大小不一、形状各异；在纹理层面上，由于细胞核分裂异常，导致染色质固缩成块，纹理粗糙，另外这也会导致细胞核内部DNA含量增加。上述宫颈细胞核的异常特征为计算机根据宫颈细胞核识别异常宫颈细胞提供了病理学基础。

目前很多研究同时基于宫颈细胞核与细胞质的特征来识别异常宫颈细胞，大致分为两种方法，方法一：不手动提取宫颈细胞的特征，直接基于深度学习技术，使用卷积神经网络模型自动提取宫颈细胞图像的特征，然后构建宫颈细胞分类器，从而检测异常宫颈细胞。但是由于深度学习缺乏可解释性，所提取的特征意义不明确，导致这种方法并不能一直保持良好的性能。方法二：手动对宫颈细胞核和宫颈细胞整体轮廓进行分割，然后提取细胞核与细胞质的各种形态特征、纹理特征等。但是由于宫颈细胞玻片制片或者染色的问题，导致宫颈细胞常常高度堆积重叠，这为宫颈细胞质的分割带来了很大的困难，细胞分割不准确会导致所提取的宫颈细胞的特征不准确，所以方法二的奏效与否严重依赖于宫颈细胞的准确分割。

异常宫颈细胞核的DNA含量相对于正常宫颈细胞而言通常会有显著的增加，特别是对于高度病变细胞及癌变细胞而言，DNA含量增加的幅度会更加明显，所以这是区分异常宫颈细胞的显著特征。然而目前在很多异常宫颈细胞自动化识别的研究中，还没有研究者将细胞核DNA含量特征用于异常宫颈细胞的自动识别。综上所述，目前急迫的需要一种能够有效地挖掘并利用宫颈细胞的异常特征、可解释性高、能够一直保持较高的诊断精度及具有较高诊断效率的异常宫颈细胞自动诊断方法。

发明内容

本发明的目的在于提供一种新型的基于Feulgen染色方法的异常宫颈细胞自动识别方法，它能够有效地解决技术背景中存在的问题。

为实现上述目标，本发明提供如下技术方案：一种新型的基于Feulgen染色方法的异常宫颈细胞自动识别方法，该方法通过提取宫颈细胞的特征、训练宫颈细胞分类器从而识别出异常宫颈细胞，其中产生宫颈细胞分类器的过程分为四个步骤：

步骤一：使用Feulgen染色方法对宫颈细胞玻片进行染色，并使用显微镜自动扫描玻片产生数字化视野图，结果记为SliceImages；

步骤二：依次处理SliceImages中包含的所有视野图，分割出视野图中的宫颈细胞核，得到所有宫颈细胞核的轮廓，记为NucleusContours；

步骤三：依次处理NucleusContours中每一个宫颈细胞核的轮廓，结合该细胞核所在视野图中的局部像素信息，计算该细胞的特征向量，记为FeatureVector，用来表征该宫颈细胞的异常病变程度。