[发明专利]基于深度学习检测模型子宫颈液基细胞数字图像分类方法

说明书

本发明涉及医疗技术领域，尤其是涉及基于深度学习检测模型子宫颈液基细胞数字图像分类方法，该方法包括：挑选并标注子宫颈液基涂片数字图像中异常细胞或生物性病原体的位置和类别；对子宫颈液基涂片数字图像进行数据归一化处理；将处理过后的子宫颈液基涂片数字图像作为输入，每个异常细胞或生物性病原体的标注位置和类别作为输出进行模型训练，得到训练好的Faster‑RCNN模型；将待识别图像输入至训练好的模型中，输出识别结果。本发明实施例提供的方法可实现：对子宫颈细胞学图像中的异常细胞或生物性病原体进行定位；对子宫颈细胞学图像中的异常细胞或生物性病原体进行分类；通过识别定位到的异常细胞或生物性病原体得出片级的诊断建议。

技术领域

本发明涉及医疗技术领域，尤其是涉及基于深度学习检测模型子宫颈液基细胞数字图像分类方法。

背景技术

子宫颈癌是女性第四常见癌症死因。在病症早期及时发现，及时治疗可以很大程度上提高治愈率。因此，子宫颈癌的早期诊断对女性健康有重要的意义。

宫颈液基细胞学检查(TCT)是一种子宫颈细胞学诊断方法，常用于检查子宫颈癌等疾病。随着医疗数字化的发展，现代医院逐渐推进在计算机上通过检查液基细胞涂片图像进行诊断，以取代在显微镜下直接对液基细胞涂片进行观察和诊断的传统方法。数字化的图像具有易于存储管理，易于传输会诊，易于追溯回访且使用成本相对较低的优点。

在计算机上进行诊断的检查步骤如下：

1、首先，取得少量子宫颈细胞样品，制作子宫颈液基涂片；

2、然后，通过高分辨率扫描仪扫描细胞涂片，生成子宫颈液基涂片数字图像；

3、最后，医生及病理专家通过计算机阅图工具观察细胞有无异常并做出诊断。

其中，子宫颈液基涂片通常包含5000-20000个保存完整的鳞状或鳞状化生细胞。在诊断过程中，对异常细胞或生物性病原体的识别定位会对判别诊断病变细胞及减轻医生筛查负担起到非常重要的作用。因此，细胞图像自动定位识别技术对于计算机辅助筛查，辅助诊断将会有很大的帮助。

已公开的专利中针对异常细胞或生物性病原体的识别定位，记载了如下的技术方案：

专利CN108364032A，提出了一种基于卷积神经网络的宫颈癌细胞图片识别算法，该方法通过分水岭算法定位细胞核并以细胞和为中心对细胞图片进行分割；然后使用LeNet5卷积神经网络对分割出的图像进行分类得对应细胞的分类结果。该专利仅对人工指定的细胞进行分类处理，无法自动处理整个子宫颈液基涂片数字图像。

专利CN109087283A，提出了一种基于细胞团的宫颈细胞病理切片病变细胞识别方法。该方法以细胞团为处理和识别单位，通过二值化处理得出细胞团前景图像；然后通过深度卷积神经网络的分类模型，对提取的前景进行细胞团分类。

专利CN109190567A，提出了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。该方法主要针对数字图像中的阴性细胞(正常细胞)进行分类，而对阳性仅分为“阳性宫颈细胞”一个单类。该专利不对阳性细胞进行详细分类。

专利CN110163102A，提出了一种基于卷积神经网络的宫颈细胞图像分类识别方法。该方法使用图像分割出待检测的细胞核区域；然后通过利用稠密卷积网络对分割的细胞核区域进行分类得出该细胞的类别。该专利未明确叙述所采用的图像分割方法，使用的网络为分类网络而不具有定位的功能。

上述专利中记载的定位技术存在分类准确性不足，尤其是对不同制片方式难以有满意的容错性，并且在整体片级结果的判断上敏感性和特异性也有着明显的不足。

发明内容

针对上述技术问题，本发明实施例提供了基于深度学习检测模型子宫颈液基细胞数字图像分类方法，以解决传统对异常细胞或生物性病原体的识别定位不准确，容错性低的一种或者多种问题。