[发明专利]基于深度学习的宫颈癌TCT切片排阴方法和系统

说明书

本发明提供了一种基于深度学习的宫颈癌TCT切片排阴方法，包括如下步骤：对宫颈癌TCT图像进行切分预处理，将目标图像分切为若干具有部分重叠区域的图像块；使用目标检测模型对每个图像块进行检测并输出该图像块下的宫颈癌阳性目标检测框和对应的检测框置信度；设置检测框置信度阈值，基于所述检测框置信度阈值筛选保留检测框置信度大于所述检测框置信度阈值的检测框；使用排阴分类模型对保留的检测框中的检出目标图像进行检测，输出所有检出目标图像的阳性概率，并计算整体平均阳性概率；设置排阴概率阈值，若所述整体平均阳性概率小于等于预设排阴概率阈值则判定所述目标图像整体为阴性，否则判定为待人工排查图像，由医生进行人工查看。

技术领域

本发明涉及医学图像分析领域，特别是涉及一种基于深度学习的宫颈癌TCT切片排阴方法和系统。

背景技术

目前，宫颈癌是女性最常见的恶性肿瘤之一，在中国每年的新发病例约有13万，发病率在女性恶性肿瘤中仅次于乳腺癌。通过宫颈液基薄层细胞学检查(ThinprepCytologic Test, TCT)可达到对患者早诊断早治疗的目的，需要医生对每位病人的TCT玻片进行细胞学检查，是目前最主要的宫颈癌筛查手段。据统计，我国宫颈癌筛查人群高达3.5亿人，但目前国内注册的病理医生不到2万人，而培养一位有经验的病理医生需要花费5~10年，庞大的医生缺口导致宫颈癌筛查难以推广。

近年来，人工智能技术的蓬勃发展带动了相关医学领域的不断进步，基于深度学习的病理图像处理软件改变了传统病理诊断行业耗时费力的现状，减轻了病理医生的工作量，提高了病理诊断行业的效率和准确性。借助深度学习技术协助病理医生诊断使得解决我国当前TCT诊断面临的问题成为可能。实际实践中，通过大量宫颈癌TCT标注图像训练深度学习目标检测模型可检出图像中的宫颈癌阳性细胞。然而，目标检测模型对细胞的大小、细粒度特征特别敏感，在一些非典型病变样本检测结果中的阳性细胞中可能存在假阳性细胞，存在一定的误差，直接使用目标检测模型往往无法准确有效地对宫颈癌TCT图像进行整体判读。

发明内容

为改善上述技术现状，提出了本申请。本申请所要解决的技术问题是实现一种效率高、排除性能可靠的基于深度学习的宫颈癌TCT切片排阴方法和系统，用于TCT病理诊断场景下，辅助医生筛除阴性病例。

为了实现上述目的，本发明采用的技术方案为：

本发明第一个方面为一种基于深度学习的宫颈癌TCT切片排阴方法，包括如下步骤：

S1、对宫颈癌TCT图像进行切分预处理，将目标图像分切为若干具有部分重叠区域的图像块；

S2、使用目标检测模型对每个图像块进行检测并输出该图像块下的宫颈癌阳性目标检测框和对应的检测框置信度；

S3、设置检测框置信度阈值，基于所述检测框置信度阈值筛选保留检测框置信度大于所述检测框置信度阈值的检测框；

S4、使用排阴分类模型对保留的检测框中的检出目标图像进行检测，输出所有检出目标图像的阳性概率，并计算整体平均阳性概率；

S5、设置排阴概率阈值，若所述整体平均阳性概率小于等于预设排阴概率阈值则判断所述目标图像整体为阴性，否则判定为待人工排查图像。

进一步的，所述目标检测模型包括Yolo系列及衍生算法、Cascade R-CNN、FasterR-CNN或 RetinaNet中的一种或几种的组合，所述排阴分类模型包括ResNet34、ResNext101、ResNeXt50或EfficientNet b0~b7中的一种或几种的组合。

进一步的，步骤S1具体包括：

将待检测TCT病理图像进行分切，得到图像块集合，其中表示该图像集合，该集合共包含个图像块，对于其中任意第个图像块可表示为，。

进一步的，步骤S2具体包括：