[发明专利]一种基于因果注意力的轻量化宫颈癌图像细胞检测系统

说明书

本发明涉及一种基于因果注意力的轻量化宫颈癌图像细胞检测系统，通过各个模块分别实现样本数据的构建，以YOLOV5模型为基础，通过添加因果注意力机制引导的可变形卷积模块、以及使用轻量化卷积结构设计，实现待训练模型的构建、以及训练，获得宫颈癌图像异常细胞区域检测模型，进而针对待检测抗原检测试剂盒的图像进行识别，方案设计上改进深层次网络的特征提取结构，提升模型对宫颈细胞图像区域复杂且不规则的形态学特征的学习能力与对于驳杂背景的泛化能力；并且通过使用轻量化卷积结构设计更纤细的颈部网络，可以在不降低模型精度的条件下，降低模型参数量与计算量，由此高效准确地识别宫颈癌TCT图像中的异常细胞。

技术领域

本发明涉及一种基于因果注意力的轻量化宫颈癌图像细胞检测系统，属于目标检测识别技术领域。

背景技术

宫颈癌在全世界女性癌症发病、死亡率中均位居第四，在妇科恶性肿瘤中仅次于乳腺癌位居第二，2020年全球约有60.4万新发与34.2万死亡病例。基于巴氏涂片法的细胞学筛查显著降低了鳞状细胞宫颈癌(占比80％-90％)的死亡率。宫颈薄层液基细胞学检测(TCT)是常用的宫颈癌早筛方法。TCT从电子显微镜中导出细胞学图像。其分辨率往往取决于其扫描过程中的放大倍数，其在40倍的放大倍数下扫描1平方毫米的区域生成的图像大小可达48MB，生成的完整图片大小可以达到1-3GB，其分辨率可以达到7W*7W像素。对医生而言，要对这样一张大图进行快速且准确的判断是困难的且容易受到医生主观因素的影响从而导致误诊、漏诊等情况发生。因此，通过一个高效且准确的辅助诊断系统去辅助医生进行判断是必要的。

针对于计算机系统而言，无法直接处理这样一张大图，因此需要将图片网格分割为1024*1024的图像，可分出近5000张，分别进行识别后在拼接图片得到结果。现有的识别方法主要是基于Faster-RCNN等重量级模型上进一步改进的复杂网络，且部署成本高、推理速度慢，难以满足快速检测大量的的TCT图像形成完整检测结果的需求。

发明内容

本发明所要解决的技术问题是提供一种基于因果注意力的轻量化宫颈癌图像细胞检测系统，通过模块化的设计，完成样本数据建立与模型构建训练应用，针对宫颈癌TCT图像实现高效异常检测。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于因果注意力的轻量化宫颈癌图像细胞检测系统，通过样本数据获得模块、模型构建模块、模型训练生成模块，用于获得宫颈癌图像异常细胞区域检测模型；

样本数据获得模块，用于获取预设数量的宫颈癌TCT样本图像，且各幅宫颈癌TCT样本图像上分别包含异常细胞区域框，由宫颈癌TCT样本图像、以及其上所包含各异常细胞区域框构成样本数据，进而获得各个样本数据；

模型构建模块，用于以YOLOV5模型为基础，通过添加因果注意力机制引导的可变形卷积模块、以及使用轻量化卷积结构设计，构建待训练模型；

模型训练生成模块，基于各个样本数据，用于以宫颈癌TCT样本图像为输入、其上所包含各异常细胞区域框为输出，针对待训练模型进行训练，获得宫颈癌图像异常细胞区域检测模型。

作为本发明的一种优选技术方案：还包括检测应用模块，用于针对宫颈癌TCT实际图像，应用宫颈癌图像异常细胞区域检测模型进行处理，获得宫颈癌TCT实际图像上的各异常细胞区域框。

作为本发明的一种优选技术方案：还包括样本数据增强模块，用于针对各样本数据执行两种预处理操作，其一，分别针对各幅宫颈癌TCT样本图像执行对应预设各旋转角度进行旋转，获得各幅旋转后宫颈癌TCT样本图像，并结合相对应各异常细胞区域框，构成各样本数据，实现对样本数据获得模块所获各样本数据的扩充；其二，针对全部各样本数据中所涉及的各异常细胞区域框的尺寸，执行聚类算法，获得预设数量具有先验性的各初始异常细胞区域框尺寸；