一种基于分类先验的宫颈图像病变区域分割装置及方法制造方法及图纸

本发明专利技术公开了一种基于分类先验的宫颈图像病变区域分割装置和方法，其中装置包括：图像采集装置，用于采集经3％‑5％醋酸溶液处理后的宫颈图像；处理器，包括宫颈图像预处理模块和处理模块，所述处理模块包括由基于残差连接的U型网络、图像层面分类器以及像素层面分类器组成的分割网络模型，用于输出预测宫颈图像上的病变区域位置；存储器，用于存储处理器中分割网络模型的参数；显示装置，用于显示处理器输出的预测的病变区域位置。利用本发明专利技术，可以为医生提供高准确率的活检病灶位置候选区域，提高活检阳性的检出率。

【技术实现步骤摘要】
一种基于分类先验的宫颈图像病变区域分割装置及方法
本专利技术属于医学图像处理领域，尤其是涉及一种基于分类先验的宫颈图像病变区域分割装置及方法。
技术介绍
子宫颈癌又称宫颈癌，为发生在子宫颈的癌症。在全世界，子宫颈癌是第四常见的癌症，也是女性第四常见癌症死因。然而从正常的宫颈到HPV感染，有极少数的宫颈病变会进一步发展成为宫颈癌，这一过程一般需要5-10年左右的时间。因此，如果能通过一定检测技术，在宫颈癌前病变阶段就检测出宫颈出现异样，那么将有很大的可能性预防宫颈癌。而宫颈高级别鳞状上皮内病变(High-gradesquamousintraepitheliallesion,HSIL)就是宫颈癌形成的最后一个过程，HSIL的诊断和治疗对宫颈癌预防是至关重要的。阴道镜检查是利用将子宫颈或生殖器表皮组织放大的显微镜，让医生可以观察子宫颈上皮及血管的变化，以诊断是否有不正常产病变。阴道镜在中国逐渐广泛应用于临床，已被公认对提高下生殖道病变诊断的质量，是不可缺少的一种手段。阴道镜检查主要用于观察下生殖道的子宫颈、阴道、外阴和生殖器病变。由于阴道镜可将病灶放大10－40倍，借以观察肉眼看不到较微小的病变，又可在阴道镜定位下作活组织检查，从而提高阳性检出率，协助临床及早发现癌前病变和癌变。若采用细胞学方法配合阴道镜检查和镜下活检，以及必要时做子宫颈管搔刮术的综合措施，可提高癌前病变和早期浸润癌的诊断准确率达92％，及早治疗的话可明显提高病人的存活率。虽然阴道镜配合活检能够提高阳性检出率，但活检病灶定位仍需要医生大量的医学经验。且阴道镜检查存在两个主要问题：(1)专业要求高，阴道镜图像包含了纹理，颜色等复杂特征，对阴道镜下宫颈组织形态的分析需要高度的专业知识，因此该检查需要经验丰富的妇科医生来进行；(2)主观性强，阴道镜下宫颈图像的诊断含有妇科医生的主观意见，对于一些有争议图像的诊断，每一个专家存在着或多或少的差别。目前，已有许多机器学习和图像处理的方法运用到阴道镜检测辅助领域当中，包括宫颈口的检测、醋白区域的检测等，这些方法在一定程度上间接地辅助医生作出更准确的判断，却无法直接地帮助医生定位活检病灶位置。因此，如何结合人工智能方法和医学经验，设计一种宫颈病变区域分割模型，为医生提供候选活检病灶位置，提高活检阳性检出率，是当前亟待解决的问题。
技术实现思路
本专利技术提供了一种基于分类先验的宫颈图像病变区域分割装置，采集患者的宫颈图像，判断是否存在病变区域并预测病变区域的位置，为医生提供高准确率的活检病灶位置候选区域，从而提高活检阳性检出率。本专利技术提供了如下技术方案：一种基于分类先验的宫颈图像病变区域分割装置，包括：图像采集装置，用于采集经3％-5％醋酸溶液处理后的宫颈图像；处理器，包含宫颈图像处理模块，所述处理模块包括由基于残差连接的U型网络、图像层面分类器以及像素层面分类器组成的分割网络模型，用于先判断当前宫颈图像是否存在病变，对于存在病变的宫颈图像，再预测病变区域位置；存储器，用于存储处理器中的分割网络模型、该模型在训练过程中更新的参数以及处理器运行时使用和生成的数据；显示装置，用于显示处理器输出的预测的病变区域位置。本专利技术的基于分类先验的宫颈图像病变区域分割装置通过U型网络提取图像中的局部特征和全局信息，通过图像层面分类器判断当前阴道镜图像是否存在病变，通过像素层面分类器判断当前图像上每个像素点上存在病变的可能性。由于图像层面分类器的存在，当遇到不存在病变的纯阴性宫颈图像时，像素层面分类器不再进行预测，可以大大抑制假阳性的错误预测。所述U型网络包括左半支路的编码器部分和右半支路的解码器部分；在编码器部分完成编码后分成两路，其中一路传入图像层面分类器，另一路降维后传入解码器部分；所述解码器部分的输出与像素层面分类器的输入连接。本专利技术将3％-5％醋酸溶液处理后的宫颈图像输入到处理器中训练好的割模型网络中，通过U型结构提取图像中的局部与全局特征，首先交由图像层面分类器进行预测，若分类器判断存在病变则继续由像素层面分类器预测病变存在区域；若分类器判断不存在病变，则像素层面分类器不再进行预测，以此准确地得到活检病灶位置的候选区域。所述编码器部分由ResNet-34网络构成，所述ResNet-34网络的整体结构包括依次相连的卷积滤波器尺寸为7×7、卷积步长为2的卷积层，池化滤波器尺寸为3×3、池化步长为2的最大池化层和4个卷积群，所述的4个卷积群分别由3、4、6、3个残差模块组成。所述4个卷积群中的残差模块均由2个卷积滤波器尺寸分别为3×3、3×3的卷积层组成，每个卷积群的第一个残差模块中的第一个卷积层的卷积步长为2，剩下的卷积步长均为1。每个残差模块中，进入第一个卷积层之前的特征图直接流向第二个卷积层之后并同第二个卷积层输出的特征图相加作为该残差模块的输出。这样的设计将卷积之前的特征毫无删减地保留到残差模块的输出中，更加有利于模型对特征的提取和利用。所述解码器部分由依次连接的五级解码层构成，每级解码层均由一个采用双线性插值方法、上采样尺度为2的上采样层，两个卷积滤波器尺寸均为3×3，卷积步长均为1的卷积层组成。上采样的作用是为了让特征图恢复到输入尺寸，从而能够让像素层面分类器预测最终的分割结果。每级解码层结构的前馈流程如下：(1)将自底向上传入的特征图与对应的同级编码器的特征图通过通道维度上的堆叠操作组合成一个新的特征图；(2)将新特征图通过上采样层使其尺寸扩大为原先的2倍；(3)通过两个卷积层进一步提取特征并传入下一个解码层。特征图经过五个解码层后尺寸从解码器输出时复原至原始尺寸，之后传入像素层面的分类器输出最终结果。所述图像层面分类器由一个全局平均池化层以及一个输出通道为2的全连接层组成，所述编码器部分输出特征图经过图像层面分类器后，再由SoftMax激活函数得到是否存在异常的预测概率值。所述像素层面分类器由两个卷积滤波器尺寸分别为3×3、1×1，卷积步长均为1的卷积层组成，所述解码器部分输出的特征图经过该分类器后，再由Sigmoid激活函数输出整张图像每个像素点上是否存在异常的概率值，得到病变区域分割预测。对分割网络模型的训练过程包括：(2-1)使用采集装置获取3％-5％醋酸溶液处理后的宫颈图像，对宫颈图像进行标记，并使用深度聚类的方法对图像数据进行聚类，得到具有相似性的图像簇，构成训练集；(2-2)对于训练集中的每一个训练批次，将固定数量的图像作为模型的输入，模型根据前馈路径分别生成对该批次图像的类别预测以及分割区域预测；(2-3)通过分别比较模型预测的类别、预测的分割区域与图像的真实标签之间的差距，根据相应的损失函数计算回传梯度，同时更新模型的参数，训练至损失函数收敛，提取模型的参数保存在存储器中。本专利技术还提供了一种基于分类先验的宫颈图像病变区域分割方法，包括：(1)使用图像采集装置获取3％-5％醋酸溶液处理后的宫颈图像；(2)将图像输入处理器中训练好的分割网络模型，若图像层面分类器判断存在病变区域，则继续由像素层面分类器预测病变区域位置并显示在显示装置上；若图像层面分类器判断不存在病变区域，则像素层面分类器不再进行预测。与现有技术相比，本专利技术的有益效果为：本专利技术宫颈图像病变区域分割装置中U型网络的编码器部分本文档来自技高网...

【技术保护点】
1.一种基于分类先验的宫颈图像病变区域分割装置，其特征在于，包括：图像采集装置，用于采集经3％‑5％醋酸溶液处理后的宫颈图像；处理器，包含宫颈图像处理模块，所述处理模块包括由基于残差连接的U型网络、图像层面分类器以及像素层面分类器组成的分割网络模型，用于先判断当前宫颈图像是否存在病变，对于存在病变的宫颈图像，再预测病变区域位置；存储器，用于存储处理器中的分割网络模型、该模型在训练过程中更新的参数以及处理器运行时使用和生成的数据；显示装置，用于显示处理器输出的预测的病变区域位置。

【技术特征摘要】
1.一种基于分类先验的宫颈图像病变区域分割装置，其特征在于，包括：图像采集装置，用于采集经3％-5％醋酸溶液处理后的宫颈图像；处理器，包含宫颈图像处理模块，所述处理模块包括由基于残差连接的U型网络、图像层面分类器以及像素层面分类器组成的分割网络模型，用于先判断当前宫颈图像是否存在病变，对于存在病变的宫颈图像，再预测病变区域位置；存储器，用于存储处理器中的分割网络模型、该模型在训练过程中更新的参数以及处理器运行时使用和生成的数据；显示装置，用于显示处理器输出的预测的病变区域位置。2.根据权利要求1所述的基于分类先验的宫颈图像病变区域分割装置，其特征在于，所述U型网络包括左半支路的编码器部分和右半支路的解码器部分；在编码器部分完成编码后分成两路，其中一路传入图像层面分类器，另一路降维后传入解码器部分；所述解码器部分的输出与像素层面分类器的输入连接。3.根据权利要求2所述的基于分类先验的宫颈图像病变区域分割装置，其特征在于，所述编码器部分由ResNet-34网络构成，所述ResNet-34网络的整体结构包括依次相连的卷积滤波器尺寸为7×7、卷积步长为2的卷积层，池化滤波器尺寸为3×3、池化步长为2的最大池化层和4个卷积群，所述的4个卷积群分别由3、4、6、3个残差模块组成。4.根据权利要求3所述的基于分类先验的宫颈图像病变分割装置，其特征在于，所述4个卷积群中的残差模块均由2个卷积滤波器尺寸分别为3×3、3×3的卷积层组成，每个卷积群的第一个残差模块中的第一个卷积层的卷积步长为2，剩下的卷积步长均为1。5.根据权利要求4所述的基于分类先验的宫颈图像病变分割装置，其特征在于，每个残差模块中，进入第一个卷积层之前的特征图直接流向第二个卷积层之后并同第二个卷积层输出的特征图相加作为该残差模块的输出。6.根据权利要求2所述的基于分类先验的宫颈图像病变分割装置，其特征在于，所述解码器部分由依次连接的五级解码层构成，每级...

【专利技术属性】
技术研发人员：吴健，马鑫军，陈婷婷，刘雪晨，雷璧闻，王文哲，陆逸飞，吕卫国，袁春女，姚晔俪，王新宇，吴福理，
申请(专利权)人：浙江大学山东工业技术研究院，
类型：发明
国别省市：山东,37