一种基于区域提名的宫颈图像处理方法及装置制造方法及图纸

本发明专利技术公开了一种基于区域提名的宫颈图像处理装置，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特征提取网络、区域检测网络和区域筛选分类网络组成的模型网络，用于输出目标区域的分类信息以及位置信息；存储器，用于存储处理器中模型网络的参数；显示装置，用于显示处理器输出的目标区域的分类信息以及位置信息。还公开了采用所述的基于区域提名的宫颈图像处理装置对宫颈图像进行处理的方法，实现区分宫颈图像中的正常“醋白”与病灶“醋白”。

【技术实现步骤摘要】
一种基于区域提名的宫颈图像处理方法及装置
本专利技术属于图像处理领域，具体涉及一种基于区域提名的宫颈图像处理方法及装置。
技术介绍
深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。随着近几年深度学习研究热度的不断发酵，越来越多侧重于图像识别的应用场景开始出现深度学习的身影，其中就包括了医学图像的识别。利用检测网络来识别一些医学图像中可能存在病变的异常区域的尝试屡见不鲜，但是不管是一阶段还是两阶段的检测模型，模型设计的初衷都是侧重于定位任务，而分类任务只是检测模型的附属任务，因此单纯依靠检测模型在定位异常区域的基础上还要进行异常区域的分级预测就显得并不是那么可靠。
技术实现思路
针对现有技术中，经3％-5％醋酸溶液处理后的宫颈图像由于多处区域会出现“醋白”特征，存在正常“醋白”与病灶“醋白”难以区分的问题，本专利技术提供了基于区域提名的宫颈图像处理方法本文档来自技高网...

【技术保护点】
一种基于区域提名的宫颈图像处理装置，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，包括宫颈图像预处理模块和处理模块，所述处理模块包括由特征提取网络、区域检测网络和区域筛选分类网络组成的模型网络，用于输出目标区域的分类信息以及位置信息；存储器，用于存储处理器中模型网络的参数；显示装置，用于显示处理器输出的目标区域的分类信息以及位置信息。

【技术特征摘要】
1.一种基于区域提名的宫颈图像处理装置，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，包括宫颈图像预处理模块和处理模块，所述处理模块包括由特征提取网络、区域检测网络和区域筛选分类网络组成的模型网络，用于输出目标区域的分类信息以及位置信息；存储器，用于存储处理器中模型网络的参数；显示装置，用于显示处理器输出的目标区域的分类信息以及位置信息。2.根据权利要求1所述的基于区域提名的宫颈图像处理装置，其特征在于，所述宫颈图像预处理模块用于对图像采集装置采集的经3％-5％醋酸溶液处理后的宫颈图像进行标记，并使用K-means方法对宫颈图像数据进行聚类。3.根据权利要求1所述的基于区域提名的宫颈图像处理装置，其特征在于，所述特征提取网络由深度残差网络ResNet50和自顶向下的金字塔网络组成。4.根据权利要求3所述的基于区域提名的宫颈图像处理装置，其特征在于，深度残差网络由依次连接的1个卷积层，1个最大池化层、第一残差卷积模块、第二残差卷积模块、第三残差卷积模块和第四残差卷积模块组成。5.根据权利要求4所述的基于区域提名的宫颈图像处理装置，其特征在于，第一～四残差卷积模块分别由3、4、6、3个残差单元组成。6.根据权利要求1所述的基于区域提名的宫颈图像处理装置，其特征在于，所述区域检测网络包括分类子网络和回归子网络，分类子网络输出预测的目标区域的分类信息，回归子网络输出预测的目标区域的位置信息。7.根据权利要求1所述的基于区域提名的宫颈图像处理装置，其特征在于，所述区域筛选分类网络由高级别目标分类器和正常分类器组成，高级别目标分类器和正常分类器的结构完全相同，且在结构上是并行的。8.根据权利要求7所述的基于区域提名的宫颈图像处理装置，其特征...

【专利技术属性】
技术研发人员：吴健，应兴德，陈婷婷，马鑫军，吕卫国，袁春女，姚晔俪，王新宇，吴边，陈为，吴福理，吴朝晖，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33