【技术实现步骤摘要】
宫颈细胞图像筛查方法、装置、计算机设备及存储介质
本申请涉及人工智能
，尤其涉及宫颈细胞图像筛查方法、装置、计算机设备及存储介质。
技术介绍
宫颈癌是最常见的妇科恶性肿瘤，且近年来其发病率有低龄化趋势，全世界每年有50万新发病例和27.4万死亡病例，其中85％的宫颈癌死亡病例发生在普查率低的低中等收入地区。宫颈癌又是目前唯一可以早发现并治愈的癌症，因此早期的筛查和诊断是防治宫颈癌的关键环节。现有一种宫颈异常细胞筛查方法，采集用户的宫颈异常细胞涂片后，医生通过显微镜观察该宫颈异常细胞涂片，并在该涂片中查找异常病变细胞，从而实现宫颈异常细胞的筛查。然而，传统的宫颈异常细胞筛查方法普遍不智能，医生要在显微镜下从成千上万个细胞中找出异常病变，并且每天要阅读大量的涂片，工作量非常大，工作效率低。
技术实现思路
本申请实施例的目的在于提出一种宫颈细胞图像筛查方法，旨在解决现有的宫颈异常细胞筛查方法工作量非常大，工作效率低的问题。为了解决上述技术问题，本申请实施例提供一种宫颈细胞图像筛查方...
【技术保护点】
1.一种宫颈细胞图像筛查方法，其特征在于，所述方法包括如下步骤：/n接收用户发送的图像筛查请求，所述图像筛查请求至少携带有原始图像；/n对所述原始图像进行下采样操作，获取目标图片块；/n将所述目标图片块输入至预设的图像筛查模型，获取与所述目标图片块相对应的预测类别信息以及预测概率信息，所述预测类别信息包括预测所述目标图片块为宫颈异常细胞图像的正类以及预测所述目标图片块为非宫颈异常细胞图像的负类，所述预测概率信息用于指示所述目标图片块属于所述预测类别信息的概率值；/n将满足预设的预测阈值以及预测类别信息的所述目标图片块作为筛查结果；/n向所述用户输出所述筛查结果。/n
【技术特征摘要】
1.一种宫颈细胞图像筛查方法，其特征在于，所述方法包括如下步骤：
接收用户发送的图像筛查请求，所述图像筛查请求至少携带有原始图像；
对所述原始图像进行下采样操作，获取目标图片块；
将所述目标图片块输入至预设的图像筛查模型，获取与所述目标图片块相对应的预测类别信息以及预测概率信息，所述预测类别信息包括预测所述目标图片块为宫颈异常细胞图像的正类以及预测所述目标图片块为非宫颈异常细胞图像的负类，所述预测概率信息用于指示所述目标图片块属于所述预测类别信息的概率值；
将满足预设的预测阈值以及预测类别信息的所述目标图片块作为筛查结果；
向所述用户输出所述筛查结果。
2.根据权利要求1所述的宫颈细胞图像筛查方法，其特征在于，在所述对所述原始图像进行下采样操作，获取目标图片块的步骤，具体包括如下步骤：
基于预设下采样率对所述原始图像进行采样操作，获取采样病理图像；
按照预设分割规则对所述采样病理图像进行分割操作，获取所述目标图片块。
3.根据权利要求1所述的宫颈细胞图像筛查方法，其特征在于，在所述将所述目标图片块输入至预设的图像筛查模型，获取与所述目标图片块相对应的预测类别信息以及预测概率信息的步骤之前，还包括如下步骤：
获取样本图像；
按照所述预设分割规则对所述样本图像进行分割操作，获取训练图片块；
通过预设的标注装置对所述训练图片块进行标记操作，获取标注图像，所述标注图像至少携带有标注预测类别信息以及标注预测概率信息；
将所述训练图片块以及标注图像导入图像分割网络中进行分割模型训练，获取特征参数；
基于所述特征参数对轻量化卷积神经网络进行参数调整，并对调整后的所述轻量化卷积神经网络进行分类模型训练；
将训练后的所述轻量化卷积神经网络作为所述预设的图像筛查模型。
4.如权利要求3所述的宫颈细胞图像筛查方法，其特征在于，所述将所述训练图片块以及标注图像导入图像分割网络中进行分割模型训练，获取特征参数的步骤，具体包括如下步骤：
基于损失函数diceloss对所述图像分割网络进行所述分割模型训练；
所述损失函数diceloss表示为：
其中，A为所述标注预测概率信息，B所述为标注预测类别信息，dice值的区间为0～1；
当所述dice值为1时，所述损失函数diceloss收敛；
将收敛后的所述图像分割网络的卷积核参数作为所述特征参数。
5.如权利要求3所述的宫颈细胞图像筛查方法，其特征在于，所述基于所述特征参数对轻量化卷积神经网络进行参数调整，并对调整后的所述轻量化卷积神经网络进行分类模型训练的步骤，具体包括如下步骤：
将所述特征参数作为所述轻量...
【专利技术属性】
技术研发人员：谢魏玮，王佳平，郭冰雪，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。