细胞视野图的检测方法及存储介质技术

本发明专利技术提供细胞视野图的检测方法及存储介质，所述细胞视野图的检测方法包括获取步骤、训练步骤以及分类步骤。将使用了端到端的检测网络和分类网络组合的级联网络进行训练，将检测网络的反映的视野图级别的异常的特征信息整合到分类网络当中，避免该信息的流失。两个网络同时训练，使得检测网络和分类网络相互监督，互相促进，保证分类精度的同时降低了异常区域的检出假阳性。

Detection method and storage medium of cell perimetry

【技术实现步骤摘要】
细胞视野图的检测方法及存储介质
本专利技术涉及细胞图像检测领域，尤其涉及细胞视野图的检测方法及存储介质。
技术介绍
在检测异常视野图中异常细胞区域的现有技术中，并没有对视野图进行进一步的分类，只是完成异常细胞的位置和分类信息的获取。一般使用基于Faster-RCNN的检测方法和R-FCN的检测方法的结合，将两个网络的区域回归和标记框分类结合到一起。其具体过程为，对于一张视野图，先经过特征提取器，再经过RPN（候选区域生成网络）生成一定数量的候选框，大概2000个标记框，再利用R-FCN的区域性质，分别进行标记框的回归和分类，得出最终的检测结果。然而得出的检测结果，并没有将检测结果运用到最终的分类或者诊断的任务上。而且检测出来的结果不准确，会存在假阳性的结果。另外，目前的异常细胞视野图分类主要依赖于细胞的分类，细胞分类上，目前最先进的方法使用了基于图卷积的分类模型，首先用Densenet对细胞进行特征的提取，再使用K-Means方法将细胞进行聚类，最后使用了图卷积的方法对特征进行迭代更新，得出最终的特征，进行最后的细胞分类。本专利技术的主要目的就为了解决上述的三个问题1、没有在线将检测的结果融合进判读视野图分类的模型中，我们得出了视野图的异常检测信息，包含了一部分可以用作视野图判断的先验信息，但是这部分信息并没有被纳入到视野图分类判断的数据流当中，造成了先验信息的浪费和损失。2、视野图在经过检测模块之后，会标出一部分网络认为的存在异常的区域，但是这个区域可能是存在争议性的假阳性区域，即为正常区域被检测网络误标区域，显然这些区域是不应该出现的。但是在一张本身就是异常视野图的输入数据来说，在检测出某些异常区域的同时检测出假阳的正常区域，我们可以认为这个对于异常视野图的判断是影响较大的，但是一张正常的视野图若是出现了若干甚至仅仅只有一块异常区域，都是不合理的，对于视野图的判断是极为不友好的，最不应该出现异常的正常视野图当中检测出现了异常的区域，会降低我们判读视野图是否异常的标准和方法的鲁棒性，极大程度的降低了分类网络和检测网络的准确性。3、目前已有的模型都没有采用端到端的训练方法，没有让网络同时兼顾两个任务的信息，都是先训练一个检测网络再训练一个分类网络，不能再生成候选框的同时降低异常的假阳性，我们想同时训练这两个任务，达到让分类网络也对检测网络有所约束，同时检测网络对分类网络有所帮助的目的。
技术实现思路
为了解决上述问题，本专利技术提供一种细胞视野图的检测方法，包括：获取步骤，获取细胞视野图，并制作样本集；训练步骤，输入所述样本集以及分类标签，训练一级联网络得到级联模型，所述级联网络由Retinanet网络以及CNN网络组成，所述Retinanet网络用以通过训练得到检测模型，并输出视野图的区域判定结果；所述CNN网络用以通过训练得到分类模型，并输出视野图的分类结果；分类步骤，将待识别视野图输入至训练好的级联网络中得到整张视野图的分类结果以及该视野图的区域判定结果。进一步地，所述训练步骤包括Retinanet网络训练步骤，具体包括：划分步骤，将所述样本集分为训练集与测试集；第一训练步骤，输入所述训练集，训练Retinanet网络得到一第一网络模型以及多个特征图；第一输出步骤，将所述测试集输入至所述第一网络模型得到第一判定结果；第一优化步骤，比对所述第一判定结果与正确结果，计算二者的差异值并反向传递，优化第一网络模型得到检测模型。进一步地，所述训练步骤包括CNN网络训练步骤，具体包括：第二训练步骤，将所述特征图与分类标签输入，训练CNN网络得到第二网络模型；第二输出步骤，输入所述测试集并输出第二判定结果；第二优化步骤，比对所述第二判定结果与正确结果，计算二者的差异值并反向传递，优化第二网络模型的到分类模型，所述分类模型与所述检测模型组成一级联模型。进一步地，所述Retinanet网络包括卷积层，池化层以及激活层。进一步地，所述CNN网络包括卷积层、池化层、激活层以及全连接层。进一步地，所述分类步骤中，所述视野图区域判定结果包括多个异常标记框的位置和标记框类别信息。进一步地，所述第一训练步骤中，所述特征图由所述Retinanet网络的特征提取网络训练得到。进一步地，所述特征提取网络包括特征金字塔网络。进一步地，所述CNN网络包括Resnet网络以及稠密型网络；所述分类标签包括正常视野图或异常视野图。本专利技术还提供一种存储介质，该存储介质存储一计算机程序，该计算机程序用以执行所述的视野图的异常检测方法。本专利技术的有益效果是：本专利技术提供细胞视野图的检测方法及存储介质，将使用了端到端的检测网络和分类网络组合的级联网络进行训练，将检测网络的反映的视野图级别的异常的特征信息整合到分类网络当中，避免该信息的流失。两个网络同时训练，使得检测网络和分类网络相互监督，互相促进，保证分类精度的同时降低了异常区域的检出假阳性。附图说明下面结合附图，通过对本专利技术的具体实施方式详细描述，将使本专利技术的技术方案及其它有益效果显而易见。图1为本专利技术提供的细胞视野图的流程图。图2为本专利技术提供的级联网络的模块图。图3为本专利技术提供的检测步骤的流程图。图4为本专利技术提供的第二分类步骤的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。下文的公开提供了许多不同的实施方式或例子用来实现本专利技术的不同结构。为了简化本专利技术的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本专利技术。此外，本专利技术可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本专利技术提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。如图1所示，本专利技术提供一种细胞视野图的检测方法，包括S1~S5。S1、获取步骤，获取细胞视野图，并制作样本集。S2、训练步骤，输入所述样本集以及分类标签，训练一级联网络得到级联模型。如图2所示，所述级联网络由Retinanet网络（图2中的虚线框）以及CNN网络组成，所述Retinanet网络用以通过训练得到检测模型，并输出视野图的区域判定结果；所述CNN网络用以通过训练得到分类模型，并输出视野图的分类结果。所述分类标签包括正常视野图或异常视野图。所述训练步骤包括Retinanet网络训练步骤以及CNN网络训练步骤。如图3所示，所述Retinanet网络训练步骤具体包括：S201~S204。S201、划分步骤，将所述样本集分为训练集与测试集。S202、第一训练步本文档来自技高网...

【技术保护点】
1.一种细胞视野图的检测方法，其特征在于，包括：/n获取步骤，获取细胞视野图，并制作样本集；/n训练步骤，输入所述样本集以及分类标签，训练一级联网络得到级联模型，所述级联网络由Retinanet网络以及CNN网络组成，所述Retinanet网络用以通过训练得到检测模型，并输出视野图的区域判定结果；所述CNN网络用以通过训练得到分类模型，并输出视野图的分类结果；/n分类步骤，将待识别视野图输入至训练好的级联网络中得到整张视野图的分类结果以及该视野图的区域判定结果。/n

【技术特征摘要】
1.一种细胞视野图的检测方法，其特征在于，包括：
获取步骤，获取细胞视野图，并制作样本集；
训练步骤，输入所述样本集以及分类标签，训练一级联网络得到级联模型，所述级联网络由Retinanet网络以及CNN网络组成，所述Retinanet网络用以通过训练得到检测模型，并输出视野图的区域判定结果；所述CNN网络用以通过训练得到分类模型，并输出视野图的分类结果；
分类步骤，将待识别视野图输入至训练好的级联网络中得到整张视野图的分类结果以及该视野图的区域判定结果。


2.如权利要求1所述的细胞视野图的检测方法，其特征在于，
所述训练步骤包括Retinanet网络训练步骤，具体包括：
划分步骤，将所述样本集分为训练集与测试集；
第一训练步骤，输入所述训练集，训练Retinanet网络得到一第一网络模型以及多个特征图；
第一输出步骤，将所述测试集输入至所述第一网络模型得到第一判定结果；
第一优化步骤，比对所述第一判定结果与正确结果，计算二者的差异值并反向传递，优化第一网络模型得到所述检测模型。


3.如权利要求2所述的细胞视野图的检测方法，其特征在于，
所述训练步骤包括CNN网络训练步骤，具体包括：
第二训练步骤，将所述特征图与分类标签输入，训练CNN网络得到第二网络模型；
第二输出步骤，输入所述测试集并输出第二判定结果；<...

【专利技术属性】
技术研发人员：张立箎，王乾，周明，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31