【技术实现步骤摘要】
一种多任务宫颈癌细胞自动识别方法及装置
本申请涉及细胞图像识别
，尤其涉及一种多任务宫颈癌细胞自动识别方法及装置。
技术介绍
宫颈癌是最常见的妇科恶性肿瘤，宫颈癌细胞识别作为宫颈癌防治工作的关键技术之一，对减少女性因患宫颈癌的死亡率具有重要意义。在现有的一些技术方案中采用基于深度学习目标检测网络模型实现宫颈癌细胞的识别；例如，中国专利CN201810169962.8公开了的用于处理宫颈细胞图像的方法和装置，其包括：步骤S1：获取范例图像，然后获取范例图像对应的范例图像标定信息；步骤S2：根据范例图像和范例图像标定信息生成样本集；步骤S3：根据样本集进行深度学习网络的训练和参数优化，得到卷积神经网络模型；步骤S4：利用卷积神经网络模型对测试图像进行测试，检出目标区域及其分类结果。该专利文献中采用深度学习的技术实现图像的自动分类。然而，基于深度学习目标检测网络模型进行宫颈癌细胞检测会出现大量假阳性的问题，即检测出大量病变细胞，而实际上这些检测出的病变细胞是误检成病变细胞的正常细胞。由于宫颈癌筛查的分类结果要基于图片...
【技术保护点】
1.一种多任务宫颈癌细胞自动识别方法，其特征在于，包括：/n训练多任务网络模型；其中，多任务网络模型包括：分类分支和检测分支；检测分支基于深度学习目标检测模型YOLOv3实现，可用于检测宫颈细胞图像中的癌细胞；分类分支用于判定宫颈细胞图像中是否存在非正常细胞；/n采用分类分支判定宫颈细胞图像中是否存在异常细胞，若存在异常细胞则判定该宫颈细胞图像为阳性，否则判定为阴性；/n采用检测分支检测宫颈细胞图像中细胞类型，并生成相应的预测信息；其中，所检测的细胞类型至少包括癌细胞；/n当分类分支判定宫颈细胞图像为阳性时，输出检测分支的检测结果。/n
【技术特征摘要】
1.一种多任务宫颈癌细胞自动识别方法，其特征在于，包括：
训练多任务网络模型；其中，多任务网络模型包括：分类分支和检测分支；检测分支基于深度学习目标检测模型YOLOv3实现，可用于检测宫颈细胞图像中的癌细胞；分类分支用于判定宫颈细胞图像中是否存在非正常细胞；
采用分类分支判定宫颈细胞图像中是否存在异常细胞，若存在异常细胞则判定该宫颈细胞图像为阳性，否则判定为阴性；
采用检测分支检测宫颈细胞图像中细胞类型，并生成相应的预测信息；其中，所检测的细胞类型至少包括癌细胞；
当分类分支判定宫颈细胞图像为阳性时，输出检测分支的检测结果。
2.根据权利要求1所述的多任务宫颈癌细胞自动识别方法，其特征在于，训练多任务网络模型具体包括：
获取训练图像集中的一张训练图像I，及该训练图像工的标注；标注包括标注框，以及对应的位置信息；
对训练图像I进行增强；
根据损失函数对多任务网络模型进行训练；其中，联合损失函数为：
L(θ，θ1，θ2；I)＝Limgcls(θ，θ1；I)+λ·c·Ldet(θ，θ2；I)；
其中，Ldet(θ，θ2；I)为检测分支的损失，即YOLOv3模型中的损失；Limgcls(θ，θ1；I)为分类分支的损失；θ、θ1、θ2为训练参数；λ为平衡检测分支和分类分支的超参数；c为训练图像的阴阳性，若训练图像为阳性则为1，反之为0；其中，分类分支的损失计算式为：
其中，为存在非正常细胞的概率，f为YOLOv3中主干网络Darknet最后一层的特征；GAP为全局平均池化层；FC为全连接层；σ为激活函数。
3.根据权利要求1所述的多任务宫颈癌细胞自动识别方法，其特征在于，在对检测分支进行训练时，YOLOv3模型中，特征金字塔锚框的匹配方式为：每一层选取最大IOU的锚框进行匹配，并采用一个阈值来进行筛选，去掉低于阈值的锚框，剩余的作为正样本。
4.根据权利要求1所述的多任务宫颈癌细胞自动识别方法，其特征在于，当分类分支判定宫颈细胞图像为阴性时，屏蔽检测分支的检测结果。
5.根据权利要求1所述的多任务宫颈癌细胞自动识别方法，其特征在于，宫颈细胞图像中细胞类型包括：正常细胞NOR-MAL、非典型鳞状细胞ASC-US、非典型鳞状细胞ASC-H、低级别鳞状上皮内病变细胞LSIL、高级别鳞状上皮内病变细胞HSIL、非典型腺细胞AGC、腺癌细胞ADE、阴道滴虫VAG、念珠菌MON、菌群失调DYS。
6.一种多任务宫颈癌细胞自动识别装置，其特征在于，包括...
【专利技术属性】
技术研发人员：梁毅雄，潘长立，刘剑锋，王慧，
申请(专利权)人：湖南品信生物工程有限公司，
类型：发明
国别省市：湖南;43
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。