基于Faster-RCNN模型的宫颈癌病变区域检测方法技术

本发明专利技术公布了一种基于深度学习目标检测算法，自动识别宫颈癌在阴道镜图像中具体位置，从而帮助医生确定活检位置。现阶段的研究使用醋白图像进行训练和预测，在临床检测中，单一使用一种图像检测容易产生错检区域，从而造成敏感性和特异性过低。本发明专利技术公布了一种结合碘和醋白实验图像的检测模型框架，利用碘图像中的特征排除醋白图像中的错检区域，从而提升灵敏性和特异性。

【技术实现步骤摘要】
基于Faster-RCNN模型的宫颈癌病变区域检测方法
本专利技术属于计算机数字图像处理领域，具体涉及基于Faster-RCNN模型的宫颈癌病变区域检测方法。
技术介绍
在发展中国家，宫颈癌是女性生殖系统第二大常见肿瘤，并且具有80％的发病率。在低、中收入国家，每年都有超过26万的妇女死于宫颈癌。中国每年新发病例达13.15万，宫颈癌死亡人数每年约5.3万，约占全部女性恶性肿瘤死亡人数的18.4％。宫颈癌好发于育龄期妇女，严重影响了育龄妇女的身体健康和生活质量，对家庭、社会和经济产生破坏性影响。宫颈癌的发生具有明确的病毒学病因。已经证明，高危人乳头瘤病毒(HR-HPV)感染是宫颈癌发病的必需因素。子宫颈上皮内病变是宫颈表面鳞状上皮的异常增生和癌前病变,需要经过漫长的时间才能进展到子宫颈癌，这一特性给了我们足够的时间发现癌前病变，并做出相应处理，阻断宫颈癌发展。因此，应用宫颈癌早期联合筛查手段能较敏感地筛查出子宫颈上皮内病变，从而达到早期发现、早期诊断、早期治疗的目的，这对发展中国家宫颈癌防治尤为重要。子宫颈上皮内病变分为低级别鳞状上皮内瘤变(LSIL)和高级别鳞状上皮内瘤变(HSIL)。在临床实践中，筛查的一个重要目标是将正常/低级别鳞状上皮内瘤变与高级别鳞状上皮内瘤变/癌(即HSIL+)区分开来，相当一部分LSIL患者可以通过自身免疫自愈，因此推荐随访观察。而HSIL+患者通常建议接受治疗——行子宫颈锥形切除术。因此，如何早期并准确地确定癌变区域、科学地制定治疗方案以及早期防治子宫颈癌有重要的作用，对临床工作有现实指导意义，是子宫颈癌筛查的主要目标。深度学习(DeepLearning)是目前热门的研究领域，是机器学习的一个分支。与传统的人工神经网络相比，模型的深度和参数数量都有着显著增加，优点是可以通过多层次的抽象从数据中自动学习特征。把深度学习应用到医学领域是最近兴起的研究热点，尤其是在某些医学检测图像的识别(辅助发现病灶，提高诊断的准确率)中有着广泛的应用前景。
技术实现思路
本专利技术的主要目的是针对现有的宫颈癌自动检测研究使用单一的醋白试验图像，并不符合临床阴道镜检查要求。在实际临床应用中，对患者检测容易产生错检的区域，从而导致特异性和敏感性不高，识别准确率下降的问题。本专利技术提出了将醋白实验图像和碘试验图像相结合的识别框架，可以减少这些错检区域，从而提升特异性和敏感性。本专利技术基于Faster-RCNN模型的宫颈癌病变区域检测方法，包括如下步骤：步骤一：收集阴道镜图像，对图像进行预处理得到源数据集；步骤二：构建基于VGG16特征提取网络的Faster-RCNN模型，对VGG16网络模型进行改进，加入两层non-local网络，增强局部信息；随机初始化特征提取网络的权值，然后通过源数据集对初始化后的Faster-RCNN模型进行训练；得到训练完成后的Faster-RCNN网络模型和网路权值参数；步骤三：将测试数据集输入到训练完成的Faster-RCNN，得到宫颈癌区域检测结果，并标记在原图像上。进一步的，所述的步骤一具体如下：从医院阴道镜图像数据库中获取的阴道镜图像数据集，由专业的阴道镜医师对阴道镜图像进行标注，标记出HSIL+类型病变区域，然后将数据集按照VOC数据集的格式进行制作；所述的每张阴道镜图像包含有该图像对应的醋白试验图像和碘试验图像。进一步的，所述的步骤二具体如下：Faster-RCNN网络模型由三部分组成：第一部分为特征提取网络层，主要任务是提取图像特征图，基于VGG16网络结构设计，将最大池化层改为平均池化层，从而保留更多的特征信息；并且在VGG16最后一个卷积层后加上两层non-local卷积层，从而加强前景信息，提高识别准确率；第二部分是RPN层，用于产生预测目标框proposals；第三部分是ROIpooling层，用于对产生的proposals框的大小进行回归调整并分类。进一步的，将制作好的数据集分为训练集和测试集，训练集用于训练改进过的Faster-RCNN模型，具体训练步骤如下：①训练集中包含了阴道镜图像上癌变区域的坐标信息和癌变类别标签，首先将阴道镜图像经过特征提取网络生成特征图；②基于特征图上的每个像素点，生成9个预先设定好大小的anchor，再经过NMS算法去除冗余的anchor，剩下的为最终生成的proposals；③ROIpooling层会计算proposals和GroundTruth之间的坐标偏移值：tx＝(x-xa)/wa,ty＝(y-ya)/ha,tw＝log(w/wa),th＝log(h/ha),t*x＝(x*-xa)/wa,t*y＝(y*-ya)/ha,t*w＝log(w*/wa),t*h＝log(h*/ha),其中x,y为GroundTruth的中心坐标，w,h分别为GroundTruth的宽和高，xa,ya为proposal的中心坐标，wa,ha分别为proposal的宽和高。同时计算出检测类别和真实类别之间的损失值。④不断的输入训练集中的图像，并重复步骤①-③，学习训练得到最终的权值，生成最终训练好的检测模型。进一步的，所述的步骤三具体如下：输入测试集到训练好的检测模型中，特征提取网络生成特征图，RPN网络生成proposals，ROIpooling对proposals进行回归微调确定最终癌变区域和癌变类别。本专利技术的有益效果：本专利技术通过结合了阴道镜图像中碘试验和醋白实验图像，用目标检测算法进行训练-学习-检测。通过IOU决策算法分别对在两种图像中检测的框的坐标进行计算功能IOU，通过阈值的设计，确定最终的病变区域。附图说明图1.改进过的VGG16结构图；图2.non-local网络层；图3.Faster-RCNN结构图；具体实施方式本专利技术以碘实验图像和醋白试验图像作为输入，输入测试集到训练好的检测模型中，特征提取网络生成特征图，RPN网络生成proposals，ROIpooling对proposals进行回归微调确定最终癌变区域和癌变类别。以下举例说明本专利技术整个过程的具体实施方式如下：本专利技术基于Faster-RCNN模型的宫颈癌病变区域检测方法，包括如下步骤：步骤一：收集阴道镜图像，对图像进行预处理得到源数据集；步骤二：构建基于VGG16特征提取网络的Faster-RCNN模型，对VGG16网络模型进行改进，加入两层non-local网络，增强局部信息；随机初始化特征提取网络的权值，然后通过源数据集对初始化后的Faster-RCNN模型进行训练；得到训练完成后的Faster-RCNN网络模型和网路权值参数；步骤三：将测试数据集输入到训练完成的Faster-RCNN，得到宫颈癌区域检测结果，并标记在原图像上。进一步的，所述的步骤一具体如下：从医院阴本文档来自技高网...

【技术保护点】
1.基于Faster-RCNN模型的宫颈癌病变区域检测方法，其特征在于：包括如下步骤：/n步骤一：收集阴道镜图像，对图像进行预处理得到源数据集；/n步骤二：构建基于VGG16特征提取网络的Faster-RCNN模型，对VGG16网络模型进行改进，加入两层non-local网络，增强局部信息；随机初始化特征提取网络的权值，然后通过源数据集对初始化后的Faster-RCNN模型进行训练；得到训练完成后的Faster-RCNN网络模型和网路权值参数；/n步骤三：将测试数据集输入到训练完成的Faster-RCNN，得到宫颈癌区域检测结果，并标记在原图像上。/n

【技术特征摘要】
1.基于Faster-RCNN模型的宫颈癌病变区域检测方法，其特征在于：包括如下步骤：
步骤一：收集阴道镜图像，对图像进行预处理得到源数据集；
步骤二：构建基于VGG16特征提取网络的Faster-RCNN模型，对VGG16网络模型进行改进，加入两层non-local网络，增强局部信息；随机初始化特征提取网络的权值，然后通过源数据集对初始化后的Faster-RCNN模型进行训练；得到训练完成后的Faster-RCNN网络模型和网路权值参数；
步骤三：将测试数据集输入到训练完成的Faster-RCNN，得到宫颈癌区域检测结果，并标记在原图像上。


2.如权利要求1所述的基于Faster-RCNN模型的宫颈癌病变区域检测方法，其特征在于所述的步骤一具体如下：
从医院阴道镜图像数据库中获取的阴道镜图像数据集，由专业的阴道镜医师对阴道镜图像进行标注，标记出HSIL+类型病变区域，然后将数据集按照VOC数据集的格式进行制作；
所述的每张阴道镜图像包含有该图像对应的醋白试验图像和碘试验图像。


3.如权利要求1所述的基于Faster-RCNN模型的宫颈癌病变区域检测方法，其特征在于所述的步骤二具体如下：
Faster-RCNN网络模型由三部分组成：
第一部分为特征提取网络层，主要任务是提取图像特征图，基于VGG16网络结构设计，将最大池化层改为平均池化层，从而保留更多的特征信...

【专利技术属性】
技术研发人员：晏菱，宋昊煊，申兴发，李树丰，郭懿，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33