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(L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