一种基于半监督机制的异常细胞检测假阳性抑制方法技术

本发明专利技术揭示了一种基于半监督机制的异常细胞检测假阳性抑制方法，首先，通过训练RetinaNet网络模型，以可疑细胞检测框的形式输出可疑异常细胞的检测结果，然后，根据对可疑细胞检测框的定位获得单细胞图像块，引入包含有学生模型和教师模型的半监督机制设计出基于Mean

【技术实现步骤摘要】
一种基于半监督机制的异常细胞检测假阳性抑制方法


[0001]本专利技术属于细胞检测分类
，特别是涉及一种基于半监督机制的异常细胞检测假阳性抑制方法。

技术介绍

[0002]宫颈癌是女性最常见的癌症之一，若通过筛查在早期诊断和干预该疾病，则可以治愈该疾病。Thinprep细胞学检测(TCT)可帮助病理学家发现可能转变为癌症的异常宫颈鳞状细胞。通常，在筛选的单个全玻片TCT样本中，有数千个宫颈鳞状细胞。然而对于病理学人员来说在大量细胞病理样本中寻找和评估异常细胞既繁琐又耗时。因此，寻找一种实现可疑异常细胞的自动检测方法是非常必要的。
[0003]随着深度学习在图像检测和图像分类领域的发展，自动异常细胞检测已经开展了许多尝试。所有检测工作都不可避免地会产生假阳性结果。一些正常细胞被错误地归类为异常细胞，因此需要病理学家进行人工检查，以确保最终诊断结果的准确性。如果假阳性高，对病理学家来说是一个负担。
[0004]在细胞分类上，现有技术中专利号为CN201510742096.3公开了一种基于模糊积分多分类器融合的细胞图像识别方法及装置，其采用预训练的卷积神经网络CNN提取特征，并将输出特征发送到SVM分类器进行最终分类，但它的输入仅限于小的单细胞图像，这对于包含数千个细胞的TCT扫描图像来说是不切实际的；同时获得病理学家对单个细胞正异常的诊断结果是十分耗时且昂贵的。
[0005]目前所有的目标检测方法应用到异常细胞检测问题上都存在假阳性问题，即检测出的可疑细胞中既有真正异常的细胞也有正常的细胞，这给医生诊断带来了一定的干扰。传统的深度学习分类方法存在着不可解释性问题，并且需要探索其在分类性能上进一步提升的可行性。
[0006]因此，有必要研发一种基于半监督机制的异常细胞检测假阳性抑制方法来解决上述问题。

技术实现思路

[0007]本专利技术的主要目的在于提供一种基于半监督机制的异常细胞检测假阳性抑制方法，可以有效抑制检测后的假阳性细胞，并且可以在只有有限标记数据的情况下获得良好的性能，减少医务人员的复核工作量，提高异常细胞检测复核的工作效率。
[0008]本专利技术通过如下技术方案实现上述目的：一种基于半监督机制的异常细胞检测假阳性抑制方法，其包括以下步骤：
[0009]其包括以下步骤：
[0010]S1)获取第一样本集：获取宫颈细胞视野图，病理学家在宫颈细胞视野图上采用矩形框形式标注出异常宫颈细胞，得到第一样本集；
[0011]S2)异常细胞检测：将第一样本集送入目标检测RetinaNet网络中训练得到可疑细
胞自动检测模型；
[0012]S3)获取第二样本集：
[0013]S31)获取宫颈细胞视野图并将其输入到所述可疑细胞自动检测模型中，输出若干带有可疑细胞框的宫颈细胞图像；
[0014]S32)以每个所述可疑细胞框的中心位置向外扩展得到若干小块细胞图像，病理学家对设定比例数量的小块细胞图像中的异常宫颈细胞进行标注，判断其小块细胞图像中包含的目的细胞是否为真正阳性的异常宫颈细胞，得到有标注数据集，剩下的其他小块细胞图像作为无标记数据集，有标注数据集与无标记数据集构成第二样本集；
[0015]S4)基于Mean
‑
Teacher的半监督网络，利用所述第二样本集进行训练得到半监督分类模型。
[0016]进一步的，所述步骤S1)包括：
[0017]S11)获得若干张1024
×
1024像素大小的宫颈细胞视野图像X
i
，i＝0,1,2,3,N1；
[0018]S12)病理学家对上述宫颈细胞视野图像中的异常宫颈细胞做标注，得到第一样本集，其中标注形式为矩形框，用(x,y,w,h)表示，x、y、w、h这四个参数分别为标注矩形框的左上顶点坐标、标注矩形框的宽度、标注矩形框的高度。
[0019]进一步的，所述步骤S2)异常细胞检测包括：
[0020]S21)将所述第一样本集按设定比例划分为第一训练集和第一测试集；
[0021]S22)将第一训练集送入目标检测RetinaNet网络中，通过调节模型的初始学习率、损失函数中的α、γ参数使训练过程中的损失值收敛，完成网络训练；
[0022]S23)利用第一测试集对步骤S22)中的训练模型做筛选，得到可疑细胞自动检测模型；其中，筛选指标为map。
[0023]进一步的，所述步骤S3)获取第二样本集包括：
[0024]S311)获取若干张1024
×
1024像素大小的宫颈细胞视野图像，并将其送入所述可疑细胞自动检测模型中，网络将以可疑细胞框(x,y,w,h)的格式输出预测的可疑异常宫颈细胞的位置信息；
[0025]S312)在步骤S311)中的若干张1024
×
1024像素大小的宫颈细胞视野图上，以可疑细胞框的中心位置为中心向外扩展，得到一批224
×
224像素大小的小块细胞图像；
[0026]S313)按照设定比例提取设定数量的小块细胞图像，让病理学家对小块细胞图像中的异常宫颈细胞做标记，得到有标注的数据集DL＝{(x
i
,y
i
)},i＝1,...,M，剩下没有标注的小块细胞图像为未标注的数据集DU＝{(x
i
)},i＝M+1,...,N，其中x
i
代表小块细胞图像，y
i
代表该小块细胞图形所属的类别，为真正异常的宫颈细胞或者假阳性宫颈细胞；
[0027]S314)以所述步骤S312)中所获得的所有小块细胞图像为第二样本集，并将所述第二样本集按照设定比例划分为第二训练集与第二测试集，所述第二训练集按照设定的比例包含有标注的数据集和无标注的数据集，所述第二测试集均为有标注的数据集。
[0028]进一步的，所述步骤S4)包括：
[0029]S41)建立Mean
‑
Teacher分类网络：所述Mean
‑
Teacher分类网络包括一个教师模型和一个学生模型；
[0030]S42)Mean
‑
Teacher分类网络的损失计算：
[0031]S421)每一个有标注信息的小块细胞图像x
i
经过学生模型都会有一个输出y
′
i
，采用交叉熵方式计算y
i
和y
′
i
的误差L
cls
：
[0032][0033]其中f(x
i
,θ)指学生模型对于图像x
i
的输出，θ为学生模型的参数；
[0034]S422)用平方差损失来计算两个教师模型和学生模型输出结果的差异L
con
，
[0035][0036]其中f(x
′
i
,θ
′
)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半监督机制的异常细胞检测假阳性抑制方法，其特征在于：其包括以下步骤：S1)获取第一样本集：获取宫颈细胞视野图，病理学家在宫颈细胞视野图上采用矩形框形式标注出异常宫颈细胞，得到第一样本集；S2)异常细胞检测：将第一样本集送入目标检测RetinaNet网络中训练得到可疑细胞自动检测模型；S3)获取第二样本集：S31)获取宫颈细胞视野图并将其输入到所述可疑细胞自动检测模型中，输出若干带有可疑细胞框的宫颈细胞图像；S32)以每个所述可疑细胞框的中心位置向外扩展得到若干小块细胞图像，病理学家对设定比例数量的小块细胞图像中的异常宫颈细胞进行标注，判断其小块细胞图像中包含的目的细胞是否为真正阳性的异常宫颈细胞，得到有标注数据集，剩下的其他小块细胞图像作为无标记数据集，有标注数据集与无标记数据集构成第二样本集；S4)基于Mean
‑
Teacher的半监督网络，利用所述第二样本集进行训练得到半监督分类模型。2.如权利要求1所述的基于半监督机制的异常细胞检测假阳性抑制方法，其特征在于：所述步骤S1)包括：S11)获得若干张1024
×
1024像素大小的宫颈细胞视野图像X
i
，i＝0,1,2,3,N1；S12)病理学家对上述宫颈细胞视野图像中的异常宫颈细胞做标注，得到第一样本集，其中标注形式为矩形框，用(x,y,w,h)表示，x、y、w、h这四个参数分别为标注矩形框的左上顶点坐标、标注矩形框的宽度、标注矩形框的高度。3.如权利要求2所述的基于半监督机制的异常细胞检测假阳性抑制方法，其特征在于：所述步骤S2)异常细胞检测包括：S21)将所述第一样本集按设定比例划分为第一训练集和第一测试集；S22)将第一训练集送入目标检测RetinaNet网络中，通过调节模型的初始学习率、损失函数中的α、γ参数使训练过程中的损失值收敛，完成网络训练；S23)利用第一测试集对步骤S22)中的训练模型做筛选，得到可疑细胞自动检测模型；其中，筛选指标为map。4.如权利要求2所述的基于半监督机制的异常细胞检测假阳性抑制方法，其特征在于：所述步骤S3)获取第二样本集包括：S311)获取若干张1024
×
1024像素大小的宫颈细胞视野图像，并将其送入所述可疑细胞自动检测模型中，网络将以可疑细胞框(x,y,w,h)的格式输出预测的可疑异常宫颈细胞的位置信息；S312)在步骤S311)中的若干张1024
×
1024像素大小的宫颈细胞视野图上，以可疑细胞框的中心位置为中心向外扩展，得到一批224
×
224像素大小的小块细胞图像；S313)按照设定比例提取设定数量的小块细胞图像，让病理学家对小块细胞图像中的异常宫颈细胞做标记，得到有标注的数据集DL＝{(x
i
,y
i
)},i＝1,...,M，剩下没有标注的小
块细胞图像为未标注的数据集DU＝{(x
i
...

【专利技术属性】
技术研发人员：李文勇，杜霞萍，张立箎，王乾，蹇秀红，陈巍，
申请(专利权)人：江苏迪赛特医疗科技有限公司，
类型：发明
国别省市：