一种切片级宫颈癌筛查与分类的方法及装置制造方法及图纸

本发明专利技术提出了一种切片级宫颈癌筛查与分类的方法及装置，涉及疾病诊断技术领域，包括：获取宫颈细胞切片的切片图像，并将所述切片图像划分成若干预设大小的图像块；对于每个图像块，利用含有FPN的一阶段目标检测网络FCOS提取图像块的特征；其中，FCOS为使用带有细胞级别标注的宫颈细胞数据集训练获得；根据各个图像块的特征确定整张切片图像的特征；将所述切片图像的特征输入预设的分类网络，以获得所述切片图像的分类结果。本申请的方法的在敏感性、特异性、准确率等评价指标上均优于现有的基于规则的方法。基于规则的方法。基于规则的方法。

【技术实现步骤摘要】
一种切片级宫颈癌筛查与分类的方法及装置


[0001]本申请涉及疾病诊断
，尤其涉及一种切片级宫颈癌筛查与分类的方法及装置。

技术介绍

[0002]目前医院中宫颈癌的早期筛查方式主要是细胞学专家人工筛查。人工筛查存在以下问题：1、速度慢。在进行宫颈癌筛查工作时，细胞学家通常需要从一张包含几十万甚至更多数量的细胞组织切片中观察是否存在异常细胞以及异常细胞病变的程度，这往往需要耗费10
‑
15分钟的时间才能判断患者是否得病以及患者病灶病变的程度。2、存在经验偏差。对于一个切片的诊断结果，性格保守的专家和性格激进的专家的诊断结果可能存在不同，会出现病灶分级的差异。3、人工筛查中，由于人的精力有限，可能会因为疲劳等其他外界因素导致漏检的可能。
[0003]除去人工筛查的方法，现有的研究也有采用传统的数字图像处理的方式如SVM、随机森林等尝试实现宫颈癌筛查，但由于其性能差，无法应用于临床。最近的相关研究通过提取切片中固定数量的细胞目标的类别及其相应类别的置信度作为分类的依据，经过其人工定义的规则进行切片的分类。这种方式存在以下问题：1、泛化性差。由于其规则为人工定义，无法根据数据集的差异调整规则，因此在应用至其他数据集时很难取得理想的效果。2、假阳性较高。利用该方法提出的规则进行切片分类时，为保证对于患病切片的召回率，该方法会出现大量的健康切片被误分类为患病的情况，这会大大影响医生的工作效率。

技术实现思路

[0004]本申请所要解决的技术问题在于，针对现有技术的上述不足，提出一种切片级宫颈癌筛查与分类的方法及装置。
[0005]该切片级宫颈癌筛查与分类的方法包括：获取宫颈细胞切片的切片图像，并将所述切片图像划分成若干预设大小的图像块；对于每个图像块，利用含有FPN的一阶段目标检测网络FCOS提取图像块的特征；其中，FCOS为使用带有细胞级别标注的宫颈细胞数据集训练获得；根据各个图像块的特征确定整张切片图像的特征；将所述切片图像的特征输入预设的分类网络，以获得所述切片图像的分类结果。
[0006]在一些技术方案中，所述对于每个图像块，利用含有FPN的一阶段目标检测网络FCOS提取图像块的特征，包括：选择FCOS分类分支输出的特征图作为每个图像块的特征；通过将FPN输出的不同尺度的特征图在上采样至同一尺度后做pixel
‑
wise的求和以获得多尺度信息，使特征对于不同细胞尺度都能提供充足的语义信息。
[0007]在一些技术方案中，所述根据各个图像块的特征确定整张切片图像的特征，包括：
通过计算其每个图像块的特征图对应位置像素值的均值，以获得最终关于整张切片图像的特征。
[0008]在一些技术方案中，所述分类网络包括ResNet
‑
34、线性分类层。
[0009]另一方面，本申请还提出了一种切片级宫颈癌筛查与分类的装置，包括：获取模块，用于获取宫颈细胞切片的切片图像，并将所述切片图像划分成若干预设大小的图像块；提取模块，用于对于每个图像块，利用含有FPN的一阶段目标检测网络FCOS提取图像块的特征；其中，FCOS为使用带有细胞级别标注的宫颈细胞数据集训练获得；特征确定模块，用于根据各个图像块的特征确定整张切片图像的特征；分类模块，用于将所述切片图像的特征输入预设的分类网络，以获得所述切片图像的分类结果。
[0010]在一些技术方案中，所述提取模块包括：选择子模块，用于选择FCOS分类分支输出的特征图作为每个图像块的特征；求和子模块，用于通过将FPN输出的不同尺度的特征图在上采样至同一尺度后做pixel
‑
wise的求和以获得多尺度信息，使特征对于不同细胞尺度都能提供充足的语义信息。
[0011]在一些技术方案中，所述特征确定模块具体为：通过计算其每个图像块的特征图对应位置像素值的均值，以获得最终关于整张切片图像的特征。
[0012]在一些技术方案中，所述分类网络包括ResNet
‑
34、线性分类层。
[0013]另一方面，本申请还提出了一种电子设备，包括：、处理器；用于存储处理器的可执行指令的存储器；其中，所述处理器被配置为执行上述部分提出的切片级宫颈癌筛查与分类的方法。
[0014]另一方面，本申请还提出了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现上述部分所提出的切片级宫颈癌筛查与分类的方法。
[0015]本申请的技术方案可用于宫颈癌切片的初筛，辅助医生诊断。本申请利用深度学习模型实现切片特征的提取及判断工作，首先对每个图像块提取特征，然后再对一张切片所有图像块提取完成后将其整合为关于一张完整切片的深层特征。本申请的技术效果包括：第一、筛查过程完全由神经网络完成，输入切片后即可直接得到最终的分类结果，这不仅可以辅助医生诊断，且对于宫颈癌切片的初筛工作完全可以胜任。第二、相比于先前的细胞学专家判断一张切片需要10
‑
15分钟，本申请的方法可以将时间压缩至2
‑
3分钟（这其中包括对图像块的特征提取、融合以及后续的分类）。第三、本申请的方法的在敏感性、特异性、准确率等评价指标上均优于现有的基于规则的方法。
附图说明
[0016]图1是本申请实施例中一种切片级宫颈癌筛查与分类的方法的流程图。
[0017]图2是本申请实施例中一种切片级宫颈癌筛查与分类的方法的另一流程图。
[0018]图3是本申请实施例中一种切片级宫颈癌筛查与分类的装置的示意框图。
[0019]图4是本申请实施例中提取切片图像特征过程的示意图。
具体实施方式
[0020]以下是本申请的具体实施例并结合附图，对本申请的技术方案作进一步的描述，但本申请并不限于这些实施例。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
[0021]需要说明的是，在不冲突的情况下，本申请中的实施方式及实施方式中的特征可以相互组合。
[0022]参考图1，本申请实施例提出了一种切片级宫颈癌筛查与分类的方法，包括步骤S101至步骤S104，用于对宫颈细胞切片的切片图像进行筛查与分类。下面对该方案进行具体说明。
[0023]步骤S101，获取宫颈细胞切片的切片图像，并将所述切片图像划分成若干预设大小的图像块。
[0024]具体地，一张完整宫颈细胞切片的切片图像包含几十亿像素，现有的计算资源无法实现直接处理一张完整切片并对其提取特征。此处，将每张切片图像划分为若干预设大小的图像块，例如，每个图像块的大小可以设定为4096
×
2816。然后，对每个图像块提取特征，再对一张切片所有图像块提取完成后将其整合为关于一张完整切片图像的深层特征。
[0025]步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种切片级宫颈癌筛查与分类的方法，其特征在于，包括：获取宫颈细胞切片的切片图像，并将所述切片图像划分成若干预设大小的图像块；对于每个图像块，利用含有FPN的一阶段目标检测网络FCOS提取图像块的特征；其中，FCOS为使用带有细胞级别标注的宫颈细胞数据集训练获得；根据各个图像块的特征确定整张切片图像的特征；将所述切片图像的特征输入预设的分类网络，以获得所述切片图像的分类结果。2.根据权利要求1所述的切片级宫颈癌筛查与分类的方法，其特征在于，所述对于每个图像块，利用含有FPN的一阶段目标检测网络FCOS提取图像块的特征，包括：选择FCOS分类分支输出的特征图作为每个图像块的特征；通过将FPN输出的不同尺度的特征图在上采样至同一尺度后做pixel
‑
wise的求和以获得多尺度信息，使特征对于不同细胞尺度都能提供充足的语义信息。3.根据权利要求2所述的切片级宫颈癌筛查与分类的方法，其特征在于，所述根据各个图像块的特征确定整张切片图像的特征，包括：通过计算其每个图像块的特征图对应位置像素值的均值，以获得最终关于整张切片图像的特征。4.根据权利要求1所述的切片级宫颈癌筛查与分类的方法，其特征在于，所述分类网络包括ResNet
‑
34、线性分类层。5.一种切片级宫颈癌筛查与分类的装置，其特征在于，包括：获取模块，用于获取宫颈细胞切片的切片图像，并将所述切片图像划分成若干预设大小的图像块；提取模块，用于对于每个图像块，...

【专利技术属性】
技术研发人员：梁毅雄，耿瑞祥，刘剑锋，
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：