宫颈细胞图像中异常细胞图像识别方法、装置制造方法及图纸

本公开涉及一种宫颈细胞图像中异常细胞图像识别方法、装置。所述方法包括：将多尺度宫颈细胞图像输入至预先训练得到的多尺度融合网络，多尺度宫颈细胞包括同一宫颈细胞图像的不同尺寸；通过多尺度融合网络提取多尺度宫颈细胞图像中每个尺度的宫颈细胞图像的关键节点特征；通过伯塞斯达分级系统确定每个尺度的宫颈细胞图像的关键节点特征对应的宫颈细胞图像中异常细胞图像的分级结果；将每个尺度的宫颈细胞图像中异常细胞图像的分级结果进行融合，输出宫颈细胞图像中异常细胞图像以及分级结果中级别最高的异常细胞图像。采用本方法能够无需人工识别和确定宫颈细胞图像中异常细胞图像，并且能对异常细胞图像进行分级。并且能对异常细胞图像进行分级。并且能对异常细胞图像进行分级。

【技术实现步骤摘要】
宫颈细胞图像中异常细胞图像识别方法、装置


[0001]本公开涉及图像处理
，特别是涉及一种宫颈细胞图像中异常细胞图像识别方法、装置。

技术介绍

[0002]宫颈癌是一种常见妇科恶性肿瘤，其发病率在女性恶性肿瘤中居第二位，仅次于乳腺癌。宫颈癌的早期发现和干预治疗可有效避免其发生与发展。作为发现宫颈癌及癌前病变的主要方法，宫颈细胞学检查可大大降低发病率和死亡率。由于缺乏大量的经过严格训练又具有丰富经验的病理细胞学诊断医生，目前我国难以满足开展大规模高水平的宫颈癌普查需求。
[0003]随着人工智能技术的发展及其在医学影像领域的广泛应用，出现了通过计算机视觉技术实现计算机辅助自动化诊断筛查宫颈细胞中病理细胞，即异常细胞的方式，可以大幅提高宫颈癌前病变的检出率。
[0004]然而，目前的传统的通过计算机视觉技术进行筛查宫颈细胞中异常细胞的方式，缺乏有效的计算机辅助阅片系统，筛查出异常细胞后还需要通过专业知识人工进行识别且未能较好地对异常细胞的提取结果提供可解释性依据。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种无需人工识别和确定宫颈细胞图像中异常细胞图像，且能够对异常细胞的提取结果提供可解释性依据的宫颈细胞图像中异常细胞图像识别方法、装置。
[0006]第一方面，本公开提供了一种宫颈细胞图像中异常细胞图像识别方法，所述方法包括：
[0007]将多尺度宫颈细胞图像输入至预先训练得到的多尺度融合网络，所述多尺度宫颈细胞包括同一宫颈细胞图像的不同尺寸；<br/>[0008]通过多尺度融合网络提取所述多尺度宫颈细胞图像中每个尺度的宫颈细胞图像的关键节点特征；
[0009]通过伯塞斯达分级系统确定每个尺度的宫颈细胞图像的关键节点特征对应的宫颈细胞图像中异常细胞图像的分级结果；
[0010]将每个尺度的宫颈细胞图像中异常细胞图像的分级结果进行融合，输出宫颈细胞图像中异常细胞图像以及分级结果中级别最高的异常细胞图像。
[0011]在其中一个实施例中，所述通过多尺度融合网络提取所述多尺度宫颈细胞图像中每个尺度的宫颈细胞图像的关键节点特征，包括：
[0012]通过所述多尺度融合网络中第一尺度网络的残差网络提取所述多尺度宫颈细胞图像中第一尺度宫颈细胞图像的特征；
[0013]根据所述第一尺度宫颈细胞图像的特征并通过所述第一尺度网络的图卷积池化
网络得到第一尺度宫颈细胞图像的关键节点特征；
[0014]根据所述第一尺度宫颈细胞图像的关键节点特征对应的图像块的感兴趣区域确定所述多尺度宫颈细胞图像中第二尺度宫颈细胞图像的输入图像区域；
[0015]将所述输入图像区域输入至所述多尺度融合网络的第二尺度网络中；
[0016]通过所述第二尺度网络的残差网络提取所述输入图像区域的特征；
[0017]根据所述输入图像区域的特征并通过所述第二尺度网络的图卷积池化网络得到所述输入图像区域的关键节点特征。
[0018]在其中一个实施例中，所述通过所述多尺度融合网络中第一尺度网络的残差网络提取所述多尺度宫颈细胞图像中第一尺度宫颈细胞图像的特征，之前还包括：
[0019]对所述第一尺度宫颈细胞图像进行二值分割，去除所述第一尺度宫颈细胞图像中无宫颈细胞的背景区域，并将去除无宫颈细胞的背景区域后的所述第一尺度宫颈细胞图像进行分割为若干无重合的大小相同的图像块。
[0020]在其中一个实施例中，所述通过所述多尺度融合网络中第一尺度网络的残差网络提取所述多尺度宫颈细胞图像中第一尺度宫颈细胞图像的特征，包括：
[0021]将若干无重合的大小相同的所述图像块输入至所述第一尺度网络的残差网络中，得到每块图像块的特征，所述残差网络的激活函数采用线性整流函数，且所述残差网络包括卷积层和残差模块。
[0022]在其中一个实施例中，所述根据所述第一尺度宫颈细胞图像的特征并通过所述第一尺度网络的图卷积池化网络得到第一尺度宫颈细胞图像的关键节点特征，包括：
[0023]根据每块图像块的特征和每块图像块在第一尺度宫颈细胞图像中的位置信息构建第一尺度宫颈细胞图像的数字切片结构图，得到节点特征；
[0024]计算所述节点特征之间的L1距离，通过所述L1距离构建邻居节点特征，得到与所述节点特征对应的第一邻接矩阵；
[0025]通过图卷积网络更新所述节点特征表示方式；
[0026]通过单层神经网络得到更新所述节点的特征表示方式后的关键节点特征。
[0027]在其中一个实施例中，所述通过图卷积网络更新所述节点特征表示方式，包括：
[0028]根据所述第一邻接矩阵对每个所述节点特征的邻居节点特征进行采样；
[0029]根据聚合函数聚合采样后得到的所述邻居节点特征的信息，得到通过向量表示的所述节点特征。
[0030]在其中一个实施例中，所述根据所述第一邻接矩阵对每个所述节点特征的邻居节点特征进行采样，包括：
[0031]在所述节点特征的邻居节点特征数量小于预设的节点采样数量的情况下，通过有放回抽样方法进行采样；
[0032]在所述节点特征的邻居节点特征数量大于预设的节点采样数量的情况下，通过无放回的抽样方法进行采样；
[0033]得到所述预设的节点采样数量的第一节点特征。
[0034]在其中一个实施例中，所述根据聚合函数聚合所述邻居节点特征的信息，包括：
[0035]通过参数共享的线性变换矩阵对采样后得到的所述第一节点特征进行线性变换；
[0036]对进行线性变换后的所述第一节点特征进行自注意力操作，得到所述第一节点特
征之间的权重值；
[0037]将所述权重值进行降序排序，获取排名前第一预设数量的权重值；
[0038]通过归一化函数对所述第一预设数量的权重值进行归一化，并利用归一化后的所述权重值融合对应的所述第一节点特征，得到通过向量表示的所述节点特征。
[0039]在其中一个实施例中，所述通过单层神经网络得到更新所述节点的特征表示方式后的关键节点特征，包括：
[0040]通过自注意力操作得到通过向量表示的所述节点特征的注意力权重值；
[0041]获取在预设的第一范围内的注意力权重值对应的通过向量表示的所述节点特征；
[0042]根据所述注意力权重值、归一化函数对通过向量表示的所述节点特征进行更新，得到更新所述节点的特征表示方式后的关键节点特征。
[0043]在其中一个实施例中，所述多尺度融合网络，采用包括下述方式训练得到：
[0044]构建多尺度融合网络的训练数据集和测试数据集，所述训练数据集和测试数据集中均包括设置有标注信息的宫颈细胞图像，所述标注信息是通过宫颈细胞图像中预先标注的异常细胞确定的；
[0045]通过所述训练数据集和测试数据集以及预先设置的分类损失函数训练多尺度网络，得到多尺度融合网络。
[0046]在其中一个实施例中，所述分类损失本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种宫颈细胞图像中异常细胞图像识别方法，其特征在于，所述方法包括：将多尺度宫颈细胞图像输入至预先训练得到的多尺度融合网络，所述多尺度宫颈细胞包括同一宫颈细胞图像的不同尺寸；通过多尺度融合网络提取所述多尺度宫颈细胞图像中每个尺度的宫颈细胞图像的关键节点特征；通过伯塞斯达分级系统确定每个尺度的宫颈细胞图像的关键节点特征对应的宫颈细胞图像中异常细胞图像的分级结果；将每个尺度的宫颈细胞图像中异常细胞图像的分级结果进行融合，输出宫颈细胞图像中异常细胞图像以及分级结果中级别最高的异常细胞图像。2.根据权利要求1所述的方法，其特征在于，所述通过多尺度融合网络提取所述多尺度宫颈细胞图像中每个尺度的宫颈细胞图像的关键节点特征，包括：通过所述多尺度融合网络中第一尺度网络的残差网络提取所述多尺度宫颈细胞图像中第一尺度宫颈细胞图像的特征；根据所述第一尺度宫颈细胞图像的特征并通过所述第一尺度网络的图卷积池化网络得到第一尺度宫颈细胞图像的关键节点特征；根据所述第一尺度宫颈细胞图像的关键节点特征对应的图像块的感兴趣区域确定所述多尺度宫颈细胞图像中第二尺度宫颈细胞图像的输入图像区域；将所述输入图像区域输入至所述多尺度融合网络的第二尺度网络中；通过所述第二尺度网络的残差网络提取所述输入图像区域的特征；根据所述输入图像区域的特征并通过所述第二尺度网络的图卷积池化网络得到所述输入图像区域的关键节点特征。3.根据权利要求2所述的方法，其特征在于，所述通过所述多尺度融合网络中第一尺度网络的残差网络提取所述多尺度宫颈细胞图像中第一尺度宫颈细胞图像的特征，之前还包括：对所述第一尺度宫颈细胞图像进行二值分割，去除所述第一尺度宫颈细胞图像中无宫颈细胞的背景区域，并将去除无宫颈细胞的背景区域后的所述第一尺度宫颈细胞图像进行分割为若干无重合的大小相同的图像块。4.根据权利要求2所述的方法，其特征在于，所述通过所述多尺度融合网络中第一尺度网络的残差网络提取所述多尺度宫颈细胞图像中第一尺度宫颈细胞图像的特征，包括：将若干无重合的大小相同的所述图像块输入至所述第一尺度网络的残差网络中，得到每块图像块的特征，所述残差网络的激活函数采用线性整流函数，且所述残差网络包括卷积层和残差模块。5.根据权利要求4所述的方法，其特征在于，所述根据所述第一尺度宫颈细胞图像的特征并通过所述第一尺度网络的图卷积池化网络得到第一尺度宫颈细胞图像的关键节点特征，包括：根据每块图像块的特征和每块图像块在第一尺度宫颈细胞图像中的位置信息构建第一尺度宫颈细胞图像的数字切片结构图，得到节点特征；计算所述节点特征之间的L1距离，通过所述L1距离构建邻居节点特征，得到与所述节点特征对应的第一邻接矩阵；
通过图卷积网络更新所述节点特征表示方式；通过单层神经网络得到更新所述节点的特征表示方式后的关键节点特征。6.根据权利要求4所述的方法，其特征在于，所述通过图卷积网络更新所述节点特征表示方式，包括：根据所述第一邻接矩阵对每个所述节点特征的邻居节点特征进行采样；根据聚合函数聚合采样后得到的所述邻居节点特征的信息，得到通过向量表示的所述节点特征。7.根据权利要求6所述的方法，所述根据所述第一邻接矩阵对每个所述节点特征的邻居节点特征进行采样，包括：在所述节点特征的邻居节点特征数量小于预设的节点采样数量的情况下，通过有放回抽样方法进行采样；在所述节点特征的邻居节点特征数量大于预设的节点采样数量的情况下，通过无放回的抽样方法进行采样；得到所述预设的节点采样...

【专利技术属性】
技术研发人员：徐敏，李捷，王巍，张玉琦，张瑞雪，
申请(专利权)人：上海浦东发展银行股份有限公司，
类型：发明
国别省市：