基于级联卷积神经网络的宫颈细胞图像分割方法及系统技术方案

本发明专利技术提出了一种基于级联卷积神经网络的宫颈细胞图像分割方法及系统，包括：采集宫颈细胞图片并进行预处理，将预处理后的宫颈细胞图片划分为测试集和训练集；构建分割模型，所述分割模型包括特征提取网络和预测网络，所述特征提取网络为改进的残差网络和特征金字塔网络；所述预测网络为级联卷积神经网络；利用分组卷积和可变形卷积对残差网络进行改进；所述预测网络为级联卷积神经网络；利用训练集中的宫颈细胞图片对所述分割模型进行训练，得到训练好的分割模型；将测试集中的宫颈细胞图片输入至训练好的分割模型中，输出分割结果。输出分割结果。输出分割结果。

【技术实现步骤摘要】
基于级联卷积神经网络的宫颈细胞图像分割方法及系统


[0001]本专利技术属于图像分割
，尤其涉及基于级联卷积神经网络的宫颈细胞图像分割方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]宫颈癌是全球女性第四大常见肿瘤疾病，其发病率和死亡率逐年上升，且发病年龄趋于年轻化。但值得关注的是，宫颈癌是妇科癌症中目前唯一能够早发现、早治愈的肿瘤。传统的宫颈细胞学筛查中，病理医生对巴氏涂片采用手动筛查的手段进行观察，这种手动操作的方法繁琐且病理医师受主观性的限制，容易导致误诊、漏诊。随着数字病理学的不断发展，巴氏涂片诊断过程的自动化为宫颈癌的防治带来巨大的益处，自动化系统是将巴氏涂片人工筛查过程替换为一个能够模拟专家行为和知识的计算机系统，这种智能系统利用特征提取和分类替代了专家的分析和决策，从而来减轻医师的工作量，并在一定程度上避免错误诊断。
[0004]分割在医学图像处理中扮演着关键性的作用，为后续定量分析和类别分类奠定了重要的理论支撑。病理学家用来分析细胞类别的主要特征是核质比(N/C)，宫颈细胞筛查需要检测细胞形态和结构的变化。尽管到目前为止关于宫颈细胞分割的很多方法已被发表，然而由于存在重叠细胞，边缘模糊，染色不均和对比度差等复杂情况导致分割效果仍不理想。

技术实现思路

[0005]为克服上述现有技术的不足，本专利技术提供了一种基于级联卷积神经网络的宫颈细胞图像分割方法及系统，通过所提出的同构多分支调制可变形卷积残差模型来减少宫颈细胞图像特征提取过程中的信息损失，以获得更好的分割性能。基于级联区域卷积神经网络不断优化预测框来达到宫颈细胞图像更精准的掩码预测，实现快速准确，有效地分割重叠细胞。
[0006]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：一种基于级联卷积神经网络的宫颈细胞图像分割方法，其特征在于，包括：
[0007]采集宫颈细胞图片并进行预处理，将预处理后的宫颈细胞图片划分为测试集和训练集；
[0008]构建分割模型，所述分割模型包括特征提取网络和预测网络，所述特征提取网络为改进的残差网络和特征金字塔网络；所述预测网络为级联卷积神经网络；利用分组卷积和可变形卷积对残差网络进行改进；
[0009]利用训练集中的宫颈细胞图片对所述分割模型进行训练，得到训练好的分割模型；
[0010]将测试集中的宫颈细胞图片输入至训练好的分割模型中，输出分割结果。
[0011]本专利技术第二个方面提供一种基于级联卷积神经网络的宫颈细胞图像分割系统，包括：
[0012]采集模块，用于采集宫颈细胞图片并进行预处理，将预处理后的宫颈细胞图片划分为测试集和训练集；
[0013]模型构建模块，用于构建分割模型，所述分割模型包括特征提取网络和预测网络，所述特征提取网络为改进的残差网络和特征金字塔网络；所述预测网络为级联卷积神经网络；利用分组卷积和可变形卷积对残差网络进行改进；
[0014]训练模块，用于利用训练集中的宫颈细胞图片对所述分割模型进行训练，得到训练好的分割模型；
[0015]输出模块，用于将测试集中的宫颈细胞图片输入至训练好的分割模型中，输出分割结果。
[0016]本专利技术的第三个方面提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。
[0017]本专利技术的第四个方面提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。
[0018]以上一个或多个技术方案存在以下有益效果：
[0019]在本专利技术中，通过所提出的同构多分支调制可变形卷积残差模型来减少宫颈细胞图像特征提取过程中的信息损失，以获得更好的分割性能。基于级联区域卷积神经网络不断优化预测框来达到宫颈细胞图像更精准的掩码预测，实现快速准确，有效地分割重叠细胞。
[0020]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0021]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0022]图1为本专利技术整体结构流程图；
[0023]图2是本专利技术网络结构示意图；
[0024]图3为本专利技术的主干架构；
[0025]图4为本专利技术的同构多分支调制可变形卷积残差网络结构图；
[0026]图5为本专利技术的级联卷积神经网络结构图；
[0027]图6为本专利技术的分割掩膜展示图。
具体实施方式
[0028]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0029]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。
[0030]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0031]实施例一
[0032]如图1
‑
图6所示，本实施例公开了一种基于级联卷积神经网络的宫颈细胞图像分割方法，包括：
[0033]步骤1：采集宫颈细胞图片并进行预处理，将预处理后的宫颈细胞图片划分为测试集和训练集；
[0034]步骤2：构建分割模型，所述分割模型包括特征提取网络和预测网络，所述特征提取网络由不同的残差模块构成，提取宫颈细胞不同尺度、不同级别的特征图；所述预测网络为基于级联的卷积神经网络；
[0035]步骤3：利用训练集中的宫颈细胞图片对所述分割模型进行训练，得到训练好的分割模型；
[0036]步骤4：将测试集中的宫颈细胞图片输入至训练好的分割模型中，输出分割结果。
[0037]本申请的总体的构思为：对宫颈细胞进行预处理后，利用特征提取网络(ResNet+FPN)经过一系列的卷积、池化操作提取出图像的特征图；其次区域候选网络(RPN)在特征图上选定出候选目标，使用分类器来判别候选目标属于背景还是前景，同时利用建议框回归器修正候选目标的位置，生成候选目标区域。为了解决产生的候选目标区域不是特别准，容易出现噪声干扰问题，基于Cascade RCNN网络，获得更加精准的预测框，实现更精准的掩膜预测。最后利用全卷积网络(FCN)预测相应的目标分割掩膜。分类网络利用特征图和RPN网络生成的候选区域实现目标类别的检测，FCN利用特征图实现目标的像素级分割。
[0038]在本实施例步骤1中，对ISBI数据集进行预处理，利用Labelme进行标注并以JSON格式存储，创建与COCO格式相同的数据集。分割模型需要分割宫颈细胞中的细胞核和细胞质，对900张宫颈图片进行了标注并以JSON格式存储。细胞本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于级联卷积神经网络的宫颈细胞图像分割方法，其特征在于，包括：采集宫颈细胞图片并进行预处理，将预处理后的宫颈细胞图片划分为测试集和训练集；构建分割模型，所述分割模型包括特征提取网络和预测网络，所述特征提取网络为改进的残差网络和特征金字塔网络；所述预测网络为级联卷积神经网络；利用分组卷积和可变形卷积对残差网络进行改进；利用训练集中的宫颈细胞图片对所述分割模型进行训练，得到训练好的分割模型；将测试集中的宫颈细胞图片输入至训练好的分割模型中，输出分割结果。2.如权利要求1所述的一种级联基于卷积神经网络的宫颈细胞图像分割方法，其特征在于，将残差网络中C2
‑
C5层所有的3
×
3卷积层用组数为64的分组卷积来代替。3.如权利要求1所述的一种级联基于卷积神经网络的宫颈细胞图像分割方法，其特征在于，在残差网络的C3
‑
C5阶段所有3
×
3标准卷积进行可变形卷积，在3
×
3标准卷积的每一个像素上增加一个调制的偏移量。4.如权利要求3所述的一种基于级联卷积神经网络的宫颈细胞图像分割方法，其特征在于，可变形卷积的输出为：其中，Δp
l
和Δm
l
分别为l位置的可学习偏移量和调制标量，w
l
为初始化权重，p为特征图的原始位置，p
l
为采样点所列位置，Δp
l
为范围不受限的实数，Δm
l
范围在[0,1]。5.如权利要求4所述的一种基于级联卷积神经网络的宫颈细胞图像分割方法，其特征在于，利用改进后的残差网络的特征层C2
‑
C5构造特征金字塔P2
‑
P6有效特征层，具体为：将特征层C5进行卷积得到P5,P5进行最大池化操作后得到P6；将特征层C5进行卷积后...

【专利技术属性】
技术研发人员：岳伟伟，丁艳静，李庆华，
申请(专利权)人：山东第一医科大学山东省医学科学院，
类型：发明
国别省市：