一种基于弱监督的细胞异常区域定位方法技术

本发明专利技术涉及一种基于弱监督的细胞异常区域定位方法，包括采集细胞图像，形成训练集，并基于ResNet50神经网络模型对训练集数据进行预处理，基于预处理后的训练集对ResNet50神经网络模型进行训练，直至满足结束条件，得到训练后的ResNet50神经网络模型；将待定位的细胞图像输入训练后的ResNet50神经网络模型，输出异常细胞区域定位结果。相比于传统的人工异常细胞的筛查，本发明专利技术的异常细胞定位方法基于弱监督学习对训练集数据进行标注，避免全监督学习中对大量人工标注的需求，极大的降低训练集数据标注的门槛和时间，有效提高标注的效率，更好的实现神经网络模型的学习，改善训练效果，之后通过训练好的神经网络模型对异常细胞进行初筛，并将异常细胞区域在细胞学切片图像中标注出来，方便后续的复核。方便后续的复核。方便后续的复核。

【技术实现步骤摘要】
一种基于弱监督的细胞异常区域定位方法


[0001]本专利技术属于医学图像处理领域，具体涉及一种基于弱监督的细胞异常区域定位方法。

技术介绍

[0002]宫颈癌是威胁女性健康的第二大恶性肿瘤，早期对适龄女性进行筛查可有效降低其发病率和死亡率，研究表明，宫颈液基细胞学和人乳头瘤病毒(HPV)检测是宫颈癌的主要筛查方法。
[0003]现有的细胞学筛查大多还是由标注人员基于细胞学切片和经验进行人工异常细胞的筛查，这种筛查一方面需要标注人员拥有专业的医学知识，另一方面也需要标注人员累计丰富的经验；随着深度学习的普及，病理人工智能相关研究在一定程度上提升了异常细胞筛查的效率，但传统全监督学习需要的人工标注工作量巨大，对标注人员医学知识和经验的门槛也非常高。在宫颈细胞学筛查量巨大、细胞学病理医生严重稀缺的社会背景下，基于弱监督学习的宫颈细胞学标注与智能分析非常必要。

技术实现思路

[0004]针对上述问题，本专利技术提出一种基于弱监督的细胞异常区域定位方法，基于弱监督学习对神经网络训练的数据集进行标注，并基于该标注的数据集进行训练，实现异常细胞的定位。
[0005]实现本专利技术目的的技术方案为：
[0006]一种基于弱监督的细胞异常区域定位方法，包括以下步骤：
[0007]采集细胞图像，形成训练集；
[0008]基于ResNet50神经网络模型对训练集数据进行预处理；
[0009]基于预处理后的训练集对ResNet50神经网络模型进行训练，直至满足结束条件，得到训练后的ResNet50神经网络模型；
[0010]将待定位的细胞图像输入训练后的ResNet50神经网络模型，输出异常细胞区域定位结果。
[0011]作为一种较佳的实施方式，所述采集细胞图像的过程为：
[0012]对多个已知诊断结果的细胞学切片图像进行细胞定位和分割，记录每个细胞的位置，并将细胞学切片图像分割为多个图像块，使得每个图像块中仅保留一个细胞。
[0013]作为一种较佳的实施方式，所述预处理的过程为：
[0014]将所述分割后的图像块输入ResNet50神经网络模型，进行前向推理，输出图像块内细胞异常的概率；
[0015]将每个细胞学切片图像的所有分割后的图像块按异常概率的大小进行排序，并根据细胞学切片图像的异常诊断结果选取图像块代表该细胞学切片图像；
[0016]为所有训练集中的细胞学切片图像选取代表该细胞学切片图像的图像块。
[0017]作为一种较佳的实施方式，所述根据细胞学切片图像的异常诊断结果选取图像块代表该细胞学切片图像的依据为：
[0018]当该细胞学切片图像的异常诊断结果为阳性时，则选取异常概率最高的图像块作为该切片的代表；
[0019]当该细胞学切片图像的异常诊断结果为阴性时，则选取异常概率最低的图像块作为该切片的代表。
[0020]作为一种较佳的实施方式，对所述ResNet50神经网络模型进行训练的过程为：
[0021]将所有选取出的代表每个细胞学切片图像的图像块作为训练集输入ResNet50神经网络模型进行迭代训练，直至训练满足设定的结束条件，得到最终的ResNet50神经网络模型。
[0022]作为一种较佳的实施方式，所述迭代训练的迭代次数设置为200次，迭代训练选择使用Adam优化器，迭代训练的初始学习率设置为0.001。
[0023]作为一种较佳的实施方式，所述结束条件设置为：
[0024](1)ResNet50神经网络模型输出结果的正确率高于设定的阈值；
[0025](2)ResNet50神经网络模型训练迭代次数大于设定的阈值；
[0026]当满足以上任一条件时，都认为训练满足结束条件，结束训练。
[0027]作为一种较佳的实施方式，所述异常细胞区域定位的过程为：
[0028]将待定位的细胞学切片图像进行细胞定位和分割，记录每个细胞的位置，并将细胞学切片图像分割为多个图像块，使得每个图像块中仅保留一个细胞；
[0029]将分割后的图像块输入训练好的ResNet50神经网络模型，根据ResNet50神经网络模型输出的图像块内细胞异常概率，当异常概率大于设定的阈值时，认为图像块为异常图像块；
[0030]根据异常图像块中细胞在待定位的细胞学切片图像中的定位，在待定位的细胞学切片图像中标注出所有异常细胞区域，完成细胞异常区域的定位。
[0031]作为一种较佳的实施方式，将细胞学切片图像分割时，当细胞学切片图像为采用10倍目镜、20倍物镜的扫描倍数扫描成像时，记录每个细胞的位置并在细胞学切片上对应的位置切取128*128dpi的图像块，完成细胞学切片图像的定位和分割。
[0032]本专利技术与现有技术相比，其显著优点和有益效果在于：
[0033](1)相比于传统的人工异常细胞的筛查，本专利技术的异常细胞定位方法可以通过训练好的神经网络模型对异常细胞进行初筛，并将异常细胞区域在细胞学切片图像中标注出来，方便后续的复核；
[0034](2)本专利技术的技术方案基于弱监督学习对训练集数据进行标注，避免全监督学习中对大量人工标注的需求，极大的降低训练集数据标注的门槛和时间，有效提高标注的效率，更好的实现神经网络模型的学习，改善训练效果；
[0035](3)作为病理细胞学人工智能辅助诊断系统的一部分，比现有技术方案更适用于基于外部技术性手段辅助临床诊断。
[0036]本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
[0037]附图仅用于示出具体实施例的目的，而并不认为是对本专利技术的限制，在整个附图中，相同的参考符号表示相同的部件。
[0038]图1是本专利技术的基于弱监督的细胞异常区域定位方法步骤流程图。
[0039]图2是本专利技术的采用的ResNet50神经网络整体结构示意图。
具体实施方式
[0040]容易理解，依据本专利技术的技术方案，在不变更本专利技术的实质精神的情况下，本领域的一般技术人员可以想象出本专利技术的多种实施方式。因此，以下具体实施方式和附图仅是对本专利技术的技术方案的示例性说明，而不应当视为本专利技术的全部或者视为对本专利技术技术方案的限制或限定。相反，提供这些实施例的目的是为了使本领域的技术人员更透彻地理解本专利技术。下面结合附图来具体描述本专利技术的优选实施例，其中，附图构成本申请一部分，并与本专利技术的实施例一起用于阐释本专利技术的创新构思。
[0041]如图1所示，为本专利技术的基于弱监督的细胞异常区域定位方法步骤流程图，包括以下步骤：
[0042]采集细胞图像，形成训练集，具体为：
[0043]首先获取已知诊断结果(即诊断结果为阳性或阴性)的细胞学切片图像，本实施例中获取的是宫颈液基细胞学切片图像，所有的宫颈液基细本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于弱监督的细胞异常区域定位方法，其特征在于，包括以下步骤：采集细胞图像，形成训练集；基于ResNet50神经网络模型对训练集数据进行预处理；基于预处理后的训练集对ResNet50神经网络模型进行训练，直至满足结束条件，得到训练后的ResNet50神经网络模型；将待定位的细胞图像输入训练后的ResNet50神经网络模型，输出异常细胞区域定位结果。2.如权利要求1所述的细胞异常区域定位方法，其特征在于，所述采集细胞图像的过程为：对多个已知诊断结果的细胞学切片图像进行细胞定位和分割，记录每个细胞的位置，并将细胞学切片图像分割为多个图像块，使得每个图像块中仅保留一个细胞。3.如权利要求2所述的细胞异常区域定位方法，其特征在于，所述预处理的过程为：将所述分割后的图像块输入ResNet50神经网络模型，进行前向推理，输出图像块内细胞异常的概率；将每个细胞学切片图像的所有分割后的图像块按异常概率的大小进行排序，并根据细胞学切片图像的异常诊断结果选取图像块代表该细胞学切片图像；为所有训练集中的细胞学切片图像选取代表该细胞学切片图像的图像块。4.如权利要求3所述的细胞异常区域定位方法，其特征在于，所述根据细胞学切片图像的异常诊断结果选取图像块代表该细胞学切片图像的依据为：当该细胞学切片图像的异常诊断结果为阳性时，则选取异常概率最高的图像块作为该切片的代表；当该细胞学切片图像的异常诊断结果为阴性时，则选取异常概率最低的图像块作为该切片的代表。5.如权利要求3所述的细胞异常区域定位方法，其特征在于，对所述ResNet50神经网络模型进行训练的过程为：将所有选取出的代表...

【专利技术属性】
技术研发人员：狄峰，杨聂，马威，吴云松，
申请(专利权)人：玖壹叁陆零医学科技南京有限公司，
类型：发明
国别省市：