一种宫颈病理图像异常细胞识别方法、系统及存储介质技术方案

本申请实施例提供的一种宫颈病理图像异常细胞识别方法、系统及存储介质，该方法包括确定多类历史宫颈细胞图像；基于多类历史宫颈细胞图像构建模型训练集；选取ResNet网络作为原始的基准网络模型，并在ResNet网络的基本残差块之后增加CA模块，得到初始异常细胞识别模型，其中，CA模块用于对基本残差块的输出进行注意力权重特征提取，得到在宽度和高度方向上带有注意力权重的目标特征图；将模型训练集输入到初始异常细胞识别模型中进行模型训练，并训练结束时，得到目标异常细胞识别模型；基于目标异常细胞识别模型进行宫颈病理图像异常细胞识别。该方法的实施能够实现宫颈癌诊断的自动化。自动化。自动化。

【技术实现步骤摘要】
一种宫颈病理图像异常细胞识别方法、系统及存储介质


[0001]本申请涉及医学图像处理
，具体而言，涉及一种宫颈病理图像异常细胞识别方法、系统及存储介质。

技术介绍

[0002]宫颈癌是严重威胁女性健康的常见恶性肿瘤，但是宫颈癌病因明确，是一种能够早发现和早预防的癌症。传统的宫颈癌筛查方法主要是将宫颈的脱落细胞制成宫颈病理图像，病理医生从宫颈病理图像的细胞形态中观察是否存在异常细胞。由于宫颈病理图像数量巨大，导致病理医生工作强度很大，而且传统的宫颈癌细胞筛查方法高度依赖病理医生的专业知识与诊断经验，若医生经验不足则容易导致误诊。由此，采用何种快速、准确、高效的宫颈异常细胞识别方法，解决病理医生不足、病人诊断难、出结果慢等问题，以实现宫颈癌诊断的自动化，是本申请着力解决的问题。

技术实现思路

[0003]本申请实施例的目的在基于提供一种宫颈病理图像异常细胞识别方法、系统及存储介质，可以实现宫颈癌诊断的自动化。
[0004]本申请实施例还提供一种宫颈病理图像异常细胞识别方法，包括以下步骤：
[0005]S1、确定多类历史宫颈细胞图像；
[0006]S2、基于所述多类历史宫颈细胞图像构建模型训练集；
[0007]S3、选取ResNet网络作为原始的基准网络模型，并在所述ResNet网络的基本残差块之后增加CA模块，得到初始异常细胞识别模型，其中，所述CA模块用于对基本残差块的输出进行注意力权重特征提取，得到在宽度和高度方向上带有注意力权重的目标特征图；
[0008]S4、将所述模型训练集输入到初始异常细胞识别模型中进行模型训练，并训练结束时，得到目标异常细胞识别模型；
[0009]S5、基于所述目标异常细胞识别模型进行宫颈病理图像异常细胞识别，并输出相应诊断结果。
[0010]第二方面，本申请实施例还提供了一种宫颈病理图像异常细胞识别系统，所述系统包括数据获取模块、数据处理模块、模型构建模块、模型训练模块、诊断模块，其中：
[0011]所述数据获取模块，用于确定多类历史宫颈细胞图像；
[0012]所述数据处理模块，用于基于所述多类历史宫颈细胞图像构建模型训练集；
[0013]所述模型构建模块，用于选取ResNet网络作为原始的基准网络模型，并在所述ResNet网络的基本残差块之后增加CA模块，得到初始异常细胞识别模型，其中，所述CA模块用于对基本残差块的输出进行注意力权重特征提取，得到在宽度和高度方向上带有注意力权重的目标特征图；
[0014]所述模型训练模块，用于将所述模型训练集输入到初始异常细胞识别模型中进行模型训练，并训练结束时，得到目标异常细胞识别模型；
[0015]所述诊断模块，用于基于所述目标异常细胞识别模型进行宫颈病理图像异常细胞识别，并输出相应诊断结果。
[0016]第三方面，本申请实施例还提供了一种可读存储介质，所述可读存储介质中包括宫颈病理图像异常细胞识别方法程序，所述宫颈病理图像异常细胞识别方法程序被处理器执行时，实现如上述任一项所述的一种宫颈病理图像异常细胞识别方法的步骤。
[0017]由上可知，本申请实施例提供的一种宫颈病理图像异常细胞识别方法、系统及存储介质，选用ResNet50网络进行图像特征学习，利用网络深度特性，使得构建的异常细胞识别模型能够学习到更复杂的特征，从而提高识别准确率，且还在ResNet50网络中引入CA机制，使得改进后的模型能够精确地捕捉不同特征之间的关系，进一步提高图像分类的性能，实现了宫颈癌诊断的自动化。
[0018]本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请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
[0019]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0020]图1为本申请实施例提供的一种宫颈病理图像异常细胞识别方法的流程图；
[0021]图2为改进前ResNet网络的基本残差块的结构示意图；
[0022]图3为连接在基本残差块之后的CA模块的结构示意图；
[0023]图4为对基本残差块改进后所得的基本块DSC_CA的结构示意图；
[0024]图5为改进后的DSC_CA_ResNet50网络的整体结构示意图；
[0025]图6为本申请实施例提供的一种宫颈病理图像异常细胞识别系统的结构示意图。
具体实施方式
[0026]下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0027]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0028]请参照图1，图1是本申请一些实施例中的一种宫颈病理图像异常细胞识别方法的流程图。该方法包括以下步骤：
[0029]步骤S1，确定多类历史宫颈细胞图像。
[0030]具体的，宫颈细胞图像可以通过图像扫描仪扫描由液基薄层细胞检测(ThinPrep Cytology Test,TCT)处理过的宫颈细胞载玻片得到。
[0031]步骤S2，基于所述多类历史宫颈细胞图像构建模型训练集。
[0032]具体的，当前实施例中，将按照4:1:1的比例对所述多类历史宫颈细胞图像构成的图像集进行划分，得到模型训练集、模型验证集、模型测试集。
[0033]其中：
[0034]所述模型训练集的作用：是用来拟合模型，通过设置分类器的参数，训练分类模型。
[0035]所述模型验证集的作用是：当通过模型训练集训练出多个模型后，为了能找出效果最佳的模型，使用各个模型对验证集数据进行预测，并记录模型准确率。最后，选出效果最佳的模型所对应的参数，即用来调整模型参数。
[0036]模型测试集的作用是：在通过模型训练集和模型验证集得出最优模型后，使用模型测试集进行模型预测。其具体是用来衡量该最优模型的性能和分类能力。
[0037]步骤S3，选取ResNet网络作为原始的基准网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种宫颈病理图像异常细胞识别方法，其特征在于，包括以下步骤：S1、确定多类历史宫颈细胞图像；S2、基于所述多类历史宫颈细胞图像构建模型训练集；S3、选取ResNet网络作为原始的基准网络模型，并在所述ResNet网络的基本残差块之后增加CA模块，得到初始异常细胞识别模型，其中，所述CA模块用于对基本残差块的输出进行注意力权重特征提取，得到在宽度和高度方向上带有注意力权重的目标特征图；S4、将所述模型训练集输入到初始异常细胞识别模型中进行模型训练，并训练结束时，得到目标异常细胞识别模型；S5、基于所述目标异常细胞识别模型进行宫颈病理图像异常细胞识别，并输出相应诊断结果。2.根据权利要求1所述的方法，其特征在于，步骤S1中，所述确定历史宫颈细胞图像，包括：S11、获取初始历史宫颈细胞图像；S12、采用预设的尺寸调整方式，将所述初始历史宫颈细胞图像调整到预设尺寸，得到标准尺寸图像；S13、按照预设的图像增强方式，对所述标准尺寸图像进行增强处理，得到增强图像；S14、基于所述增强图像进行分类处理，得到多类历史宫颈细胞图像。3.根据权利要求2所述的方法，其特征在于，步骤S12中，所述采用预设的尺寸调整方式，将所述初始历史宫颈细胞图像调整到预设尺寸，得到标准尺寸图像，包括：S121、采用预设的尺寸调整方式，对所述初始历史宫颈细胞图像进行缩放处理，得到缩放图像；S122、获取所述缩放图像的图像尺寸，并在确定所述图像尺寸大于预设尺寸时，对所述缩放图像进行裁剪处理，得到标准尺寸图像；S123、在确定所述图像尺寸小于预设尺寸时，对所述缩放图像进行边缘零填充处理，得到标准尺寸图像；S124、在确定所述图像尺寸等于预设尺寸时，将所述缩放图像作为标准尺寸图像。4.根据权利要求1所述的方法，其特征在于，步骤S14中，所述多类历史宫颈细胞图像包括反映浅中层鳞状细胞特征的第一类历史宫颈细胞图像、反映柱状上皮细胞特征的第二类历史宫颈细胞图像、反映轻度异常细胞特征的第三类历史宫颈细胞图像、反映中度异常细胞特征的第四类历史宫颈细胞图像、以及反映类癌细胞特征的第五类历史宫颈细胞图像。5.根据权利要求1所述的方法，其特征在于，步骤S3中，所述CA模块包括：两个并行的平均池化模块；连接到所述两个并行的平均池化模块的通道降维模块；连接到所述通道降维模块的注意力特征提取模块；两个并行的、且连接到所述注意力特征提取模块的通道升维模块；连接到两个并行的通道升维模块的注意力权重计算模块；连接到所述注意力权重计算模块的乘法加权计算模块。6.根据权利要求5所述的方法，其特征在于，步骤S3中，所述目标特征图通过以下步骤处理得到：
S31、基于所述两个并行的平均池化模块，分别沿着宽度、高度两个空间方向对经由所述基本残差块输出的原始特征图进行特征聚合，得到对应的第一宽度特征图以及第一高度特征图；S32、基于所述通道降维模块，依次对所述第一宽度特征图和所述第一高度特征图进行拼接处理、以及按照预设的降维比例对所得的拼接图像进行通道降维处理，得...

【专利技术属性】
技术研发人员：魏登峰，杜文飞，周晓龙，李鹏，李萌，周丽，
申请(专利权)人：荆州市中心医院长江大学附属荆州医院，
类型：发明
国别省市：