基于特征融合的宫颈液基细胞检测方法及存储介质技术

本发明专利技术涉及图像检测技术领域，具体涉及一种基于特征融合的宫颈液基细胞检测方法及存储介质，包括：步骤S1：对输入图像提取粗轮廓特征，并分割得到粗轮廓图像；步骤S2：对粗轮廓图像进行形态学特征提取，构建描述向量，以及，对粗轮廓特征提取得到图像提取特征；步骤S3：对图像提取特征和描述向量进行融合得到融合向量；步骤S4：基于融合向量进行预测，得到每个待检测细胞的细胞位置和细胞标签。有益效果在于：通过在检测过程中添加关联于细胞的形态学特征的形态学特征，并与传统的图像特征融合构建得到融合向量，再基于融合向量进行检测，使得人工智能模型在检测过程中，能够直接依照关联于细胞的形态学特征进行训练、检测，提高了检测效率。检测效率。检测效率。

【技术实现步骤摘要】
基于特征融合的宫颈液基细胞检测方法及存储介质


[0001]本专利技术涉及图像检测
，具体涉及一种基于特征融合的宫颈液基细胞检测方法及存储介质。

技术介绍

[0002]宫颈液基细胞学检查(Thinprep cytologic test，TCT)，是一种宫颈癌细胞学检查技术，其采用液基薄层细胞检测系统检测宫颈细胞，并进行细胞学分类诊断。与传统的宫颈刮片巴氏涂片检查相比明显提高了标本的满意度及宫颈异常细胞检出率。同时还能发现部分癌前病变，微生物感染如霉菌、滴虫、病毒、衣原体等。
[0003]现有技术中，为提高医生进行细胞检验的效率，已存在通过引入人工智能模型进行图像处理、检测、分类，进而添加标注以辅助医生进行检验的技术方案。比如。中国专利CN202010553018.X公开了一种宫颈细胞自动分类模型建立及宫颈细胞自动分类方法，该方案通过对图像进行处理后，基于预先训练好的VGG16模型对图像中的细胞进行检测、对图像进行分类。
[0004]但是，在实际实施过程中，专利技术人发现，该类技术方案由于是基于传统的人工智能模型进行图像特征的提取、模型训练、实际检测来实现的，其仅关注各卷积层所能够提取到的图像特征的规律，整体的训练、检测过程的解释性相对较弱，需要通过反复训练、验证来确定模型能够提取到正确的图像特征并进行检测。

技术实现思路

[0005]针对现有技术中存在的上述问题，现提供一种基于特征融合的宫颈液基细胞检测方法；另一方面，还提供存储有对应于该宫颈液基细胞检测方法的计算机指令的存储介质。
[0006]具体技术方案如下：
[0007]一种基于特征融合的宫颈液基细胞检测方法，包括：
[0008]步骤S1：获取输入图像，对所述输入图像提取粗轮廓特征，并分割得到粗轮廓图像；
[0009]步骤S2：对所述粗轮廓图像进行形态学特征提取，构建描述向量，以及，对所述粗轮廓特征进行进一步提取得到图像提取特征；
[0010]步骤S3：对所述图像提取特征和所述描述向量进行融合得到融合向量；
[0011]步骤S4：基于所述融合向量进行预测，得到每个待检测细胞的细胞位置和细胞标签。
[0012]另一方面，所述步骤S1包括：
[0013]步骤S11：获取所述输入图像，对所述输入图像进行多次特征提取得到特征图信息；
[0014]步骤S12：根据所述特征图信息于所述输入图像中构建多个候选框；
[0015]步骤S13：对所述候选框进行分类以得到所述粗轮廓特征，并依照所述粗轮廓特征
对应的所述候选框对所述输入图像进行分割，得到所述粗轮廓图像。
[0016]另一方面，所述步骤S2中，构建所述描述向量的方法包括：
[0017]步骤A21：对所述粗轮廓图像进行细胞轮廓分割和细胞核轮廓分割，得到细胞轮廓图像和细胞核图像；
[0018]步骤A22：对所述细胞轮廓图像和所述细胞核图像进行形态学特征提取得到多个形态学特征，基于所述形态学特征构建所述描述向量；
[0019]所述形态学特征包括：胞浆颜色、核膜规则度、核浆比、细胞核内染色质粗颗粒和核间距；
[0020]所述核膜规则度包括核中心到核膜边缘距离的均值、核中心到核膜边缘距离的标准差、核膜的最大曲率。
[0021]另一方面，所述步骤S2中，构建所述图像提取特征的方法包括：
[0022]步骤B21：对所述粗轮廓特征进行分割，得到多个候选单元；
[0023]步骤B22：针对每个所述候选单元进行双线性内插，计算得到对应于所述候选单元的中心像素值；
[0024]步骤B23：依照所述中心像素值构建所述图像提取特征。
[0025]另一方面，所述步骤S3包括：
[0026]步骤S31：对所述图像提取特征和所述描述向量进行拼接，得到组合向量；
[0027]步骤S32：根据所述组合向量进行预测得到对应于所述组合向量中每一个特征维度的维度权重；
[0028]步骤S33：依照所述维度权重、所述特征维度和所述组合向量加权计算得到所述融合向量。
[0029]另一方面，所述步骤S31中，所述组合向量由一组所述图像提取特征和两组所述描述向量依次组合形成。
[0030]另一方面，所述步骤S32中，采用一个权重计算模型计算得到所述维度权重，所述权重计算模型包括：
[0031]第一全连接层，所述第一全连接层接收所述组合向量并预测得到第一权重特征；
[0032]噪声线性整流模块，所述噪声线性整流模块连接所述第一全连接层，所述噪声线性整流模块对所述第一权重特征进行处理得到第二权重特征；
[0033]第二全连接层，第二全连接层连接所述噪声线性整流模块，所述第二全连接层对所述第二权重特征进行处理得到第三权重特征；
[0034]激活函数，所述激活函数连接所述第二全连接层，所述激活函数对所述第三权重特征进行重映射，得到所述维度权重；
[0035]所述第一权重特征、所述第二权重特征、所述第三权重特征、所述维度权重的数量与所述特征维度对应。
[0036]另一方面，所述步骤S33包括：
[0037]步骤S331：依照所述维度权重和每个所述特征维度进行计算得到多个加权特征；
[0038]步骤S332：将所述加权特征与所述组合向量进行拼接得到拼接特征；
[0039]步骤S333：将所述拼接特征输入全连接层得到所述融合向量。
[0040]另一方面，所述步骤S4包括：
[0041]步骤S41：基于所述融合向量预测得到多个对应于所述待检测细胞的细胞区域；
[0042]步骤S42：对所述细胞区域进行分类得到所述细胞标签，随后输出所述待检测细胞。
[0043]一种存储介质，所述存储介质内存储有计算机指令，所述计算机指令适用于在计算机设备上执行，其特征在于，当所述计算机设备执行所述计算机指令时，执行上述的宫颈液基细胞检测方法。
[0044]上述技术方案具有如下优点或有益效果：
[0045]针对现有技术中仅依赖于图像特征的人工智能模型的训练、检测方法需要反复验证才能够实现依赖图像特征的检测过程，本方案中，通过在检测过程中添加关联于细胞的形态学特征的形态学特征，并与传统的图像特征融合构建得到融合向量，再基于融合向量进行检测，使得人工智能模型在检测过程中，能够直接依照关联于细胞的形态学特征进行训练、检测，提高了检测效率。
附图说明
[0046]参考所附附图，以更加充分的描述本专利技术的实施例。然而，所附附图仅用于说明和阐述，并不构成对本专利技术范围的限制。
[0047]图1为本专利技术实施例的整体示意图；
[0048]图2为本专利技术实施例中步骤S1子步骤示意图；
[0049]图3为本专利技术实施例中描述向量构建过程示意图；
[0050]图4为本专利技术实施例中轮廓提取示意图。
[0051]图5为本专利技术实施例中图像特征提取示意图；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征融合的宫颈液基细胞检测方法，其特征在于，包括：步骤S1：获取输入图像，对所述输入图像提取粗轮廓特征，并分割得到粗轮廓图像；步骤S2：对所述粗轮廓图像进行形态学特征提取，构建描述向量，以及，对所述粗轮廓特征进行进一步提取得到图像提取特征；步骤S3：对所述图像提取特征和所述描述向量进行融合得到融合向量；步骤S4：基于所述融合向量进行预测，得到每个待检测细胞的细胞位置和细胞标签。2.根据权利要求1所述的宫颈液基细胞检测方法，其特征在于，所述步骤S1包括：步骤S11：获取所述输入图像，对所述输入图像进行多次特征提取得到特征图信息；步骤S12：根据所述特征图信息于所述输入图像中构建多个候选框；步骤S13：对所述候选框进行分类以得到所述粗轮廓特征，并依照所述粗轮廓特征对应的所述候选框对所述输入图像进行分割，得到所述粗轮廓图像。3.根据权利要求1所述的宫颈液基细胞检测方法，其特征在于，所述步骤S2中，构建所述描述向量的方法包括：步骤A21：对所述粗轮廓图像进行细胞轮廓分割和细胞核轮廓分割，得到细胞轮廓图像和细胞核图像；步骤A22：对所述细胞轮廓图像和所述细胞核图像进行形态学特征提取得到多个形态学特征，基于所述形态学特征构建所述描述向量；所述形态学特征包括：胞浆颜色、核膜规则度、核浆比、细胞核内染色质粗颗粒和核间距；所述核膜规则度包括核中心到核膜边缘距离的均值、核中心到核膜边缘距离的标准差、核膜的最大曲率。4.根据权利要求1所述的宫颈液基细胞检测方法，其特征在于，所述步骤S2中，构建所述图像提取特征的方法包括：步骤B21：对所述粗轮廓特征进行分割，得到多个候选单元；步骤B22：针对每个所述候选单元进行双线性内插，计算得到对应于所述候选单元的中心像素值；步骤B23：依照所述中心像素值构建所述图像提取特征。5.根据权利要求1所述的宫颈液基细胞检测方法，其特征在于，所述步骤S3包括：步骤S31：对所述图像提取特征和所述描述向量进行拼接，得到组合向量；步骤S32：根据...

【专利技术属性】
技术研发人员：王晓梅，胡荷萍，张仕侨，
申请(专利权)人：杭州医策科技有限公司，
类型：发明
国别省市：