巴氏涂片宫颈细胞图像分类方法及系统技术方案

本发明专利技术提供一种巴氏涂片宫颈细胞图像分类方法及系统

【技术实现步骤摘要】
巴氏涂片宫颈细胞图像分类方法及系统


[0001]本专利技术涉及细胞图像处理的
，具体而言，涉及一种巴氏涂片宫颈细胞图像分类方法及系统
。

技术介绍

[0002]宫颈癌是第四大最常见的癌症，新发病例和死亡主要发生在中低收入国家
。
巴氏涂片检查是最有效的宫颈癌预防工具之一，但传统的宫颈细胞病理图像分析是需要具有专业知识的临床医生在显微镜下进行人工阅片来完成的，这一阅片过程是非常耗时的，且容易出现错误
。
如果能够提升巴氏涂片宫颈细胞图像分类的自动化进程，利用计算机辅助诊断系统辅助医生阅片，将给宫颈细胞病理图像的分析带来诸多好处
。
[0003]传统的宫颈细胞图像分类技术有很多，主要包括支持向量机
、
决策树
、K
最邻近算法，贝叶斯等等
。
传统算法大多数的主要思想是提取宫颈细胞的形态特征
、
纹理特征和颜色特征等输入到各传统算法分类器中进行分类
。
但是传统的宫颈细胞图像分类技术分类的准确率在达到一定高度后遇到了瓶颈期
。
因此，越来越多的学者将注意力转换到深度学习技术
。
[0004]其中，基于卷积神经网络的宫颈细胞图像分类技术得到了广泛应用，现有的相关技术虽然都采用了搭建好的卷积神经网络去提取图像特征，但是依然存在以下缺点：
[0005](1)
方案均使用一种卷积神经网络
(Convolutional Neural Networks
，
CNN)
模型，对图片提取的特征不够全面，因此具有局限性；
[0006](2)
方案均为小卷积核设计的
CNN
，且
CNN
模型的感受也有限，不能很好地提取图片的全局特征
。

技术实现思路

[0007]本专利技术旨在至少解决现有技术或相关技术中存在的技术问题之一
。
[0008]为此，本专利技术的第一目的在于提出一种基于卷积神经网络的巴氏涂片宫颈细胞图像分类方法
。
[0009]本专利技术的第二目的在于提出一种基于卷积神经网络的巴氏涂片宫颈细胞图像分类系统
。
[0010]为了实现上述目的，本专利技术的第一方面的技术方案，提供了一种巴氏涂片宫颈细胞图像分类方法，基于卷积神经网络，所述分类方法包括：获取宫颈细胞的巴氏涂片在显微镜下的图像数据集；对所述图像数据集中的每个宫颈细胞图像进行标记和分类，得到
n
类样本集；按照预设比例将所述
n
类样本集中的宫颈细胞图像划分为训练集和验证集；对所述训练集中的每个宫颈细胞图像进行数据增强；构建第一卷积神经网络，所述第一卷积神经网络中的卷积核为大卷积核；构建第二卷积神经网络，所述第二卷积神经网络中的卷积核为小卷积核；将数据增强后的训练集分别输入被微调后的所述第一卷积神经网络和第二卷积神经网络，并对所述第一卷积神经网络和第二卷积神经网络中的最后一层全连接层的输入
端的特征向量分别进行提取，以分别得到
N
维的第一特征向量和
M
维的第二特征向量；将未数据增强的验证集分别输入被微调后的所述第一卷积神经网络和第二卷积神经网络，并对所述第一卷积神经网络和第二卷积神经网络中的最后一层全连接层的输入端的特征向量分别进行提取，以分别得到
N
维的第三特征向量和
M
维的第四特征向量；将所述
N
维的第一特征向量和
M
维的第二特征向量进行拼接得到训练集对应的融合后的特征向量；将所述
N
维的第三特征向量和
M
维的第四特征向量进行拼接得到验证集对应的融合后的特征向量；构建宫颈细胞图像的分类网络；其中，所述宫颈细胞图像的分类网络为有监督学习的分类网络；将所述训练集对应的融合后的特征向量输入所述宫颈细胞图像的分类网络进行训练；将所述验证集对应的融合后的特征向量输入训练好的所述宫颈细胞图像的分类网络，并输出所述宫颈细胞图像的分类结果
。
[0011]优选地，将数据增强后的训练集分别输入被微调后的所述第一卷积神经网络和第二卷积神经网络，并对所述第一卷积神经网络和第二卷积神经网络中的最后一层全连接层的输入端的特征向量分别进行提取，以分别得到
N
维的第一特征向量和
M
维的第二特征向量的步骤之前，还包括：使用任意图像数据集预训练所述第一卷积神经网络
、
第二卷积神经网络；输出预训练模型，并将所述预训练模型的权重作为所述第一卷积神经网络
、
第二卷积神经网络的初始化权重；将所述第一卷积神经网络
、
第二卷积神经网络的最后一层全连接层的神经元的数量调整为
n
；基于数据增强后的训练集，训练权重被初始化后的所述第一卷积神经网络和第二卷积神经网络，以微调所述第一卷积神经网络和第二卷积神经网络的权重
。
[0012]优选地，对所述训练集中的每个宫颈细胞图像进行数据增强的步骤之前，还包括：对所述训练集中的每个宫颈细胞图像进行裁剪得到对应的单细胞图像；对每个单细胞图像进行缩放，按原图像的长宽比例缩放至长边长度为
m
像素；若图像并非正方形，则在缩放后，用灰度值为0的像素填充短边至长度为
m
像素，以得到边长为
m
像素的正方形图像
。
[0013]优选地，对所述图像数据集中的每个宫颈细胞图像进行标记和分类，得到
n
类样本集的步骤，具体包括：根据贝塞斯达系统，对所述图像数据集中的每个宫颈细胞图像进行标记和分类，得到6类样本集；所述6类样本集分别为：上皮内病变或恶性肿瘤阴性
、
意义不明的非典型鳞状细胞
、
低级别鳞状上皮内病变
、
不能排除高级别病变的非典型鳞状细胞
、
高级别鳞状上皮内病变
、
以及鳞状细胞癌
。
[0014]优选地，所述宫颈细胞图像的分类网络为多层感知机或支持向量机；所述第一卷积神经网络为
RepLKNet
模型，所述第二卷积神经网络为
DenseNet
模型
。
[0015]本专利技术的第二方面的技术方案，还提供了一种巴氏涂片宫颈细胞图像分类系统，基于卷积神经网络，所述分类系统包括：获取模块，用于获取宫颈细胞的巴氏涂片在显微镜下的图像数据集；分类模块，用于对所述图像数据集中的每个宫颈细胞图像进行标记和分类，得到
n
类样本集；划分模块，用于按照预设比例将所述
n
类样本集中的宫颈细胞图像划分为训练集和验证集；数据增强模块，用于对所述训练集中的每个宫颈细胞图像进行数据增强；卷积神经网络构建模块，用于构建第一卷积神经网络，所述第一卷积神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种巴氏涂片宫颈细胞图像分类方法，基于卷积神经网络，其特征在于，所述分类方法包括：获取宫颈细胞的巴氏涂片在显微镜下的图像数据集；对所述图像数据集中的每个宫颈细胞图像进行标记和分类，得到
n
类样本集；按照预设比例将所述
n
类样本集中的宫颈细胞图像划分为训练集和验证集；对所述训练集中的每个宫颈细胞图像进行数据增强；构建第一卷积神经网络，所述第一卷积神经网络中的卷积核为大卷积核；构建第二卷积神经网络，所述第二卷积神经网络中的卷积核为小卷积核；将数据增强后的训练集分别输入被微调后的所述第一卷积神经网络和第二卷积神经网络，并对所述第一卷积神经网络和第二卷积神经网络中的最后一层全连接层的输入端的特征向量分别进行提取，以分别得到
N
维的第一特征向量和
M
维的第二特征向量；将未数据增强的验证集分别输入被微调后的所述第一卷积神经网络和第二卷积神经网络，并对所述第一卷积神经网络和第二卷积神经网络中的最后一层全连接层的输入端的特征向量分别进行提取，以分别得到
N
维的第三特征向量和
M
维的第四特征向量；将所述
N
维的第一特征向量和
M
维的第二特征向量进行拼接得到训练集对应的融合后的特征向量；将所述
N
维的第三特征向量和
M
维的第四特征向量进行拼接得到验证集对应的融合后的特征向量；构建宫颈细胞图像的分类网络；其中，所述宫颈细胞图像的分类网络为有监督学习的分类网络；将所述训练集对应的融合后的特征向量输入所述宫颈细胞图像的分类网络进行训练；将所述验证集对应的融合后的特征向量输入训练好的所述宫颈细胞图像的分类网络，并输出所述宫颈细胞图像的分类结果
。2.
根据权利要求1所述的巴氏涂片宫颈细胞图像分类方法，其特征在于，将数据增强后的训练集分别输入被微调后的所述第一卷积神经网络和第二卷积神经网络，并对所述第一卷积神经网络和第二卷积神经网络中的最后一层全连接层的输入端的特征向量分别进行提取，以分别得到
N
维的第一特征向量和
M
维的第二特征向量的步骤之前，还包括：使用任意图像数据集预训练所述第一卷积神经网络
、
第二卷积神经网络；输出预训练模型，并将所述预训练模型的权重作为所述第一卷积神经网络
、
第二卷积神经网络的初始化权重；将所述第一卷积神经网络
、
第二卷积神经网络的最后一层全连接层的神经元的数量调整为
n
；基于数据增强后的训练集，训练权重被初始化后的所述第一卷积神经网络和第二卷积神经网络，以微调所述第一卷积神经网络和第二卷积神经网络的权重
。3.
根据权利要求1或2所述的巴氏涂片宫颈细胞图像分类方法，其特征在于，对所述训练集中的每个宫颈细胞图像进行数据增强的步骤之前，还包括：对所述训练集中的每个宫颈细胞图像进行裁剪得到对应的单细胞图像；对每个单细胞图像进行缩放，按原图像的长宽比例缩放至长边长度为
m
像素；若图像并非正方形，则在缩放后，用灰度值为0的像素填充短边至长度为
m
像素，以得到边长为
m
像素
的正方形图像
。4.
根据权利要求1至3中任一项所述的巴氏涂片宫颈细胞图像分类方法，其特征在于，对所述图像数据集中的每个宫颈细胞图像进行标记和分类，得到
n
类样本集的步骤，具体包括：根据贝塞斯达系统，对所述图像数据集中的每个宫颈细胞图像进行标记和分类，得到6类样本集；所述6类样本集分别为：上皮内病变或恶性肿瘤阴性
、
意义不明的非典型鳞状细胞
、
低级别鳞状上皮内病变
、
不能排除高级别病变的非典型鳞状细胞
、
高级别鳞状上皮内病变
、
以及鳞状细胞癌
。5.
根据权利要求1至4中任一项所述的巴氏涂片宫颈细胞图像分类方法，其特征在于，所述宫颈细胞图像的分类网络为多层感知机或支持向量机；所述第一卷积神经网络为
RepLKNet
模型，所述第二卷积神经网络为
DenseNet
模型

【专利技术属性】
技术研发人员：刘兴汉，史力伏，王洋，代茵，
申请(专利权)人：辽宁然辉科技有限公司，
类型：发明
国别省市：