基于深度学习的宫颈液基细胞检测与识别方法及系统技术方案

本发明专利技术属于神经网络检测图像的技术领域，更具体地，涉及基于深度学习的宫颈液基细胞检测与识别方法及系统

【技术实现步骤摘要】
基于深度学习的宫颈液基细胞检测与识别方法及系统


[0001]本专利技术属于神经网络检测图像的
，更具体地，涉及基于深度学习的宫颈液基细胞检测与识别方法及系统
。

技术介绍

[0002]宫颈癌作为最常见的妇科恶性肿瘤，其发病率与死亡率逐年呈现出上升趋势，并且趋向年轻化，严重困扰女性的生命健康，因此早期防治十分重要
。
目前宫颈液基薄层细胞检测，也称为
TCT
检测，是对女性宫颈癌筛查的一种重要手段
。
在子宫颈癌普查中及早发现异常宫颈细胞，能够增加及时治疗的机会
。TCT
检测是应用新柏式全自动细胞制片机制备成直径为
2cm
的薄层细胞图片，使用体积分数为
95
％的酒精对样本进行酒精湿固定，随后将其置于显微镜下进行镜检，以上皮内病变细胞为阴性，其余如鳞状细胞癌
(SCC)、
低度鳞状上皮内病变
(LSIL)、
不典型鳞状细胞病变
(ASCH)、
高度鳞状上皮内病变/>(HSIL)、<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于深度学习的宫颈液基细胞检测与识别方法，其特征在于，包括；
S1、
采集宫颈液基细胞图像数据，并经裁剪生成子图像集；
S2、
对宫颈液基细胞病理图像的子图像集使用矩形框作为边界框进行异常细胞标注；将异常细胞标注的信息保存为
txt
格式，保存内容包括标注矩形框的类别号和中心点坐标以及边界框的宽和高，将边界框的中心点坐标
、
宽
、
高做归一化处理；
S3、
将标注完成的数据进行数据增强处理得到数据集，再将数据集划分为训练集
、
验证集和测试集；
S4、
通过数据集对改进的
YOLOv5
网络模型进行训练
、
验证和测试，得到训练好的改进的
YOLOv5
网络模型；所述改进的
YOLOv5
网络模型包括骨干网络
、
特征融合模块和头部网络；在特征融合模块的上采样操作后添加可变形卷积
ODConv
模块和辅助检测解耦头；
S5、
将待分析宫颈液基细胞病理图像输入训练好的改进的
YOLOv5
网络模型进行识别
。2.
根据权利要求1所述的基于深度学习的宫颈液基细胞检测与识别方法，其特征在于，所述改进的
YOLOv5
网络模型的特征融合模块的上采样方式采用改进的双线性插值方法，具体如下：在边界框中获取四个相邻像素点
Q
11
,Q
21
,Q
12
,Q
22
组成的区域，四个相邻像素点为两行两列分布，先在
X
轴上做一次线性变换，求出每一行的像素点
R
点：点：在
Y
轴上再做一次线性变换求出该区域的
P
点：
x
为
P
点在
X
轴上的坐标值，
P
点表示求得的
R1
和
R2
两个像素点在
Y
轴上做一次线性变换得到的像素插值点，
x1为
Q
11
、Q
12
的横坐标值，
x2为
,Q
21
、Q
22
的横坐标值，
y1为
Q
11
、,Q
21
的纵坐标值，
y2为
Q
12
、Q
22
的纵坐标值，
x、y
分别为
P
点横坐标值和纵坐标值；汇总成计算公式
f(x,y)
：通过
P
点的位置计算与
Q
11
,Q
21
,Q
12
,Q
22
的欧氏距离
ρ
，计算公式为：选取离
P
点距离最远的一个点
Q
记为
D
点，再进行一次线性插值；点
D
与点
P
进行线性插值，公式为：
f(T)
＝
a f(D)+(1
‑
a) f(P)
ꢀꢀꢀꢀꢀꢀ
(8)
；式中，
f(D)
代表点
D
的像素值，
f(P)
代表点
P
的像素值，
x
d
代表点
D
横坐标值，
y
d
代表点
D
纵坐标值，
x
为
P
点横坐标值，
y
为
P
点纵坐标值，
x
t
代表
T
点横坐标值，

【专利技术属性】
技术研发人员：丁青艳，董学成，李娜，潘雨，郑婉，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：