System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医学图像处理,尤其涉及一种基于simsiam mae自监督模型的宫颈癌检测方法。
技术介绍
1、随着电子计算机技术和人工智能领域的发展,通过计算机算法实现图像的分类与识别已经可以初步实现,且医学上一般使用图像分析与处理技术用于医疗影像中物体的检测与分类。但是当数据集中有标签的图像数量过少时,训练出的人工智能算法往往会发生过拟合的现象,使模型和算法表现不理想。
2、宫颈癌是女性第四大常见癌症类型,也是最常见的癌症之一,严重威胁着女性的生命和健康,hpv感染是引起宫颈癌的主要因素。相比于常规巴氏涂片检测,液基薄层细胞检测明显提高了标本的满意度及宫颈异常细胞检出率,因而成为了国际上使用最广泛的一种宫颈病变筛查技术。但由于液基薄层细胞检测图像尺寸非常大,且需要对图像中离散分布的细胞进行定位和分类,因此需要医生大量的对数字图像中离散的宫颈细胞进行注释,以监督训练分类网络,获得更好的性能,此过程人工标注耗时耗力巨大。现有的自动化宫颈细胞分类与检测方法无法在液基薄层细胞检测图像上取得令人满意的效果。例如中国专利cn114170198a公开了一种基于drsn的液基薄层细胞涂片数字病理图像检测方法,在图像文件进行可变步长滑动窗口采样,对采样后的区域进行过滤处理以筛选出焦点区域,进而使用深度学习模型获取焦点区域的置信度,最后根据置信度阈值判断该区域的病变程度。这样的方式需要使用可变步长滑动窗口对离散分布细胞进行采样,效率较低,且病变结果依赖于焦点区域的选取和手动设置置信度阈值的大小,漏检率较高。
3、另外,文献
技术实现思路
1、基于前述的现有技术缺陷,本专利技术提供一种基于simsiam mae自监督模型的宫颈癌检测方法,准确率较高。
2、为了实现上述目的,本专利技术提供了一种基于simsiam mae自监督模型的宫颈癌检测方法,包括如下步骤:
3、s1,获取及预处理宫颈细胞图像步骤,结合预先提供的标注信息,提取出液基薄层细胞检测图像中的宫颈细胞图像,并将提取出的宫颈细胞图像分割为训练数据集和测试数据集;
4、s2,数据预处理步骤,将所述训练数据集中的每张宫颈细胞图像进行两次不同且随机的数据增强操作,以生成两张不同的图像,并一齐输入至simsiam mae自监督模型;
5、s3,simsiam mae自监督模型训练步骤,simsiam mae自监督模型使用对比学习方法训练编码路径、投射层和预测层以提取细胞图像的低频信息特征,对图像的全局信息和细胞形状特征进行学习;使用掩蔽图像建模方法训练编码路径、解码路径以提取细胞图像的高频信息特征,对图像中的局部信息和纹理特征进行学习;
6、s4,下游任务训练步骤,使用测试数据集对上述simsiam mae自监督模型的编码路径进行参数微调,完成对宫颈细胞的分类,得到完成训练的simsiam mae自监督模型;
7、s5,采用完成训练的simsiam mae自监督模型进行宫颈癌检测。
8、在一实施方式中,所述步骤s1包括如下步骤:
9、s11,将所有液基薄层细胞检测图像转换至rgb色彩空间的图像;
10、s12,根据预先提供的宫颈细胞类型、宫颈细胞像素值坐标标注信息,从上述rgb色彩空间的图像中提取宫颈细胞图像;
11、s13,对提取出的宫颈细胞图像的进行填充,将所有图像的长和宽均填充至512像素值大小,以统一所有图像的大小;
12、s14,按宫颈细胞类型对提取出的宫颈细胞图像进行数据集的划分,随机选取部分图像作为训练数据集,另外的部分作为测试数据集。
13、在一实施方式中,所述步骤s2中所述数据增强操作包括如下步骤:
14、s211,随机裁剪缩放,随机裁剪图像的部分并将其调整为给定大小;
15、s212,色彩抖动,随机改变图像的亮度、对比度、饱和度和色调;
16、s213,随机灰度,随机将图像转换为灰度级;
17、s214,随机水平翻转,以给定概率随机水平翻转给定图像;
18、s215,归一化,用平均值和标准差对图像进行归一化处理。
19、在一实施方式中,所述步骤s211为,在图像中的一个区域进行随机裁剪,随机裁剪区域的大小为原始图像尺寸的0.7至0.9,以双线性插值的方式将随机裁剪出的区域的大小调整为【rgb,512,512,3】;
20、所述步骤s212为,该操作以80%的概率将图像的亮度、对比度、饱和度和色调分别调整至原图的0.4、0.4、0.4和0.1;
21、所述步骤s213为,该操作以20%的概率随机将彩色图像转换为灰度图像;
22、所述步骤s214为,该操作以50%的概率水平随机翻转原始图像;
23、所述步骤s215为,该操作用平均值和标准差对图像进行归一化处理,归一化公式如下,
24、
25、其中,output为输出的归一化后的图像,input为输入的原始图像,mean为【0.485,0.456,0.406】,std为【0.229,0.224,0.225】。
26、在一实施方式中,所述步骤s3具体包括如下步骤:
27、s31,将上述经过两次随机数据增强操作后得到的两张图像输入至simsiam mae自监督模型的编码路径中,编码路径分别对上述的两张图像进行特征提取操作,输出两个初始特征张量,将输出的初始特征张量输入至投射层;
28、s32,两个初始特征张量经过投射层后,输出得到第一投射特征张量和第二投射特征张量,第一投射特征张量和第二投射特征张量分别输入至预测层;
29、s33,第一投射特征张量和第二投射特征张量经过预测层后,输出得到第一预测特征张量和第二预测特征张量;
30、s34,使用对比学习方法计算得到损失值;
31、s35,第一预测特征张量和第二预测特征张量分别输入至解码路径,经过解码路径后,输出得到重建图像,使用掩蔽图像建模方法计算得到损失值;
32、s36,使用反向传播算法得到梯度,再使用梯度下降算法得到若干偏导数构成的向量,然后通过这些本文档来自技高网...
【技术保护点】
1.一种基于Simsiam Mae自监督模型的宫颈癌检测方法,其特征在于,包括如下步骤:
2.如权利要求1所述的基于Simsiam Mae自监督模型的宫颈癌检测方法,其特征在于,所述步骤S1包括如下步骤:
3.如权利要求1所述的基于Simsiam Mae自监督模型的宫颈癌检测方法,其特征在于,所述步骤S2中所述数据增强操作包括如下步骤:
4.如权利要求3所述的基于Simsiam Mae自监督模型的宫颈癌检测方法,其特征在于,
5.如权利要求1所述的基于Simsiam Mae自监督模型的宫颈癌检测方法,其特征在于,所述步骤S3具体包括如下步骤:
6.如权利要求5中所述的基于Simsiam Mae自监督模型的宫颈癌检测方法,其特征在于,所述S31包括如下步骤:
7.如权利要求5中所述的基于Simsiam Mae自监督模型的宫颈癌检测方法,其特征在于,所述步骤S32包括如下步骤:
8.如权利要求5所述的基于Simsiam Mae自监督模型的宫颈癌检测方法,其特征在于,所述步骤S34包括如下步骤:
...【技术特征摘要】
1.一种基于simsiam mae自监督模型的宫颈癌检测方法,其特征在于,包括如下步骤:
2.如权利要求1所述的基于simsiam mae自监督模型的宫颈癌检测方法,其特征在于,所述步骤s1包括如下步骤:
3.如权利要求1所述的基于simsiam mae自监督模型的宫颈癌检测方法,其特征在于,所述步骤s2中所述数据增强操作包括如下步骤:
4.如权利要求3所述的基于simsiam mae自监督模型的宫颈癌检测方法,其特征在于,
5.如权利要求1所述的基于simsiam mae自监督模型的宫颈癌检测方法,其特征在于,所述步骤s3具体包括如下步骤:
6.如权利要...
【专利技术属性】
技术研发人员:苏炯龙,马飞,孟佳,吕志良,赵翘楚,宋思凡,王金峰,时长军,肖晟,陈思,
申请(专利权)人:西交利物浦大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。