本发明专利技术属于医学图像技术领域,尤其涉及基于自适应特征提取的宫颈病变细胞团块检测方法及系统,首先获取宫颈病变细胞团块的测试集和训练集;然后构建分组自适应特征提取网络和构建角度影响中心距离的动态聚焦损失函数;并基于分组自适应特征提取网络和动态聚焦损失函数,构建改进的yolov7网络;接着将训练集经预处理后输入至改进的yolov7网络,输出训练结果;接着将测试集作为改进的yolov7网络模型的输入参数,输出测试结果,将测试结果与训练结果进行比对,保留最优的改进的yolov7网络模型;最后使用最优的改进的yolov7网络模型进行宫颈病变细胞团块的检测,保留检测结果图片。本发明专利技术能够解决现有的宫颈病变细胞团块检测精度不足、硬件设施要求大的问题。
【技术实现步骤摘要】
本专利技术属于医学图像,尤其涉及基于自适应特征提取的宫颈病变细胞团块检测方法及系统。
技术介绍
1、目前,防治宫颈癌的主要方法为早筛查、早诊断、早治疗。
2、宫颈癌早期筛查的目的是为了检测出宫颈癌癌前病变,进行及时的治疗,减少宫颈癌病变为中晚期的风险和死亡率。液基细胞学检查(tct)是宫颈癌早期筛查方法中的初步筛查方法。这种方法需要细胞学家将脱落的宫颈细胞进行制片、染色处理,最后根据宫颈病变细胞与正常细胞在形态、结构上的细微差距,在显微镜下观察样本得出初步诊断结果。然而,人工判读在亿级的像素细胞学图像幻灯片中检测数千个细胞通常是耗时的且容易出错。
3、随着深度学习在图像领域取得的重大突破,在各领域中表现优良。在医学中也有体现,包括皮肤恶性肿瘤的分类、肿瘤的影像诊断、视网膜疾病的检测和分类等。针对人工判读存在的一系列问题,使用深度学习辅助判读宫颈细胞医学图像具有巨大潜力。能够减轻医师的工作负担,减少主观情绪的影响,提升工作效率,提高筛查结果的可靠性。但是目前深度学习在宫颈图像研究中还处于探索阶段,对宫颈病变细胞检测准确率有待提高,对硬件设施要求较大,同时需要解决病变类型一致外观差异较大的问题。
技术实现思路
1、本专利技术所解决的技术问题在于提供一种基于自适应特征提取的宫颈病变细胞团块检测方法及系统,以解决现有的宫颈病变细胞团块检测精度不足、硬件设施要求大的问题。
2、本专利技术提供的基础方案:基于自适应特征提取的宫颈病变细胞团块检测方法,包括:</p>3、s1:获取宫颈病变细胞团块的数据集,所述数据集包括测试集和训练集;
4、s2:构建分组自适应特征提取网络和构建角度影响中心距离的动态聚焦损失函数;并基于分组自适应特征提取网络和动态聚焦损失函数,构建改进的yolov7网络;
5、s3:将训练集经预处理后输入至改进的yolov7网络,输出训练结果;
6、s4:将测试集作为改进的yolov7网络的输入参数,输出测试结果,将测试结果与训练结果进行比对,保留最优的改进的yolov7网络模型;
7、s5:使用最优的改进的yolov7网络模型进行宫颈病变细胞团块的检测,保留检测结果图片。
8、进一步,所述s2中,构建分组自适应特征提取网络具体为:
9、将输入的特征图(w×h×c1)按通道(c1)均分为两组,生成两组特征图(w×h×c1/2);
10、将两组特征图(w×h×c1/2)分别通过空洞为6和空洞为12的可变形卷积,得到两种尺度下的自适应特征图(w×h×c2/2);
11、将两种自适应特征图进行拼接,得到局部自适应的特征图(w×h×c2);
12、将输入特征图(w×h×c1)通过自适应均值池化,将各通道的特征图压缩到1×1,获得一个全局特征(1×1×c1),然后通过一个1×1的卷积对获得的全局特征(1×1×c1)进一步提取,得到新的全局特征(1×1×c2),再通过silu激活函数得到最终的全局特征(1×1×c2);
13、将获得的局部自适应特征图(w×h×c2)与全局特征(1×1×c2)使用add操作连接,获得最终的全局自适应特征图(w×h×c2)。
14、进一步,所述构建角度影响中心距离的动态聚焦损失函数具体为:
15、通过角度组件将角度构建影响因子,中心线与x轴的夹角为α,若角度α≤π/4取α,表示中心线偏向于x轴,否则取π/2-α,表示中心线偏向于y轴,角度组件可以表述为:
16、人=1-2sin2(arcsin(x)-π/4)
17、将角度组件封装成角度因子θ,角度因子可表述为:
18、θ=λ+1
19、将角度因子带入wiouv3中获得tiou,tiou损失函数可表述为:
20、
21、
22、δ=((x-xgt)2+(y-ygt)2)/(w2+h2)
23、其中,iou表示预测框与真实框之间的交并比,表示iou的均值;δ和ε为常数,δ表示中心点间的距离,(x,y)表示预测框中心点坐标,(xgt,ygt)表示真实框中心点坐标;w和h表示最小闭包的宽和高。
24、进一步,所述s3中所述的预处理包括使用mosaic数据增强和多尺度训练的方法对训练集进行预处理。
25、基于自适应特征提取的宫颈病变细胞团块检测系统,包括:
26、数据获取模块,用于获取宫颈病变细胞团块的数据集,所述数据集包括测试集和训练集;
27、模型构建模块,用于构建分组自适应特征提取网络和构建角度影响中心距离的动态聚焦损失函数;并基于分组自适应特征提取网络和动态聚焦损失函数,构建改进的yolov7网络模型;
28、模型训练模块,用于将训练集经预处理后输入至改进的yolov7网络,输出训练结果;
29、模型优化模块,用于将测试集作为改进的yolov7网络的输入参数,输出测试结果,将测试结果与训练结果进行比对,保留最优的改进的yolov7网络模型;
30、图像检测模块,用于使用最优的改进的yolov7网络模型进行宫颈病变细胞团块图像的检测,保留检测结果图片。
31、进一步,所述模型构建模块中包括局部分组自适应模块和全局偏置模块,所述局部自适应模块用于将特征图进行分组,然后分别通过一个空洞为6和空洞为12的可变形卷积,获得在不同尺度上的特征,最后将不同尺度上的特征进行拼接获得局部自适应特征;所述全局偏置模块用于将输入特征图进行一个自适应的平均池化,获得一个全局特征,将这个全局特征通过一个1×1的卷积进行进一步特征的提取,然后使用激活函数进行激活。
32、进一步,所述构建角度影响中心距离的动态聚焦损失函数具体为:
33、确定中心线与x轴的夹角为α,若角度α≤π/4取α,表示中心线偏向于x轴,否则取π/2-α,表示中心线偏向于y轴,角度组件可以表述为:
34、λ=1-2sin2(arcsin(x)-π/4)
35、将角度组件封装成角度因子θ,角度因子可表述为:
36、θ=λ+1
37、将角度因子带入wiouv3中获得tiou,tiou损失函数可表述为:
38、
39、
40、δ=((x-xgt)2+(y-ygt)2)/(w2+h2)
41、其中,iou表示预测框与真实框之间的交并比,表示iou的均值;δ和ε为常数,δ表示中心点间的距离,(x,y)表示预测框中心点坐标,(xgt,ygt)表示真实框中心点坐标;w和h表示最小闭包的宽和高。
42、进一步,所述模型训练模块中将训练集进行预处理具体为使用mosaic数据增强和多尺度训练的方法对训练集进行预处理。
43、本专利技术的原理及优点在于:在本申请中,对于宫颈病变细胞团块的图像数据进行检测时,依托改进的yolo本文档来自技高网
...
【技术保护点】
1.基于自适应特征提取的宫颈病变细胞团块检测方法,其特征在于:包括:
2.根据权利要求1所述的基于自适应特征提取的宫颈病变细胞团块检测方法,其特征在于:所述S2中,构建分组自适应特征提取网络具体为:
3.根据权利要求2所述的基于自适应特征提取的宫颈病变细胞团块检测方法,其特征在于:所述构建角度影响中心距离的动态聚焦损失函数具体为:
4.根据权利要求3所述的基于自适应特征提取的宫颈病变细胞团块检测方法,其特征在于:所述S3中所述的预处理包括使用Mosaic数据增强和多尺度训练的方法对训练集进行预处理。
5.基于自适应特征提取的宫颈病变细胞团块检测系统,其特征在于:包括:
6.根据权利要求5所述的基于自适应特征提取的宫颈病变细胞团块检测系统,其特征在于:所述模型构建模块中包括局部分组自适应模块和全局偏置模块,所述局部自适应模块用于将特征图进行分组,然后分别通过一个空洞为6和空洞为12的可变形卷积,获得在不同尺度上的特征,最后将不同尺度上的特征进行拼接获得局部自适应特征;所述全局偏置模块用于将输入特征图进行一个自适应的平均池化,获得一个全局特征,将这个全局特征通过一个1×1的卷积进行进一步特征的提取,然后使用激活函数进行激活。
7.根据权利要求6所述的基于自适应特征提取的宫颈病变细胞团块检测系统,其特征在于:所述构建角度影响中心距离的动态聚焦损失函数具体为:
8.根据权利要求7所述的基于自适应特征提取的宫颈病变细胞团块检测系统,其特征在于:所述模型训练模块中将训练集进行预处理具体为使用Mosaic数据增强和多尺度训练的方法对训练集进行预处理。
...
【技术特征摘要】
1.基于自适应特征提取的宫颈病变细胞团块检测方法,其特征在于:包括:
2.根据权利要求1所述的基于自适应特征提取的宫颈病变细胞团块检测方法,其特征在于:所述s2中,构建分组自适应特征提取网络具体为:
3.根据权利要求2所述的基于自适应特征提取的宫颈病变细胞团块检测方法,其特征在于:所述构建角度影响中心距离的动态聚焦损失函数具体为:
4.根据权利要求3所述的基于自适应特征提取的宫颈病变细胞团块检测方法,其特征在于:所述s3中所述的预处理包括使用mosaic数据增强和多尺度训练的方法对训练集进行预处理。
5.基于自适应特征提取的宫颈病变细胞团块检测系统,其特征在于:包括:
6.根据权利要求5所述的基于自适应特征提取的宫颈病变细胞团块检测系统,其特征在于:所述...
【专利技术属性】
技术研发人员:李刚,李星光,徐传运,蒋建忠,杨妍婷,庞静言,刘金博,陈贵豪,何攀,
申请(专利权)人:重庆理工大学,
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。