【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及一种基于改进yolov5的宫颈病变细胞检测方法。
技术介绍
1、癌症致死率高，是全球因疾病死亡的一大因素。宫颈癌是女性第四大常见癌症，是近几年女性健康的热门话题。宫颈病变细胞的研究对于保护女性健康也有着非常重要的作用。据globocan在2020年公布的数据，在2020年里，全球约有癌症发病人数有1929万，死亡人数近1000万。其中，60.4万名妇女被诊断为患有宫颈癌，另外有近46.6万人死于该疾病。如果可以在早期检测到宫颈病变细胞，那么该疾病的患病率将会大大降低。在很多宫颈癌的诊断过程中，宫颈鳞状病变细胞显微涂片的诊断一直是个困难的问题。在目前临床医学中，已证明最有效的宫颈癌筛查方法，主要还是依靠经验丰富的病理医生通过光学显微镜，观察宫颈细胞显微涂片中的细胞形态进行诊断。这种检测方法需要经验丰富的医疗工作者，且审阅显微图像是非常费时费力的工作。
2、目前的宫颈细胞的显微图像辅助筛查系统主要分为三个方面：宫颈细胞的检测、分类和分割。得利于近几年深度学习的快速发展，许多曾经的医学领域的研究者逐渐开始从利用传统的机器学习提取细胞的手工特征转换到利用深度学习提取细胞的深度特征。cnn(convolutional neuralnetworks)是深度学习的一种热门网络类型，在医学研究中经常被用于对细胞进行分割和分类，cnn的优势在于它在图像分类以及医学影像分析方面都取得了较为成功的效果，但cnn的缺点也表现了出来，这包括了对于细胞重叠与对比度较大的情况下，对细胞的分割并不能起到较好的作用。近
3、近几年，开始使用深度学习来进行宫颈病变细胞的识别。通过构建基于卷积神经网络的深度学习模型，使模型能够获取到宫颈切片的语义信息，并由此将异常或病变的宫颈细胞进行检测并分类。例如song等人为了更好的去解决细胞核和重叠细胞质的鲁棒分割问题，在自适应形状方法等方法的支撑下，提出了一系列多尺度卷积网络。在细胞检测方面，yolo网络模型由于具有很好的检测效率，因此yolo网络的使用也是非常广泛的。而且近年来有很多关于yolo模型的相关研究，例如liang，kilic都是将yolo网络模型用于胸腔积液等细胞的检测。zhu开发了一套集成了xgboost和逻辑决策树的宫颈lbc涂片tbs诊断系统，在这个系统中就运用到了yolov3的网络模型，这个模型对于减少研究人员工作量以及提升识别准确率都起到了很好的作用。如图1所示，鳞状细胞之间的特征相似度高导致辨认困难，因此当前的深度学习网络模型研究以及临床医学上都希望能够解决这个问题。
4、由于实际场景中，患者存在的个体差异不能忽略，例如：年龄、体质以及不同患者的细胞核和细胞质的比例通常不大相同，这样的差异往往会导致出现错误检测，如导致年迈患者的正常样本在放到年轻患者中检测就变为了病变样本。而通常在临床医学中，专业的医生都会通过观察整体玻片的细胞特征来判断当前细胞是否为病变细胞。因此如果只用传统的cnn模型，就可能导致模型只能获取局部的切片特征，从而缺乏对不同患者宫颈细胞检测的鲁棒性。由于鳞状病变细胞的组织学特点是全层细胞均有异型性，所以我们不仅需要针对病变细胞本身进行检测，还需要对细胞周围的像素进行分析。并且我们检测的这四种鳞状病变细胞类型的相似性非常高，传统的cnn难以将其很好的分开。
技术实现思路
1、本专利技术的目的在于针对现有的宫颈鳞状病变细胞辅助检测模型的精度不足的问题，提供一种基于改进yolov5的宫颈病变细胞检测方法，在yolov5基础上，在主干网络的高层次特征中使用了swintransformer模块，这样可以较为有效的提升对ascus、asch、hsil、lisl这4种宫颈鳞状病变细胞的检测精度。由于鳞状病变细胞的组织学特点是全层细胞均有异型性，所以我们不仅需要针对病变细胞本身进行检测，还需要对细胞周围的像素进行分析。且由于我们检测的这四种鳞状病变细胞类型的相似性非常高，本专利技术采用了全文信息(gcnet)来更宏观的获得图像特征，以此来减少细胞背景中的杂质对鳞状病变细胞检测的影响。
2、为实现上述目的，本专利技术的技术方案是：一种基于改进yolov5的宫颈病变细胞检测方法，在yolov5网络模型基础上，在主干网络的高层次特征中使用swintransformerblock，同时，在网络的第3、5、7、和9层中使用gcnet block得到更全面的上下文信息，来更宏观地获得图像特征，增强对图像中小目标的检测效果。
3、在本专利技术一实施例中，yolov5网络模型，其主干网络是使用的csp-darknet53，在该基础上，对第3、5、7、9和11层进行修改，使用swintransformer block替换原始的c3block。
4、在本专利技术一实施例中，在模型训练前，通过包括图像缩放、拼接和翻转的方式进行数据增强，扩充数据集。
5、在本专利技术一实施例中，该方法采用的损失函数包括：
6、1)object score损失
7、在检测对象时候模型使用的是能够判断目标框是否框中对象的二分类交叉熵损失，其中o为标签向量，t为预测向量，n表示样本数量：
8、
9、2)class probability score损失
10、在检测类别时候，与object score一样，模型使用的是能够判断目标框是否框中了正确类别的二分类交叉熵损失，其中o为标签向量，t为预测向量：
11、
12、3)bounding box损失
13、在检测预测框能否够紧凑地框选中目标对象时，模型使用的是性能更为优越的ciou loss：
14、
15、其中iou为：
16、
17、detectionresult代表算法自动检测结果，groundtruth代表标签(手动检测结果)，α为：
18、
19、v为：
20、
21、其中，d2为预测框和目标框中心点距离，dc为最小外接矩形的对角线距离；w和h是预测框的高和宽，wgt和hgt是真实框的高和宽。
22、相较于现有技术，本专利技术具有以下有益效果：本专利技术在yolov5基础上，在主干网络的高层次特征中使用了swintransformer模块，这样可以较为有效的提升对ascus、a本文档来自技高网...
【技术保护点】
1.一种基于改进YOLOv5的宫颈病变细胞检测方法，其特征在于，在YOLOv5网络模型基础上，在主干网络的高层次特征中使用SwinTransformer Block，同时，在网络的第3、5、7和9层中使用GCNet Block得到更全面的上下文信息，来更宏观地获得图像特征，增强对图像中小目标的检测效果。
2.根据权利要求1所述的基于改进YOLOv5的宫颈病变细胞检测方法，其特征在于，YOlOv5网络模型，其主干网络是使用的CSP-Darknet53，在该基础上，对第3、5、7、9和11层进行修改，使用SwinTransformer Block替换原始的C3 Block。
3.根据权利要求1所述的基于改进YOLOv5的宫颈病变细胞检测方法，其特征在于，在模型训练前，通过包括图像缩放、拼接和翻转的方式进行数据增强，扩充数据集。
4.根据权利要求1所述的基于改进YOLOv5的宫颈病变细胞检测方法，其特征在于，该方法采用的损失函数包括：
【技术特征摘要】
1.一种基于改进yolov5的宫颈病变细胞检测方法，其特征在于，在yolov5网络模型基础上，在主干网络的高层次特征中使用swintransformer block，同时，在网络的第3、5、7和9层中使用gcnet block得到更全面的上下文信息，来更宏观地获得图像特征，增强对图像中小目标的检测效果。
2.根据权利要求1所述的基于改进yolov5的宫颈病变细胞检测方法，其特征在于，yolov5网络模型，其主干网络是使用的...
【专利技术属性】
技术研发人员：李佐勇，李智凯，彭中华，曹新容，刘伟霞，
申请(专利权)人：闽江学院，
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。