【技术实现步骤摘要】
本专利技术涉及细胞核分割，且更具体地涉及一种提高宫颈癌液基细胞筛查分析中细胞核分割准确率的方法。
技术介绍
1、宫颈癌是全球女性最常见的恶性肿瘤之一，其发病率和死亡率均较高。早期发现和诊断宫颈癌对于治疗和预后具有重要意义。液基细胞筛查分析是一种常用的宫颈癌筛查方法，通过收集宫颈细胞样本，并进行细胞学分析，以检测是否存在宫颈癌细胞。然而，传统的液基细胞筛查分析方法存在阳性细胞漏诊的问题，这可能导致延误治疗或错过最佳治疗时机。为了提高宫颈癌液基细胞筛查分析的准确率，许多研究者提出了各种方法。其中，细胞核分割是液基细胞筛查分析中的关键步骤之一。准确的细胞核分割能够减少阳性细胞的漏诊率，提高诊断准确性。然而，现有的细胞核分割方法往往受到图像质量、细胞形态多样性等因素的影响，导致分割效果不佳。已有实现方案：基于阈值的分割方法：通过设定阈值，将图像中的像素值与阈值进行比较，将像素值高于阈值的区域划分为细胞核。该方法简单易行，但适用于图像质量较好、细胞形态较为单一的情况。对于复杂的液基细胞图像，该方法往往难以准确分割。基于区域的分割方法：通过设定区域特征，将像素值相似的区域划分为一个整体。该方法能够处理复杂的图像，但对于细胞形态多样性的适应性较差。基于边缘的分割方法：通过检测图像中的边缘信息，将边缘内的像素划分为细胞核。该方法适用于细胞形态较为规则的情况，但对于形态不规则的细胞核分割效果不佳。
2、现有技术的缺点：基于阈值的分割方法：这种方法对于图像质量的要求较高，如果图像质量不佳，例如存在噪声或模糊，则可能导致误分割或漏分割。基
技术实现思路
1、针对上述技术的不足，本专利技术公开一种提高宫颈癌液基细胞筛查分析中细胞核分割准确率的方法，图像预处理通过图像降噪模块、图像增强模块、图像归一化模块和图像配准模块提高图像质量，解决存在噪声或模糊，则可能导致误分割或漏分割问题，改进型深度学习卷积神经网络对预处理后的液基细胞图像进行特征提取，获取图像中的特征信息，解决在处理复杂的液基细胞图像时，可能会受到细胞形态多样性的影响问题，改进型深度学习卷积神经网络通过细胞核分割检测算子计算得到宫颈癌液基细胞核分割结果，改进型深度学习卷积神经网络再通过随机梯度下降法训练5000个训练周期得到细胞核分割模型，实现预测细胞核的分割结果，解决对于形态不规则的细胞核分割效果不佳问题。
2、本专利技术采用以下技术方案：
3、一种提高宫颈癌液基细胞筛查分析中细胞核分割准确率的方法包括如下步骤：
4、步骤一、将尺寸为2448*2048的原始液基细胞图像进行图像预处理，所述图像预处理包括图像降噪模块、图像增强模块、图像归一化模块和图像配准模块；
5、步骤二、采用改进型深度学习卷积神经网络对预处理后的液基细胞图像进行特征提取，获取图像中的特征信息，所述改进型深度学习卷积神经网络通过全局平局池化模型在下采样通道和上采样通道之间计算每个特征映射的全局平均池，得到图像的256维特征向量；
6、步骤三、所述上采样通道通过图像分割的卷积神经结构得到卷积层的输出结果，所述图像分割的卷积神经结构根据上采样通道的特征映射和下采样通道中等效层的特征映射，在每个空间尺度的四个卷积中进行特征映射相加，所述图像分割通过添加样式向量和线性投影匹配特征映射的数量，对卷积图中的每个位置进行全局广播，将上采样通道上的最后一个卷积图输入到三个输出卷积图的1*1层得到输出结果，所述输出结果包括第一输出图、第二输出图和第三输出图；
7、步骤四、所述改进型深度学习卷积神经网络通过细胞核分割检测算子计算得到宫颈癌液基细胞核分割结果，所述宫颈癌液基细胞核分割结果至少包括水平梯度、垂直梯度和像素概率，所述细胞核分割检测算子根据第一输出图和第二输出图进行灰度关联分析求得水平梯度和垂直梯度，所述细胞核分割检测算子根据第三输出图预测像素在具有交叉熵的细胞内部概率或细胞外部概率；
8、步骤五、采用具有平滑边界的去除图像噪声算法对宫颈癌液基细胞核分割结果进行后处理，所述改进型深度学习卷积神经网络通过随机梯度下降法训练5000个训练周期得到细胞核分割模型，实现预测细胞核的分割结果，所述改进型深度学习卷积神经网络的学习率为0.2，动量为0.9，批处理大小为4张图片，权重衰减为0.00001。
9、作为本专利技术进一步的技术方案，所述图像降噪模块的输出端与所述图像增强模块的输入端连接，所述图像增强模块的输出端与所述图像归一化模块的输入端连接，所述图像归一化模块的输出端与所述图像配准模块的输入端连接，所述图像降噪模块通过高斯滤波算法对原始液基细胞图像进行去噪处理，所述高斯滤波算法通过最大特征高斯加权系数将每个像素点与周围邻域内像素点的灰度值加权平均，所述高斯滤波算法通过像素点欧式距离对最大特征高斯加权系数进行改进，对原始液基细胞图像噪声平滑彻底；所述图像增强模块通过全局注意力机制提高宫颈癌液基细胞核的清晰度为60像素和对比度80％，所述全局注意力机制通过残差连接结构在原始液基细胞图像中选择性地增强宫颈癌液基细胞核，抑制非宫颈癌液基细胞核区域。
10、作为本专利技术进一步的技术方案，所述图像归一化模块采用自适应分段线性变化模型将显微镜模式下的原始液基细胞图像转化成为人类观看或计算机处理的灰度图像，所述自适应分段线性变化模型通过灰度直方图线性分段均衡协议对原始液基细胞图像进行灰度直方图均衡化，得到图像归一化前的直方图，所述自适应分段线性变化模型根据图像归一化前的直方图簇的个数自动选取原始液基细胞图像的参数取值,所述自适应分段线性变化模型最后通过灰度线性变换得到图像归一化后的液基细胞图像；所述图像配准模块采用联级分块校准模型校正原始液基细胞采集过程中摄影角度或旋转角度导致原始液基细胞在不同位置或角度上出现偏移，所述级联分块校准模型通过级联分块网络对每个原始液基细胞图像进行配准生成形变场块，所述级联分块校准模型通过特征点匹配配准协议对形变场块进行配准和图像融合，获得液基细胞正位的原始液基细胞图像。
11、作为本专利技术进一步的实施例，所述改进型深度学习卷积神经网络由下采样通道和上采样通道组成，所述下采样通道和上采样通道由四个空间尺度组成，所述四个空间尺度均由两个残差块组成，第一个残差块通过1*1的卷积进行跳跃连接，所述残差块均包括两个滤波器大小为3*3的卷积层，所述四个空间尺度均包括卷积图，所述全局平局池化模型通过最大池化机制对液基细胞图像特征图进行下采样；所述全局平局池化模型通过batchnorm批量归一化对每个卷积图进行标准化处理，所述全局平局池化模型通过relu激活函数进行非线性转换，所述全局平均池化操作通过卷积层输出特征映射，所述全局平局池化模型最后通过全局平均池化操作计算每个特征映射的全局平均池，所述本文档来自技高网...
【技术保护点】
1.一种提高宫颈癌液基细胞筛查分析中细胞核分割准确率的方法，其特征在于：所述方法包括如下步骤：
2.根据权利要求1所述的一种提高宫颈癌液基细胞筛查分析中细胞核分割准确率的方法，其特征在于：所述图像降噪模块的输出端与所述图像增强模块的输入端连接，所述图像增强模块的输出端与所述图像归一化模块的输入端连接，所述图像归一化模块的输出端与所述图像配准模块的输入端连接，所述图像降噪模块通过高斯滤波算法对原始液基细胞图像进行去噪处理，所述高斯滤波算法通过最大特征高斯加权系数将每个像素点与周围邻域内像素点的灰度值加权平均，所述高斯滤波算法通过像素点欧式距离对最大特征高斯加权系数进行改进，对原始液基细胞图像噪声平滑彻底；所述图像增强模块通过全局注意力机制提高宫颈癌液基细胞核的清晰度为60像素和对比度80％，所述全局注意力机制通过残差连接结构在原始液基细胞图像中选择性地增强宫颈癌液基细胞核，抑制非宫颈癌液基细胞核区域。
3.根据权利要求1所述的一种提高宫颈癌液基细胞筛查分析中细胞核分割准确率的方法，其特征在于：所述图像归一化模块采用自适应分段线性变化模型将显微镜模式下的原始液
4.根据权利要求1所述的一种提高宫颈癌液基细胞筛查分析中细胞核分割准确率的方法，其特征在于：所述改进型深度学习卷积神经网络由下采样通道和上采样通道组成，所述下采样通道和上采样通道由四个空间尺度组成，所述四个空间尺度均由两个残差块组成，第一个残差块通过1*1的卷积进行跳跃连接，所述残差块均包括两个滤波器大小为3*3的卷积层，所述四个空间尺度均包括卷积图，所述全局平局池化模型通过最大池化机制对液基细胞图像特征图进行下采样；所述全局平局池化模型通过batchnorm批量归一化对每个卷积图进行标准化处理，所述全局平局池化模型通过ReLU激活函数进行非线性转换，所述全局平均池化操作通过卷积层输出特征映射，所述全局平局池化模型最后通过全局平均池化操作计算每个特征映射的全局平均池，所述全局平均池化操作通过全局平均转化池将全局平均池转化保存为液基细胞图像特征图对应位置上的一个元素，所述全局平均池化操作通过全局拼接引擎将所有位置上保存下来的元素拼接起来，得到液基细胞图像特征对应的256维特征向量，所述全局平均池化操作最后通过L2范数将每个特征向量归一化为1的范数。
5.根据权利要求1所述的一种提高宫颈癌液基细胞筛查分析中细胞核分割准确率的方法，其特征在于：所述细胞核分割检测算子的工作方法为：
6.根据权利要求1所述的一种提高宫颈癌液基细胞筛查分析中细胞核分割准确率的方法，其特征在于：所述具有平滑边界的去除图像噪声算法的工作方法为：
7.根据权利要求1所述的一种提高宫颈癌液基细胞筛查分析中细胞核分割准确率的方法，其特征在于：所述随机梯度下降法采用批量划分引擎在每个训练周期中将训练集中所有样本随机划分得到批量样本，所述随机梯度下降法通过前向传播机制对每个批量样本进行前向传播，所述随机梯度下降法再通过反向传播机制对每个批量样本进行反向传播，所述随机梯度下降法根据处理后的批量样本在5000次迭代次数内实现对细胞核分割模型的迭代拟合，所述随机梯度下降法通过最小化损失函数得到最优拟合效果的细胞核分割模型，所述随机梯度下降法根据细胞核分割模型将宫颈癌液基细胞核分割结果输入得到细胞核的预测分割结果。
...【技术特征摘要】
1.一种提高宫颈癌液基细胞筛查分析中细胞核分割准确率的方法，其特征在于：所述方法包括如下步骤：
2.根据权利要求1所述的一种提高宫颈癌液基细胞筛查分析中细胞核分割准确率的方法，其特征在于：所述图像降噪模块的输出端与所述图像增强模块的输入端连接，所述图像增强模块的输出端与所述图像归一化模块的输入端连接，所述图像归一化模块的输出端与所述图像配准模块的输入端连接，所述图像降噪模块通过高斯滤波算法对原始液基细胞图像进行去噪处理，所述高斯滤波算法通过最大特征高斯加权系数将每个像素点与周围邻域内像素点的灰度值加权平均，所述高斯滤波算法通过像素点欧式距离对最大特征高斯加权系数进行改进，对原始液基细胞图像噪声平滑彻底；所述图像增强模块通过全局注意力机制提高宫颈癌液基细胞核的清晰度为60像素和对比度80％，所述全局注意力机制通过残差连接结构在原始液基细胞图像中选择性地增强宫颈癌液基细胞核，抑制非宫颈癌液基细胞核区域。
3.根据权利要求1所述的一种提高宫颈癌液基细胞筛查分析中细胞核分割准确率的方法，其特征在于：所述图像归一化模块采用自适应分段线性变化模型将显微镜模式下的原始液基细胞图像转化成为人类观看或计算机处理的灰度图像，所述自适应分段线性变化模型通过灰度直方图线性分段均衡协议对原始液基细胞图像进行灰度直方图均衡化，得到图像归一化前的直方图，所述自适应分段线性变化模型根据图像归一化前的直方图簇的个数自动选取原始液基细胞图像的参数取值,所述自适应分段线性变化模型最后通过灰度线性变换得到图像归一化后的液基细胞图像；所述图像配准模块采用联级分块校准模型校正原始液基细胞采集过程中摄影角度或旋转角度导致原始液基细胞在不同位置或角度上出现偏移，所述级联分块校准模型通过级联分块网络对每个原始液基细胞图像进行配准生成形变场块，所述级联分块校准模型通过特征点匹配配准协议对形变场块进行配准和图像融合，获得液基细胞正位的原始液基细胞图像。
4.根据权利要求1所述的一种提高宫颈癌液基细胞筛查分析中细胞核分割准确率的方法，其特...
【专利技术属性】
技术研发人员：曾新华，方润，廖乘胜，白友龙，曾立波，
申请(专利权)人：杭州希诺智能医学有限公司，
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。