基于深度学习的子宫颈液基细胞数字图像分类方法及系统技术方案

本发明专利技术涉及医疗技术领域，尤其是涉及基于深度学习的子宫颈液基细胞数字图像分类方法及系统，该方法包括：传图模块、检测模块和阅片模块，传图模块用于将待识别的子宫颈液基细胞数字图像传输到检测模块；检测模块用于基于训练得到的Faster

【技术实现步骤摘要】
基于深度学习的子宫颈液基细胞数字图像分类方法及系统


[0001]本专利技术涉及医疗
，尤其是涉及基于深度学习的子宫颈液基细胞数字图像分类方法及系统。

技术介绍

[0002]在世界范围内，宫颈癌是女性第四常见癌症死因，且呈低龄化趋势。在病症早期及时发现并及时治疗，可以有效地降低发病率和病死率。因此，宫颈癌的早期诊断对女性健康有重要的意义。现代最常用的诊断方式之一是液基涂片检查。
[0003]液基涂片检查是一种宫颈细胞学诊断方法，常用于检查宫颈癌等疾病。随着医疗数字化的发展，现代医院逐渐摒弃了在显微镜下直接对液基涂片进行观察和诊断的传统方法，取而代之的是在通过高分辨率数字扫描仪扫描后在计算机上通过检查液基涂片全切片图像进行诊断。数字化的图像具有易于存储管理，易于传输会诊，易于追溯回访且使用成本相对较低的优点。
[0004]在计算机上进行诊断的检查步骤如下：
[0005]1、首先，取得少量宫颈细胞样品，制作细胞液基涂片；
[0006]2、然后，通过高分辨率扫描仪扫描细胞液基涂片，生成宫颈细胞涂片全切片图像；
[0007]3、最后，医生及病理专家通过计算机阅图工具观察细胞有无异常(何种异常)并做出诊断。
[0008]在诊断过程中，宫颈细胞数量大，分布零散，需要专业医生花费很大的精力与时间去逐一排查，且容易漏诊。因此，自动化的异常细胞识别定位技术对于宫颈疾病的计算机辅助筛查、辅助诊断将会有很大的帮助。
[0009]已公开的专利中，涉及辅助诊断宫颈液基细胞学的系统的，记载如下：
[0010]专利CN108982500A，提出一种宫颈液基细胞学智能辅助阅片方法和系统，该方法对预选的探查区进行多层面成像，既提供了完整的三维信息，又极大地减小了每张玻片的总成像时间，无需病理阅片医生进行全玻片浏览和找寻病变细胞。专利CN102682305A，提出宫颈液基细胞学自动筛查方法和系统，该系统包括：图像采集、图像分割、目标识别和综合分析。能在减轻细胞病理学家工作负担的同时提高诊断的准确性。
[0011]已公开的专利中，针对子宫颈细胞学图像分割技术的，记载如下：
[0012]专利CN111274903A，提出一种基于图卷积神经网络的宫颈细胞图像分类方法，其先通过卷积神经网络提取特征表征，构建样本特征关系图，搭建基于图卷积神经网络的深度网络；将样本特征关系图输入基于图卷积神经网络的深度网络进行训练，继而预测目标图像中的宫颈细胞的类型。
[0013]专利CN110992303A，提出一种异常细胞筛选方法、装置、电子设备和存储介质，该专利根据像素点的灰度值对宫颈细胞全切片图像进行切分得到子图像，针对子图像训练了多个异常细胞筛选模型(卷积神经网络)，根据预设选取策略从所述多个异常细胞筛选模型预测结果中选取多个预测结果作为子图像预测结果，最后将子图像结果整合在显示界面上
显示所有异常细胞。
[0014]专利CN110648322A，提出一种子宫颈异常细胞检测方法及系统，该专利先将图像进行色彩归一化处理和多尺度变换，分别得到每个分块图像在不同预设尺度下的若干尺度的归一化色彩图像；基于多尺度的标注图像训练检测得到异常细胞检测模型。
[0015]专利CN110363188A与专利CN110163102A，采用稠密卷积神经网络进行宫颈细胞图像分类，可以区分11类宫颈细胞图像。
[0016]专利CN110376198A，提出了一种宫颈液基细胞切片质量检测系统，包括：利用二值形态学图像处理技术对鳞状细胞数量进行评估；结合二次模糊方法评价图像的模糊程度；采用卷积神经网络训练筛选经血液污染、胶水覆盖以及气泡覆盖的异常图像。
[0017]专利CN110689518A，提出宫颈细胞图像筛查方法、装置、计算机设备及存储介质，其采用轻量化卷积神经网络训练宫颈细胞图像筛查模型，预测类型包括预测为宫颈异常细胞图像的正类和预测为非宫颈异常细胞图像的负类。
[0018]专利CN110310253A，提出了数字切片分类方法和装置，其采用一种基于注意力机制的特征融合模型——U-Net神经网络模型，作为细胞检测模型，预测并统计输入图像内目标细胞的数量和位置。
[0019]专利CN110009050A，提出一种细胞的分类方法及装置，其先对宫颈图像训练样本进行归一化处理，然后将图像输入细胞分类模型，得到所述目标宫颈图像的特征分类矩阵；基于特征分类矩阵和细胞分类模型，确定目标宫颈图像中细胞的类型。
[0020]专利CN109272492A，提出一种细胞病理涂片的处理方法及系统，其先通过对抗生成网络对细胞病理涂片中的不均匀染色进行归一化，再对细胞图像进行分级识别。
[0021]专利CN107274386A与专利CN107274386B，先对输入图像进行识别区分为单个细胞或细胞团簇；对于单个细胞，采用附加领域知识的双流卷积神经网络和构建的细胞知识图谱对单个细胞分别进行分级识别；对于细胞团簇，采用双流卷积神经网络模型实现不可分细胞团簇的识别。
[0022]专利CN109154989A，提出使用掩模来提高卷积神经网络对于癌细胞筛查应用的分类性能，该方案为了在分类模型中引入注意力机制，采用掩模来掩蔽训练图像，以形成经掩蔽的训练图像；用经掩蔽的训练图像来训练卷积神经网络，减少了由于背景无关对象引起的分类干扰。
[0023]专利CN109815888A，提出一种新型巴氏染色方法及异常宫颈细胞自动分类方法；其分类方法经过处理与归一化输入卷积神经网络模型进行分类识别。
[0024]由于宫颈细胞学全切片图像中的细胞形态十分复杂，有单个细胞，有成团细胞，有易混淆为高级别鳞状上皮病变(HSIL)的核质比很高的化生细胞，和受炎性背景影响核增大易混淆为低级别鳞状上皮病变(LSIL)的正常细胞。
[0025]因此上述现有专利中记载的方案，均不能很好的对这些细胞进行区分和标注，并且上述现有专利在模型训练中基于分类模型的方法缺少注意力的机制，导致检测模型容易学习到背景信息作为分类特征；而纯粹基于检测模型又会导致模型聚焦于异常检出，导致假阳偏高造成过度诊断；而基于语义分割模型如U-NET的方法往往更侧重分割定位，对多类型识别区分有一定局限性。

技术实现思路

[0026]针对上述技术问题，本专利技术实施例提供了一种基于深度学习的子宫颈液基细胞数字图像分类系统，以解决传统分类方法对异常细胞分类不准确，模型预测准确度低的一种或者多种问题。
[0027]本专利技术实施例的第一方面提供一种基于深度学习的子宫颈液基细胞数字图像分类系统，包括：传图模块、检测模块和阅片模块，所述传图模块用于将待识别的子宫颈液基细胞数字图像传输到检测模块；所述检测模块用于基于训练得到的Faster-RCNN模型，实现对所述子宫颈液基细胞数字图像中各类细胞的检测，得到检测结果；所述阅片模块用于查阅所述检测结果。
[0028]可选地，所述检测结果包括：所述子宫颈液基细胞数字图像的异常细胞类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的子宫颈液基细胞数字图像分类系统，其特征在于，包括：传图模块、检测模块和阅片模块，所述传图模块用于将待识别的子宫颈液基细胞数字图像传输到检测模块；所述检测模块用于基于训练得到的Faster-RCNN模型，实现对所述子宫颈液基细胞数字图像中各类细胞的检测，得到检测结果；所述阅片模块用于查阅所述检测结果。2.根据权利要求1所述的系统，其特征在于，所述检测结果包括：所述子宫颈液基细胞数字图像的异常细胞类型和异常细胞位置。3.根据权利要求1所述的系统，其特征在于，所述Faster-RCNN模型包括以下两阶段训练：一阶段：将滤除定量的背景区域的所述子宫颈液基细胞数字图像作为输入，所述子宫颈液基细胞数字图像中不同类型的异常细胞和异常细胞位置作为输出进行模型训练，得到初始检测模型；二阶段：对所述初始检测模型进行阴性输入压制假阳二次训练，得到训练好的Faster-RCNN模型。4.根据权利要求1所述的系统，其特征在于，所述Faster-RCNN模型在训练过程完成后，采用AP50来验证挑选模型，以确认所述Faster-RCNN模型的超参数。5.根据权利要求3所述的系统，其特征在于，对所述子宫颈液基细胞数字图像中不同类型的异常细胞作为输出的标注形式为：用外接矩形框进行标注，并且所述外接矩形标注的轮廓完整覆盖整个细胞。6.根据权利要求1-5任一项所述的系统，其特征在于，所述传图模块使用SMB协议传输；所述传图模块和所述阅片模块使用B/S架...

【专利技术属性】
技术研发人员：陈浩，胡羽，周南江，陈雁，
申请(专利权)人：深圳视见医疗科技有限公司，
类型：发明
国别省市：