[發(fā)明專(zhuān)利]基于聯(lián)合特征PCANet的宮頸細(xì)胞圖像識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201611088065.1
• 申請(qǐng)日: 2016-12-01
• 公開(kāi)（公告）號(hào): CN106778554A
• 公開(kāi)（公告）日: 2017-05-31
• 發(fā)明（設(shè)計(jì)）人: 盧磊;羅曉曙;孫妤喆;王文濤
• 申請(qǐng)（專(zhuān)利權(quán)）人: 廣西師范大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06T5/00
• 代理公司: 桂林市華杰專(zhuān)利商標(biāo)事務(wù)所有限責(zé)任公司45112
• 代理人: 唐修豪

技術(shù)領(lǐng)域

本發(fā)明屬于醫(yī)學(xué)細(xì)胞圖像處理領(lǐng)域，涉及到細(xì)胞圖像的輔助識(shí)別，具體是一種基于聯(lián)合特征PCANet(Principal Component Analysis Net，PCANet)的宮頸細(xì)胞圖像識(shí)別方法。

背景技術(shù)

宮頸癌的早期診斷對(duì)于及時(shí)發(fā)現(xiàn)宮頸癌前病變，將癌癥消滅在萌芽階段從而挽救女性患者的生命具有重要的意義。臨床證實(shí)，宮頸癌的篩查每五年進(jìn)行一次，宮頸癌惡化致死率可以降低80％，每三年一次可降低90％。在宮頸癌的篩查方法中，宮頸涂片篩查方法被認(rèn)為是預(yù)防宮頸癌最有效的手段之一，但這需要大量的人工閱片，受疲勞以及經(jīng)驗(yàn)等因素影響，使得宮頸癌早期篩查準(zhǔn)確率受到很大的限制，因而宮頸細(xì)胞的智能化計(jì)算機(jī)輔助判讀變得日益重要。

目前大多數(shù)宮頸細(xì)胞計(jì)算機(jī)輔助識(shí)別是基于人工設(shè)計(jì)的特征算子提取的宮頸細(xì)胞特定特征，同時(shí)在特征提取前還需要進(jìn)行圖像分割等預(yù)處理，受人的主觀影響，有時(shí)人工設(shè)計(jì)的特征算子提取的特征不夠充分，因而使識(shí)別效果受到影響，識(shí)別準(zhǔn)確率低，并且這類(lèi)方法的對(duì)象針對(duì)性很強(qiáng)，使得其泛化能力較弱。

發(fā)明內(nèi)容

本發(fā)明旨在解決現(xiàn)有技術(shù)中存在的技術(shù)問(wèn)題。

本發(fā)明提供的一種基于聯(lián)合特征PCANet的宮頸細(xì)胞圖像識(shí)別方法，不需要通過(guò)人工設(shè)計(jì)的特征算子提取細(xì)胞特定特征，就可以有效地識(shí)別正常、病變、癌變?nèi)?lèi)細(xì)胞，并且同時(shí)適用于其他細(xì)胞圖像的識(shí)別，泛化能力強(qiáng)。基于聯(lián)合特征PCANet的宮頸細(xì)胞圖像識(shí)別方法，包括以下步驟：

S100：對(duì)宮頸細(xì)胞圖像進(jìn)行去噪處理

結(jié)合改進(jìn)相似性權(quán)值函數(shù)的非局部均值濾波的雙邊濾波方法構(gòu)造如公式(1)所示的去噪模型對(duì)細(xì)胞圖像進(jìn)行去噪處理

式中，f_d為去噪后的圖像，N(i)為以像素i為中心的領(lǐng)域，σ_s為空間相似性高斯核標(biāo)準(zhǔn)差，σ_r為像素相似性高斯核標(biāo)準(zhǔn)差，i為當(dāng)前中心像素，j為除中心像素外的其他像素，為改進(jìn)相似性權(quán)值函數(shù)的非局部均值濾波預(yù)去噪后的圖像，由式(2)得到，

式(2)中，ω為改進(jìn)的相似性權(quán)值函數(shù)，由式(3)得到

式(3)中，N(i)、N(j)分別為以像素i、j為中心像素的圖像塊，表示兩圖像塊之間的高斯加權(quán)歐式距離，h，h₁為平滑參數(shù)；

S200：對(duì)去噪后的細(xì)胞圖像構(gòu)造聯(lián)合特征PCANet提取圖像特征

采用兩層PCA層結(jié)構(gòu)的PCANet，并將第一層PCA層的輸出與第二層PCA層的輸出都輸入到二值哈希和直方圖處理層，然后將得到的特征聯(lián)合起來(lái)作為最終輸出的圖像特征，具體構(gòu)造聯(lián)合特征PCANet提取圖像特征的過(guò)程如下：

S210：對(duì)去噪后的細(xì)胞圖像構(gòu)建第一層PCA層

S211：將去噪后的輸入圖像f_d的像素分為k₁×k₂大小的圖像塊，

x_i,1，x_i,2，...x_i,j，其中x_i,j表示第i張輸入圖像的第j個(gè)圖像塊矩陣，表示圖像塊在R這個(gè)集合內(nèi)；

S212：再將每個(gè)圖像塊矩陣化成列向量并進(jìn)行去均值操作

表示去均值后的列向量，I是適當(dāng)維度的全1向量，因而對(duì)于第i張輸入圖像可以得到

S213：對(duì)所有輸入圖像進(jìn)行上述步驟S211和S212操作后并合并成一個(gè)向量X如式(4)：

S214：假設(shè)第一層PCA層的濾波器為L(zhǎng)₁個(gè)，通過(guò)PCA求解濾波器，

其中是L₁×L₁大小的單位矩陣，s.t表示約束條件,V表示需要求解的L₁個(gè)特征向量，表示約束項(xiàng)，F(xiàn)表示一組(簇)主特征；通過(guò)求解式(5)可得到L₁個(gè)XX^T的主特征向量V，然后將主特征向量V映射到矩陣空間得到如式(6)所示的第一層PCA層的濾波器W_l¹，