[發(fā)明專(zhuān)利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞圖像識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201611189662.3
• 申請(qǐng)日: 2016-12-21
• 公開(kāi)（公告）號(hào): CN106780466A
• 公開(kāi)（公告）日: 2017-05-31
• 發(fā)明（設(shè)計(jì)）人: 郭磊;羅曉曙;何富運(yùn)
• 申請(qǐng)（專(zhuān)利權(quán)）人: 廣西師范大學(xué)
• 主分類(lèi)號(hào): G06T7/00
• 分類(lèi)號(hào): G06T7/00;G06K9/00
• 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: 劉梅芳

技術(shù)領(lǐng)域

本發(fā)明涉及細(xì)胞圖像處理技術(shù)領(lǐng)域，具體是一種基于卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞圖像識(shí)別方法。

背景技術(shù)

在我國(guó)，目前傳統(tǒng)的宮頸細(xì)胞圖像識(shí)別方法主要還是巴氏人工閱片技術(shù)，巴氏人工閱片技術(shù)要靠人在鏡下觀察大量細(xì)胞圖像，工作強(qiáng)度大，而且極易使人感到疲勞，識(shí)別的準(zhǔn)確率和識(shí)別效率低下。

發(fā)明內(nèi)容

本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的不足，而提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞圖像識(shí)別方法。

這種方法自動(dòng)化程度高、自適應(yīng)能力強(qiáng)，不但能提高宮頸細(xì)胞圖像識(shí)別的效率，而且也能提高宮頸細(xì)胞圖像識(shí)別的準(zhǔn)確率。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是：

一種基于卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞圖像識(shí)別方法，包括如下步驟:

1)準(zhǔn)備訓(xùn)練樣本：

(1-1)讀入現(xiàn)有圖庫(kù)中的宮頸細(xì)胞圖像作為訓(xùn)練樣本并分類(lèi)：將讀入的所有的宮頸細(xì)胞圖像分為正常宮頸細(xì)胞訓(xùn)練樣本和病變宮頸細(xì)胞訓(xùn)練樣本；

(1-2)灰度化：將宮頸細(xì)胞圖像預(yù)處理為灰度圖像塊，并將宮頸細(xì)胞圖像中的彩色圖片轉(zhuǎn)化為灰度圖像，然后把得到的灰度圖像尺寸歸一化為32*32的灰度圖像塊；

2)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)層：構(gòu)建一個(gè)具有自適應(yīng)識(shí)別分類(lèi)功能的包括加入BN算法的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)為一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，通過(guò)可訓(xùn)練的卷積核作為濾波器，對(duì)圖像進(jìn)行逐層濾波，并將每一層濾波結(jié)果進(jìn)行自動(dòng)組合，最終自動(dòng)提取出對(duì)分類(lèi)最有利的特征，提取完特征之后，從所有特征參數(shù)中根據(jù)分類(lèi)類(lèi)別不同，進(jìn)行參數(shù)分類(lèi)，之后對(duì)不同類(lèi)別之間的特征參數(shù)進(jìn)行組和合訓(xùn)練和識(shí)別，并根據(jù)識(shí)別結(jié)果的不同，調(diào)整訓(xùn)練特征向量，當(dāng)根據(jù)本次特征參數(shù)組合獲得的識(shí)別結(jié)果小于之前的識(shí)別結(jié)果時(shí)，則根據(jù)現(xiàn)有的特征向量，添加或刪除相應(yīng)的特征參數(shù)，以期再次識(shí)別時(shí)獲得更高的識(shí)別率；

提取宮頸細(xì)胞的特征包括形態(tài)、色度、光密度、紋理特征等，其中形態(tài)特征包括細(xì)胞(核)面積、周長(zhǎng)、高度、寬度、圓形度、矩形度、伸長(zhǎng)度等，色度特征包括細(xì)胞核(質(zhì))在RGB顏色分量上的均值、方差和色度變化系數(shù)等，光密度特征包括細(xì)胞核(質(zhì))的積分光密度、平均光密度、光密度系數(shù)等，紋理特征使用Haralick兩特征和Tamura的兩種特征，共四種紋理特征；

改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)可以將圖像數(shù)據(jù)直接作為網(wǎng)絡(luò)輸入變量，經(jīng)網(wǎng)絡(luò)處理之后產(chǎn)生作為結(jié)果的分類(lèi)號(hào)，實(shí)現(xiàn)端到端的處理，減少或避免圖像預(yù)處理和人工特征抽取等復(fù)雜過(guò)程；

(3)構(gòu)建二分類(lèi)器：將步驟1)得到的正常宮頸細(xì)胞訓(xùn)練樣本和病變宮頸細(xì)胞訓(xùn)練樣本輸入改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)被訓(xùn)練為能夠識(shí)別正常宮頸細(xì)胞和病變宮頸細(xì)胞的二分類(lèi)器；

(4)得到識(shí)別結(jié)果：將待測(cè)試的宮頸細(xì)胞圖片輸入改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)進(jìn)行識(shí)別、歸類(lèi)。

所述加入BN算法的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)為在經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中加入了批歸一化算法，即在每一個(gè)卷積層與下采樣層之后都連接一個(gè)BN層，在下采樣S2之后連接3個(gè)全連接層，全連接層后同樣各自接入相應(yīng)BN層，最后一層全連接層使用sigmoid激活函數(shù)，直接輸出圖像。

所述批歸一化算法，即BN算法為：

BN層和卷積層，下采樣層和全連接層一樣，也是網(wǎng)絡(luò)中的一層結(jié)構(gòu)，是一個(gè)歸一化的過(guò)程，進(jìn)行標(biāo)準(zhǔn)化維度：

式(1)把上一層的輸出轉(zhuǎn)變?yōu)闃?biāo)準(zhǔn)正態(tài)分布，訓(xùn)練過(guò)程中采用mini-batch隨機(jī)梯度下降，E[x^(k)]指每一批訓(xùn)練數(shù)據(jù)神經(jīng)元x^(k)的期望值，為x^(k)激活值的標(biāo)準(zhǔn)差，同時(shí)為防止影響每一層學(xué)習(xí)到的特征，引入變換重構(gòu)，加入可學(xué)習(xí)參數(shù)γ和β：

式(2)把轉(zhuǎn)變?yōu)檎龖B(tài)分布的特征在一定程度上還原回去，讓它保持它的初始分布趨勢(shì)，還原程度則是由卷積神經(jīng)網(wǎng)絡(luò)自己學(xué)習(xí)得來(lái)，設(shè)置可以恢復(fù)原始激活值，即恢復(fù)出原始某層學(xué)到的特征，γ和β的引入可以讓卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)恢復(fù)出原始網(wǎng)絡(luò)要學(xué)習(xí)的特征分布，Batch Normalization前向傳導(dǎo)公式為：

式(3)是一批mini-batch中所有樣本里的每個(gè)樣本在同一神經(jīng)元上的輸入均值，式(4)為一批mini-batch中所有樣本里的每個(gè)樣本在同一神經(jīng)元上的輸入方差，式(5)是把這批mini-batch中所有樣本里的每個(gè)樣本在同一神經(jīng)元上的輸入進(jìn)行標(biāo)準(zhǔn)化后得到的結(jié)果，式(6)為同構(gòu)變換。