[發(fā)明專利]一種基于區(qū)域提名的宮頸圖像處理方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201810088291.2
• 申請(qǐng)日: 2018-01-30
• 公開(kāi)（公告）號(hào): CN108090906B
• 公開(kāi)（公告）日: 2021-04-20
• 發(fā)明（設(shè)計(jì)）人: 吳健;應(yīng)興德;陳婷婷;馬鑫軍;呂衛(wèi)國(guó);袁春女;姚曄儷;王新宇;吳邊;陳為;吳福理;吳朝暉
• 申請(qǐng)（專利權(quán)）人: 浙江大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06K9/62
• 代理公司: 杭州天勤知識(shí)產(chǎn)權(quán)代理有限公司 33224
• 代理人: 胡紅娟

本發(fā)明公開(kāi)了一種基于區(qū)域提名的宮頸圖像處理裝置，包括：圖像采集裝置，用于采集經(jīng)3％?5％醋酸溶液處理后的宮頸圖像；處理器，包括宮頸圖像預(yù)處理模塊和處理模塊，所述處理模塊包括由特征提取網(wǎng)絡(luò)、區(qū)域檢測(cè)網(wǎng)絡(luò)和區(qū)域篩選分類網(wǎng)絡(luò)組成的模型網(wǎng)絡(luò)，用于輸出目標(biāo)區(qū)域的分類信息以及位置信息；存儲(chǔ)器，用于存儲(chǔ)處理器中模型網(wǎng)絡(luò)的參數(shù)；顯示裝置，用于顯示處理器輸出的目標(biāo)區(qū)域的分類信息以及位置信息。還公開(kāi)了采用所述的基于區(qū)域提名的宮頸圖像處理裝置對(duì)宮頸圖像進(jìn)行處理的方法，實(shí)現(xiàn)區(qū)分宮頸圖像中的正常“醋白”與病灶“醋白”。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理領(lǐng)域，具體涉及一種基于區(qū)域提名的宮頸圖像處理方法及裝置。

背景技術(shù)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中一種基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法。觀測(cè)值可以使用多種方式來(lái)表示，如每個(gè)像素強(qiáng)度值的向量，或者更抽象地表示成一系列邊、特定形狀的區(qū)域等。而使用某些特定的表示方法更容易從實(shí)例中學(xué)習(xí)任務(wù)。深度學(xué)習(xí)的好處是用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征提取高效算法來(lái)替代手工獲取特征。

隨著近幾年深度學(xué)習(xí)研究熱度的不斷發(fā)酵，越來(lái)越多側(cè)重于圖像識(shí)別的應(yīng)用場(chǎng)景開(kāi)始出現(xiàn)深度學(xué)習(xí)的身影，其中就包括了醫(yī)學(xué)圖像的識(shí)別。利用檢測(cè)網(wǎng)絡(luò)來(lái)識(shí)別一些醫(yī)學(xué)圖像中可能存在病變的異常區(qū)域的嘗試屢見(jiàn)不鮮，但是不管是一階段還是兩階段的檢測(cè)模型，模型設(shè)計(jì)的初衷都是側(cè)重于定位任務(wù)，而分類任務(wù)只是檢測(cè)模型的附屬任務(wù)，因此單純依靠檢測(cè)模型在定位異常區(qū)域的基礎(chǔ)上還要進(jìn)行異常區(qū)域的分級(jí)預(yù)測(cè)就顯得并不是那么可靠。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中，經(jīng)3％-5％醋酸溶液處理后的宮頸圖像由于多處區(qū)域會(huì)出現(xiàn)“醋白”特征，存在正常“醋白”與病灶“醋白”難以區(qū)分的問(wèn)題，本發(fā)明提供了基于區(qū)域提名的宮頸圖像處理方法及裝置，用于區(qū)分宮頸圖像中的正常“醋白”與病灶“醋白”。

本發(fā)明采用的技術(shù)方案如下：

一種基于區(qū)域提名的宮頸圖像處理裝置，包括：

圖像采集裝置，用于采集經(jīng)3％-5％醋酸溶液處理后的宮頸圖像；

處理器，包括宮頸圖像預(yù)處理模塊和處理模塊，所述處理模塊包括由特征提取網(wǎng)絡(luò)、區(qū)域檢測(cè)網(wǎng)絡(luò)和區(qū)域篩選分類網(wǎng)絡(luò)組成的模型網(wǎng)絡(luò)，用于輸出目標(biāo)區(qū)域的分類信息以及位置信息；

存儲(chǔ)器，用于存儲(chǔ)處理器中模型網(wǎng)絡(luò)的參數(shù)；

顯示裝置，用于顯示處理器輸出的目標(biāo)區(qū)域的分類信息以及位置信息。

所述宮頸圖像預(yù)處理模塊用于對(duì)圖像采集裝置采集的經(jīng)3％-5％醋酸溶液處理后的宮頸圖像進(jìn)行標(biāo)記，并使用K-means方法對(duì)宮頸圖像數(shù)據(jù)進(jìn)行聚類。

所述特征提取網(wǎng)絡(luò)由深度殘差網(wǎng)絡(luò)ResNet50和自頂向下的金字塔網(wǎng)絡(luò)組成。

其中，深度殘差網(wǎng)絡(luò)由依次連接的1個(gè)卷積層，1個(gè)最大池化層、第一殘差卷積模塊、第二殘差卷積模塊、第三殘差卷積模塊和第四殘差卷積模塊組成。

第一～四殘差卷積模塊分別由3、4、6、3個(gè)殘差單元組成。

每個(gè)殘差單元均由3個(gè)卷積層組成，且進(jìn)入第一個(gè)卷積層之前的特征圖還會(huì)直接流向第三個(gè)卷積層并同第三個(gè)卷積層輸出的特征圖相加后作為該殘差單元的輸出。

所述金字塔網(wǎng)絡(luò)包括3個(gè)上采樣模塊；其中，每個(gè)上采樣模塊均由依次連接的雙線性插值層和2個(gè)卷積層組成，主要是為了令高層低分辨率的特征圖達(dá)到與低層高分辨率特征圖的分辨率一致，從而進(jìn)行加和操作。

在自頂向下的金字塔結(jié)構(gòu)中，深度殘差網(wǎng)絡(luò)ResNet50中每個(gè)殘差卷積模塊的輸出都會(huì)與深層的殘差卷積模塊通過(guò)上采樣后以相加的方式融合。