[發明專利]一種基于圖卷積神經網絡的宮頸細胞圖像分類方法

有效

• 申請號: 202010044739.8
• 申請日: 2020-01-15
• 公開（公告）號: CN111274903B
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 史駿;王若宇;李俊;代杰
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06V20/69;G06N3/04;G06N3/08
• 代理公司: 安徽合肥華信知識產權代理有限公司 34112
• 代理人: 張果果

本發明公開了一種基于圖卷積神經網絡的宮頸細胞圖像分類方法。首先準備宮頸細胞圖像作為訓練樣本，之后獲取樣本的1024維特征表示，并構建樣本特征關系圖，然后搭建基于圖卷積網絡的深度網絡，并將樣本與樣本特征關系圖送入該深度網絡模型中進行訓練，迭代到一定次數后停止訓練保存網絡權重參數。使用時將目標圖像分割出帶有細胞核的待預測區域，之后加載訓練得到的權重參數及網絡結構，將待預測區域輸入其中計算即可得到分類結果。這種方法提高了宮頸細胞診斷的精確度及效率，優化了病理醫生的診斷流程，減輕了醫生的工作負擔。

技術領域

本發明涉及數字圖像處理技術領域，特別涉及數字圖像分類技術，尤其涉及一種基于圖卷積神經網絡的宮頸細胞圖像分類的方法。

背景技術

宮頸細胞分類在宮頸癌的初期篩查過程中有著至關重要的臨床應用價值。一張宮頸細胞涂片通常包含數以萬計的宮頸細胞，其篩查過程為病理醫生帶來極大負擔，閱片疲勞現象時有發生。因此，需要一種數字化的宮頸細胞分類方法，輔助病理醫生進行宮頸細胞的分類，減輕病理醫生的閱片負擔，提高病理醫生的診斷精度。

圖卷積神經網絡(Graph Convolutional Networks,GCN)是一種能夠對存在于非歐式空間內數據(如圖結構)進行卷積操作的網絡結構。其能夠有效地在卷積過程中結合節點特征信息與節點結構信息，學習到對節點更加有效的特征表示。使用圖卷積神經網絡，能夠對數據的潛在結構特征進行更有效的學習，提高宮頸細胞分類的精度。

發明內容

本發明目的就是為了彌補已有技術的缺陷，提供一種基于圖卷積神經網絡的宮頸細胞圖像分類的方法。

本發明是通過以下技術方案實現的：

一種基于圖卷積神經網絡的宮頸細胞圖像分類方法，包括以下步驟：

(1)準備訓練樣本：將由醫生標注的宮頸細胞圖像分類得到七類樣本，所述七類樣本包括正常表層細胞、正常中底層細胞、粒細胞、腺細胞(子宮頸管細胞)、非典型鱗狀細胞、挖空細胞、高核漿比細胞；

(2)得到訓練樣本的1024維特征表示：去掉預訓練的稠密卷積神經網絡的最后一個全連接層得到特征提取器，將每一個訓練樣本輸入所述特征提取器，得到訓練樣本的1024維的特征向量，以此作為該樣本的特征表示；

(3)構建樣本特征關系圖：將訓練樣本的每一類作為關系圖的一個節點，求得每類樣本特征的均值作為該節點的特征，之后計算七個節點特征間的余弦距離，對于每個節點，選取距離最近的5個節點作為其鄰接節點，并定義每個節點與自己鄰接，由此構造鄰接矩陣；

(4)搭建基于圖卷積神經網絡的深度網絡：包括以下子步驟：將所述樣本特征關系圖輸入到圖卷積神經網絡，經過圖卷積操作，得到圖卷積神經網絡的輸出特征，之后在該輸出特征的每一維度上取最大值，得到一個7維的特征，同時將帶有標注信息的三通道的所述宮頸細胞圖像輸入到所述去掉最后一層全連接層的預訓練稠密卷積神經網絡后得到1024維特征向量，最后將所述7維特征拼接在1024維特征后，形成1031維特征表示，經過線性變換輸入到Softmax分類器得到一個7維向量；

(5)構建宮頸細胞圖像分類器；包括下列子步驟：

將所述多類訓練樣本以及步驟(3)得到的樣本特征關系圖輸入步驟(4)搭建好的所述基于圖卷積神經網絡的深度網絡進行訓練，通過反向傳播算法不斷優化交叉熵損失函數，調整所述基于圖卷積神經網絡的深度網絡的參數，得到能夠識別所述七類樣本的分類器；所述交叉熵損失函數如下：

其中，p(x_i)表示樣本x_i的真實類別，q(x_i)表示樣本x_i的預測類別，n為樣本總數；