[發(fā)明專利]細(xì)胞視野圖的異常檢測(cè)方法及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010075129.4
• 申請(qǐng)日: 2020-01-22
• 公開（公告）號(hào): CN111291667A
• 公開（公告）日: 2020-06-16
• 發(fā)明（設(shè)計(jì)）人: 張立箎;王乾;周明
• 申請(qǐng)（專利權(quán)）人: 上海交通大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 上海世圓知識(shí)產(chǎn)權(quán)代理有限公司 31320
• 代理人: 陳穎潔;王佳妮

本發(fā)明提供了一種細(xì)胞視野圖的異常檢測(cè)方法及存儲(chǔ)介質(zhì)，所述細(xì)胞視野圖的異常檢測(cè)方法包括獲取步驟、疊加步驟、模型學(xué)習(xí)步驟以及迭代步驟。本發(fā)明針對(duì)單張的細(xì)胞視野圖，利用特征網(wǎng)絡(luò)生成的標(biāo)記框的先驗(yàn)信息。在標(biāo)記框內(nèi)的信息是影響整個(gè)細(xì)胞視野圖分類判斷的依據(jù)。結(jié)合標(biāo)記框的信息，對(duì)細(xì)胞視野圖進(jìn)行分類。本發(fā)明將先驗(yàn)信息作為除了圖像本身的額外輸入，將原先的圖像三通道輸入疊加成四通道的輸入。輸入到分類模型里面。輸出圖像的分類結(jié)果，并且產(chǎn)生對(duì)應(yīng)的注意力圖，以此達(dá)到訓(xùn)練模型，完成分類任務(wù)并且優(yōu)化檢測(cè)的結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及細(xì)胞檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種細(xì)胞視野圖的異常檢測(cè)方法及存儲(chǔ)介質(zhì)。

背景技術(shù)

在檢測(cè)異常細(xì)胞視野圖中異常細(xì)胞區(qū)域的現(xiàn)有技術(shù)中，并沒有對(duì)細(xì)胞視野圖進(jìn)行進(jìn)一步的分類，只是完成異常細(xì)胞的位置和分類信息的獲取。一般使用基于Faster-RCNN的檢測(cè)方法和R-FCN的檢測(cè)方法的結(jié)合，將兩個(gè)網(wǎng)絡(luò)的區(qū)域回歸和標(biāo)記框分類結(jié)合到一起。其具體過程為，對(duì)于一張細(xì)胞視野圖，先經(jīng)過特征提取器，再經(jīng)過RPN（候選區(qū)域生成網(wǎng)絡(luò)）生成一定數(shù)量的候選框，大概2000個(gè)標(biāo)記框，再利用R-FCN的區(qū)域性質(zhì)，分別進(jìn)行標(biāo)記框的回歸和分類，得出最終的檢測(cè)結(jié)果。然而得出的檢測(cè)結(jié)果，并沒有將檢測(cè)結(jié)果運(yùn)用到最終的分類或者診斷的任務(wù)上。而且檢測(cè)出來的結(jié)果不準(zhǔn)確，會(huì)存在假陽性的結(jié)果。

具體地，現(xiàn)有檢測(cè)方法主要有兩點(diǎn)問題，第一，缺少細(xì)胞視野圖診斷的模型的引入，僅僅依靠檢測(cè)模型產(chǎn)生的異常區(qū)域作為判斷異常區(qū)域的基準(zhǔn)。第二，對(duì)于檢測(cè)網(wǎng)絡(luò)，始終都會(huì)出現(xiàn)假陽性的區(qū)域，比如一個(gè)異常細(xì)胞視野圖當(dāng)中，可能會(huì)檢測(cè)出現(xiàn)若干個(gè)異常的區(qū)域，但是這些區(qū)域當(dāng)中很難保證不會(huì)出現(xiàn)假陽性的區(qū)域，對(duì)于這種假陽性的區(qū)域，可能會(huì)干擾我們對(duì)于一張細(xì)胞視野圖的判讀，但是對(duì)于一個(gè)正常細(xì)胞視野圖，若也檢測(cè)出現(xiàn)異常的區(qū)域，對(duì)于這種異常檢測(cè)的假陽性，會(huì)極大降低對(duì)細(xì)胞視野圖判讀的分類效果。

發(fā)明內(nèi)容

為了解決背景技術(shù)中的問題，本發(fā)明提供一種細(xì)胞視野圖的異常檢測(cè)方法，包括：獲取步驟，獲取待檢測(cè)細(xì)胞視野圖以及該細(xì)胞視野圖的標(biāo)注框數(shù)據(jù)；掩碼生成步驟，將標(biāo)注框數(shù)據(jù)生成對(duì)應(yīng)的掩碼信息并匯總為初始標(biāo)注；樣本集生成步驟，將所述待檢測(cè)細(xì)胞視野圖與所述初始標(biāo)注生成一樣本集；模型建立步驟，將所述樣本集以及分類標(biāo)簽輸入一Resnet網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)得到一分類模型；分類步驟，將待識(shí)別細(xì)胞視野圖輸入至訓(xùn)練好的分類模型中得到細(xì)胞視野圖的分類結(jié)果。

進(jìn)一步地，所述模型建立步驟包括：劃分步驟，將所述樣本集分為訓(xùn)練集與測(cè)試集；特征圖獲取步驟，輸入所述訓(xùn)練集，經(jīng)Resnet網(wǎng)絡(luò)訓(xùn)練得到多個(gè)特征圖；注意力圖生成步驟，將所述多個(gè)特征圖生成注意力圖；更新步驟，將所述樣本集的初始標(biāo)注更新為所述注意力圖并再次輸入Resnet網(wǎng)絡(luò)訓(xùn)練并得到Resnet網(wǎng)絡(luò)模型。

進(jìn)一步地，所述模型建立步驟還包括：輸出步驟，將所述測(cè)試集輸入至所述Resnet網(wǎng)絡(luò)模型得到第一判定結(jié)果；優(yōu)化步驟，比對(duì)所述第一判定結(jié)果與正確結(jié)果，計(jì)算二者的差異值并反向傳遞，優(yōu)化Resnet網(wǎng)絡(luò)模型得到所述分類模型。

進(jìn)一步地，還包括：所述分類標(biāo)簽包括正常細(xì)胞視野圖或異常細(xì)胞視野圖。

進(jìn)一步地，若所述分類結(jié)果為異常細(xì)胞視野圖，則所述注意力圖高亮區(qū)域?yàn)楫惓^(qū)域。

進(jìn)一步地，所述Resnet網(wǎng)絡(luò)包括四個(gè)分塊，每個(gè)分塊分別包括卷積層，池化層和激活層。

進(jìn)一步地，所述特征圖生成所述分類注意力圖包括全局平均池化的方法。

進(jìn)一步地，所述獲取步驟中，所述標(biāo)注框數(shù)據(jù)通過Faster-RCNN檢測(cè)網(wǎng)絡(luò)和R-FCN檢測(cè)網(wǎng)絡(luò)的兩步結(jié)合訓(xùn)練得到；或，所述標(biāo)注框數(shù)據(jù)通過YOLO或SSD的檢測(cè)網(wǎng)絡(luò)訓(xùn)練得到。

進(jìn)一步地，所述Resnet網(wǎng)絡(luò)為Resnet50網(wǎng)絡(luò)。

本發(fā)明還提供一種存儲(chǔ)介質(zhì)，該存儲(chǔ)介質(zhì)存儲(chǔ)一計(jì)算機(jī)程序，該計(jì)算機(jī)程序用以執(zhí)行所述的細(xì)胞視野圖的異常檢測(cè)方法。