[發明專利]一種基于變分自編碼器的液基細胞人工智能檢測方法

在審

• 申請號: 202010225393.1
• 申請日: 2020-03-26
• 公開（公告）號: CN111444844A
• 公開（公告）日: 2020-07-24
• 發明（設計）人: 康達周
• 申請（專利權）人: 蘇州騰輝達網絡科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06T7/00;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 北京潤川律師事務所 11643
• 代理人: 張超;李保民

1.一種基于變分自編碼器的液基細胞人工智能檢測方法，其特征在于，包括以下步驟：

(1)數據裁剪：通過一個n*n的滑動窗口以m的步長在原圖中掃描,將其裁剪并保存裁剪結果，在裁剪的結果中挑選X張至少具有一個完整宮頸細胞，且細胞之間沒有成片粘黏的圖片作為訓練集中的原圖，通過保存圖片的名稱來記住每一張裁剪圖片左上角的橫縱坐標,其中127像素≤m≤n≤512像素，X≥100；

(2)標注：對訓練集中的每張原細胞圖片進行標注，完整的宮頸細胞和背景通過兩種顏色進行標注，標注的結果作為訓練集的標簽；

(3)將訓練集和訓練集的標簽作為訓練數據，從步驟(1)裁剪結果中挑選另外20張圖片作為測試數據集；

(4)依據裁剪的窗口n*n和訓練集的數據，設計u-net模型并對u-net模型進行訓練測試；

(5)給所述模型輸入原始數據之外的新數據，新數據經過數據裁剪，通過模型給出預測的標注，標注圖片是二值圖像；

(6)依據二值圖像查找細胞輪廓，獲取目標區域的外接矩形框，裁剪圖片并保存在原圖中的坐標；

(7)使用深度學習分割網絡U-Net將醫院提供的TCT細胞切片圖像上的細胞分割下來，得到尺寸為128×128的單個宮頸鱗狀上皮細胞圖像，在其中選取5000張成像清晰且分割效果較好的細胞圖像，作為數據集D的組成部分；

(8)對數據集D中的宮頸鱗狀上皮細胞圖像的Y個類別進行標注,3Y10；

(9)VAE利用兩個神經網絡建立兩個概率密度分布模型：一個用于原始輸入數據的變分推斷，生成隱變量的變分概率分布，稱為編碼器(encoder)；另一個根據生成的隱變量變分概率分布，還原生成原始數據的近似概率分布，稱為解碼器或生成器(decoder)；

(10)將步驟(7)得到的細胞圖像輸入到上面訓練得到的VAE編碼器網絡中，為每一個細胞對象求出一個與其對應的特征空間向量，然后應用k-means聚類算法對這些向量進行聚類，從而將特征類似的細胞歸為一類；

(11)通過VAE中的解碼器進行細胞分類特征分析，并將細胞圖像按特征分布有序排列和可視化顯示。

2.根據權利要求1所述的基于變分自編碼器的液基細胞人工智能檢測方法，其特征在于，所述步驟(1)中，n＝512，所述m＝170。

3.根據權利要求1所述的基于變分自編碼器的液基細胞人工智能檢測方法，其特征在于，所述步驟(5)中，通過高斯濾波對識別的二值圖像進行降噪，二值圖像的白色部分為宮頸細胞，黑色部分為背景。

4.根據權利要求1所述的基于變分自編碼器的液基細胞人工智能檢測方法，其特征在于，所述步驟(6)中，通過opencv封裝的輪廓查找函數findContours(image，mode，method)得到圖片中宮頸細胞的輪廓；其中參數image是一個單通道的圖片，mode為輪廓的檢索模式，method為輪廓的逼近模式。

5.根據權利要求1所述的基于變分自編碼器的液基細胞人工智能檢測方法，其特征在于，所述步驟(8)中，所述數據集D中的宮頸鱗狀上皮細胞圖像的進行6個類別標注：①正常鱗狀上皮細胞；②高度鱗狀上皮內病變；③低度鱗狀上皮內病變；④鱗狀細胞癌；⑤非典型鱗狀細胞-意義不明確；⑥非典型鱗狀細胞-不除外高度鱗狀上皮內病變。

6.根據權利要求1所述的基于變分自編碼器的液基細胞人工智能檢測方法，其特征在于，所述步驟(8)中，還包括對數據進行預處理：

A.對細胞圖像的像素特征進行歸一化處理，將特征的取值區間縮放到[0,1]范圍內

B.采用歸一化方法將圖像依次灰度化，然后對其像素值除以255，使它縮放到[0,1]中；

C.使用留出法將預處理完的數據集D劃分為訓練集S與測試集T，將樣本比例設置為4:1。