[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

本發明提供一種基于變分自編碼器的液基細胞人工智能檢測方法，基于u?net模型深度學習的宮頸細胞圖像識別和提取；基于變分自編碼器(VAE)的宮頸細胞圖像的無監督學習分類；將細胞圖像按特征分布有序排列可視化。通過本發明的智能檢測方法，可以在無人工干預條件下完成輔助篩查任務，有望大幅提高篩查工作效率。本發明適用于只有少量標注數據甚至無標注數據的場景，無需使用者完成大量的數據標注工作，只需完成圖像數字化后就可以得到應用，降低了新技術的應用門檻。通過變分自編碼器的隱空間向量描述細胞圖像特征，并基于特征分類實現可視化，為在機器篩查后的人工檢查和分析提供直觀方便的工具，實現了人機協同的準確、可靠、快速的篩查流程。

技術領域

本發明涉及基于變分自編碼器的液基細胞學檢查人工智能篩查方法，屬于細胞檢測技術領域。

背景技術

宮頸癌是人類所面臨的嚴重的健康問題之一，據統計全世界每年有將近50 萬婦女罹患此病。這種疾病如能早期發現，可以得到非常有效的救治，因此對易感人群的大規模篩查是十分必要的。使用巴氏涂片法對宮頸細胞涂片進行篩查開創了宮頸癌篩查的先河，目前宮頸癌篩查的常用技術都是通過對人體細胞涂片進行染色再由醫生用顯微鏡觀察進行診斷，如液基細胞學檢查(TCT)、DNA倍體等。 TCT聯合描述性診斷(TBS)的篩查方法成為了現今廣泛使用的高準確率的宮頸癌篩查技術。

TCT技術相比傳統檢查技術具有很多優勢，能夠有效地降低宮頸病變漏診率，但TCT檢查的人工成本比較高。篩查所需的子宮頸細胞樣本中包含成千上萬個子宮頸細胞，醫師在顯微鏡下對其進行觀察診斷的過程非常耗時耗力。由于病理診斷醫生的人數相比于篩查人數來說遠遠不能滿足需要，且醫生通過顯微鏡觀察不僅耗時耗力還容易漏檢，實現該項工作的自動化或半自動化就顯得非常具有現實意義。

機器學習方面是研究怎樣使用計算機模擬或實現人類學習活動的科學，是人工智能中最具智能特征，最前沿的研究領域之一，其經過幾十年的發展已成為如今人工智能技術中最重要的一環。隨著人工智能的發展，機器學習技術也取得了極大的突破，不僅在理論上涌現了許許多多新型的算法如支持向量機、隨機森林、神經網絡等，在應用上也逐漸滲透到了計算機視覺、自然語言分析處理、語音識別等領域，如在生活中，普通居民的手機上的智能語音助手、各大場所出入口的人臉識別、網上查詢資料時的搜索引擎，都能見到機器學習的身影，因此機器學習確確實實的在一步步改變我們的生活，如何將其的力量發揮到最大，在更多的領域找到應用它的方法，更好的去服務于人類，是如今很多機構都致力于解決并發展的難題。現如今在醫學細胞圖像分割領域，已經有前人開始了一系列嘗試。目前，人工智能技術仍然主要應用于醫學圖像，以輔助醫師進行癌癥篩查。但已有研究者利用一些深度學習算法對其他類型的細胞進行了分割，效果良好，可見選用適合的機器學習算法對宮頸癌細胞進行分割可行性極佳。因此，使用人工智能技術對子宮頸細胞樣本圖像進行宮頸癌篩查是有極大意義的。

人工智能機器學習對細胞圖像進行篩查的一個重要挑戰是大部分深度學習方法需要大量的標注數據進行訓練，但由于缺乏工具、醫生工作量太大以及病人隱私等方面的原因，目前在TCT領域還缺乏大規模的標注數據用于訓練。

機器學習模型一般被分成兩種，一種是判別式模型，它能清晰地分辨出多類或某一類與其他類之間的差異特征，適用于較多類別的識別且模型更簡單，目前應用范圍較為廣泛；另一種是深度生成模型，其研究單類問題比判別式模型更靈活，模型可以通過增強學習得到，且能用于數據不完整的情況，例如本發明中使用到的一種神經網絡——變分自編碼器(VAE)。VAE是基于變分貝葉斯 (Variational Bayes,VB)推斷的生成式網絡結構。

發明內容

本發明提供一種基于變分自編碼器的液基細胞人工智能檢測方法，包括以下步驟：