[發明專利]融合全局和局部信息的弱監督宮頸細胞圖像分析方法

有效

• 申請號: 202110777703.5
• 申請日: 2021-07-09
• 公開（公告）號: CN113378792B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 史駿;吳坤;唐昆銘;賀雨欣;祝新宇;孫宇;李俊;鄭鈺山;姜志國
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06V40/13
• 分類號: G06V40/13;G06V10/44;G06V10/774;G06K9/62;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

本發明公開了一種融合全局和局部信息的弱監督宮頸液基細胞圖像分析方法，其步驟包括：1、獲取具有圖片級別的弱標簽宮頸液基細胞視野圖像數據集；2、建立融合全局和局部信息的弱監督網絡模型；3、使用弱標簽的數據集離線訓練網絡模型；4、利用訓練好的模型對宮頸細胞圖像進行預測，完成圖像分類以及單個細胞的檢測與分類。本發明能克服宮頸圖像數據詳細標注有限的不足，并使用弱監督方法有效完成視野圖像(Field OfView，FOV)級的分類以及細胞級別的檢測與分類。

技術領域

本發明涉及宮頸細胞學病理圖像分析領域，具體涉及一種融合全局和局部信息的弱監督宮頸液基細胞圖像分析方法。

背景技術

傳統的病理圖像分析方法是這樣的：需要一個經過專業學習的病理醫生在顯微鏡下查看病理圖像，并找到一些感興趣區域(Region OfInterest，ROI)，而后，醫生會用自己的專業知識進行分類與分析。傳統方法存在許多問題，醫生每天可能需要的閱片數量很多，而單張病理切片圖像可能包含幾百萬個細胞，這極大地增加了醫生的負擔；并且，病理切片分析的正確率和閱片醫生的經驗有很大關系，這為病理數據分析帶來很多困難。若是因為閱片醫生的主觀看法、或者當時閱片的疲憊，而帶來的誤差，將會導致分析效果堪。若是機器能幫助閱片，將會為病理切片分析帶來巨大的好處。

而近年來，隨著計算機硬件(尤其是GPU)和神經網絡模型的不斷改進，深度學習在圖像處理方面的發展，尤其是識別與分類上，越發高效，卷積神經網絡在圖像處理方面的應用也越發廣泛。因此，卷積神經網絡在病理圖像分類中表現出了巨大的潛力。使用深度學習的方法進行醫學病理圖像分類，不僅能減輕醫學工作者的負擔，也能提高工作效率。

但是目前應用于病理圖像分析的大多數是完全監督的學習方法，需要對海量的病理圖像數據進行詳細標注，極度費時費力，并且很大一部分是陰性標注信息，對于最終分析結果的貢獻十分有限。

發明內容

本發明為克服現有技術的不足之處，提出一種融合全局和局部信息的弱監督宮頸細胞圖像分析方法，以期能快速準確的實現圖像分類以及細胞分類，并克服病理圖像數據詳細標注信息的難獲取等問題。

本發明為達到上述發明目的，采用如下技術方案：

本發明一種融合全局和局部信息的弱監督宮頸細胞圖像分析方法的特點是按照如下步驟進行的：

步驟1、獲取帶有圖片類別標簽的宮頸細胞視野圖像數據集B＝{B₁,B₂,...,B_n,...,B_N}，其中，B_n表示包含若干不同類別細胞的第n張宮頸細胞視野圖像，且部分細胞的位置及類別在宮頸細胞視野圖像上有粗粒度的標注；并有：表示第n張宮頸細胞視野圖像中的第c個細胞；C_n表示第n張宮頸細胞視野圖像的細胞總數；

步驟2、建立融合全局和局部信息的弱監督網絡模型，所述弱監督網絡模型由細胞檢測模塊、細胞核特征提取模塊、局部信息提取模塊、全局信息提取模塊和跨越注意力特征融合模塊組成；

步驟2.1、所述細胞檢測模塊使用目標檢測網絡Yolo對宮頸細胞視野圖像數據集B進行檢測，得到每張宮頸細胞視野圖像的檢測結果，記為A＝{A₁,A₂,...,A_n,...,A_N}，A_n表示第n張宮頸細胞視野圖像B_n中所有細胞的位置與類別信息；并有：表示第n張宮頸細胞視野圖像B_n中第c個細胞的位置與類別信息；且分別為第c個細胞的外接矩形邊界框的兩個對角頂點在第n張宮頸細胞視野圖像的位置坐標，為第c個細胞的類別；

步驟2.2、令所述細胞核特征提取模塊依次由：一個卷積層、一個歸一化層、ReLu激活函數、四個殘差模塊以及一個平均池化層組成；