[发明专利]基于超像素和深度学习的阴道细菌分割与分类系统

说明书

技术领域

本发明涉及一种图像分割与分类方法，尤其涉及一种基于超像素和深度学习的阴道细菌分割与分类系统。

背景技术

由细菌引起的阴道疾病或感染(阴道念珠菌/滴虫，淋球菌，衣原体)是妇女之中最常见的疾病，也导致很高的死亡率。通过细菌类型和计数进行阴道疾病的分级在临床实践中有着非常重要的作用。目前，广泛使用防止阴道疾病的诊断方法是细胞学筛查，此种方法很大程度上取决于临床医生的经验，以此获得准确的诊断结果。为了解决这个问题，设计和开发的自动诊断技术防止阴道疾病，炎症和癌症，吸引了很多人的兴趣，并成为一个热点。

先前有大量的研究工作对细胞核进行分割，但只利用细胞核信息方法的分割性能仍不能令人满意。细胞核的分割方法大致可分为多个细胞核分割阈值选取，Hough变换和watershed方法。然而，这些方法是基于正常情况的细胞核，而不是有疾病或异常的细胞核。近日，也有分割有病理和正常细胞，以及混合细胞分割的报道。

如Yeoman,C.J.,Thomas,S.M.,Miller,M.E.B.,Ulanov,A.V.,Torralba,M.,Lucas,S.,Gillis,M.,Cregger,M.,Gomez,A.,Ho,M.,Leigh,S.R.,Stumpf,R.,Creedon,D.J.,Smith,M.A.,Weisbaum,J.S.,Nelson,K.E.,Wilson,B.A.,White,B.A.:AMulti-Omic Systems-Based Approach Reveals Metabolic Markers of Bacterial Vaginosis and Insight into the Disease.PLoS ONE 8(2),e56111(2013)[1]。

细胞从图像中分割出来的工作，当前很多算法都是基于独立的细胞核，而对多种细胞的分割研究较少。基于形状和边缘信息细胞核分割可以分为参数滤波，活动轮廓模型和差异最大化。此外，分割工作已经也因融合先前的知识和局部特征得到了显着的性能。

因此，如何设计出一种基于超像素和深度学习的细菌分割与分类方法及其应用，成为新的研发方向。

发明内容

本发明针对此问题，提供了一种基于超像素和深度学习的阴道细菌分割与分类系统。

本发明提供的基于超像素和深度学习的阴道细菌分割与分类系统，包括：训练图像集，用于存储阴道细菌的样本图像；深度学习分类器，用于存储基于所述训练图像集所得到的分类标准；预处理模块，用于将测试图像进行预处理，计算超像素、以及计算每个超像素区域的颜色、形状、尺寸特征，利用先验知识对每个超像素区域进行初步滤波，并进行分割以确定候选细菌区域，先验知识包括：细菌区域各RGB通道的数值上、下限，细菌长、宽的上、下限，细菌颜色均值的上、下限，细菌面积、周长的上、下限；特征提取模块，用于对所述候选细菌区域进行特征提取；判断模块，用于将提取的特征与所述深度学习分类器中的分类标准进行对比，按照相似度完成分类；其中，所述阴道细菌包括阳性杆菌、阴性杆菌、阳性球菌和阴性球菌，所述阳性杆菌和阳性球菌呈蓝色，所述阴性杆菌和阴性球菌呈粉红色，所述阳性杆菌和阴性杆菌呈杆状，所述阳性球菌和阴性球菌呈球状；所述深度学习分类器还包括：初始化模块，用于初始化卷积神经网络；接收模块，用于接收来自所述训练图像集的图像样本；调整模块，用于向传递计算实际输出、计算实际输出与目标输出之差、并利用极小化误差方法反向传播调整权值；计数模块，用于判断是否达到预定的训练次数，并当达到后，通知调整模块输出分类标准。

优选地，所述计算超像素是采用线性迭代聚类的算法。

本发明的基于超像素和深度学习的阴道细菌分割与分类系统，通过超像素计算进行分割、以及通过深度学习进行分类，具有高辨识度、低成本、实施简单、且易推广的优点。

附图说明

图1是本发明中建立深度学习分类器的方法的流程示意图。

图2是本发明基于超像素和深度学习的细菌分割与分类方法的流程示意图。

图3是本发明基于超像素和深度学习的细菌分割与分类系统的结构示意图。

图4是本发明中阴道常见细菌的示意图。

图5是本发明中的基于超像素计算而进行的分割及特征提取的效果示意图。

图6是本发明中典型的阴道图像和对阴道细菌分割分类的结果。

图7是本发明中分割效果的示例图。

图8是本发明中分割比较结果的示例图。

图9是本发明中不同分类器的分类结果比较示例图。