[发明专利]一种基于阴道镜图像的宫颈癌检测装置

权利要求书

1.一种基于阴道镜图像的宫颈癌检测装置，其特征在于，包括：

在基于双向卷积神经网络的宫颈癌检测模型中：

定位提取模块，用于对获取的阴道镜图像进行宫颈口部位的定位及提取，以生成包括宫颈癌病发区域的ROI图像；

切割图像获取模块，用于通过双向卷积神经网络对所述ROI图像进行分割边沿的提取，以生成切割图像；具体包括：热图谱获取单元，用于对所述ROI图像进行卷积运算及多层特征的特征值叠加，以获取与所述ROI图像尺寸相同的热图谱；切割图像生成单元，用于对所述热图谱进行反卷积运算，及高层特征与低层特征的特征值叠加，以提取边沿生成切割图像；

等级结果获取模块，用于通过分类卷积神经网络对所述切割图像进行癌症等级分类，以输出宫颈癌的病变等级。

2.根据权利要求1所述的基于阴道镜图像的宫颈癌检测装置，其特征在于，所述热图谱中的每个像素所对应的数值用于表示所述阴道镜图像的相同位置上的像素属于病发像素的概率；

所述等级结果获取模块，具体包括：

处理图像生成单元，用于根据所述切割图像，对所述阴道镜图像中的每个非病发像素进行像素处理，以生成处理图像；

病变等级获取单元，用于通过分类卷积神经网络对所述处理图像进行多层特征的特征维度的叠加计算，以获取所述阴道镜图像所对应的宫颈癌的病变等级。

3.根据权利要求2所述的基于阴道镜图像的宫颈癌检测装置，其特征在于，所述处理图像生成单元具体包括：

位置获取子单元，用于根据所述切割图像，获取所述阴道镜图像中的每个非病发像素的位置；

第一像素处理单元，当所述非病发像素在宫颈癌病发区域的切割边沿以外时，将所述非病发像素的像素值置为0。

4.根据权利要求2所述的基于阴道镜图像的宫颈癌检测装置，其特征在于，所述宫颈癌的病变等级包括低级别病变、高级别病变、宫颈癌、慢性宫颈炎及正常子宫颈。

5.根据权利要求1所述的基于阴道镜图像的宫颈癌检测装置，其特征在于，所述基于双向卷积神经网络的宫颈癌检测模型包括：

第一样本生成模块，用于对获取的阴道镜样本图像进行预处理，以生成第一样本；

第二样本生成模块，用于根据对抗生成网络对所述第一样本进行样本扩充，以获取第二样本；

训练ROI图像生成模块，用于基于深度学习的定位算法对所述第二样本中的阴道镜图像进行宫颈口部位的定位及提取，以生成训练ROI图像；

ROI-真实图像获取模块，用于获取用户根据训练ROI图像进行病发区域标注的ROI-真实图像；

双向卷积神经网络训练模块，用于根据所述ROI-真实图像对所述双向卷积神经网络进行训练，以生成训练切割图像；其中，所述双向卷积神经网络每层的卷积核为3，总层次为20层，前10层为卷积层，后10层为反卷积层；

像素处理图像获取模块，用于根据所述训练切割图像，对所述第二样本中每个非病发像素进行像素处理，以获取像素处理图像；

第三样本生成模块，用于获取用户对所述像素处理图像的反馈标签，以生成第三样本；

分类卷积神经网络训练模块，用于根据所述第三样本对所述分类卷积神经网络进行训练，以获取分类的宫颈癌的病变等级；其中，所述分类卷积神经网络每层的卷积核为3，总层次为10层。

6.根据权利要求5所述的基于阴道镜图像的宫颈癌检测装置，其特征在于，所述基于双向卷积神经网络的宫颈癌检测模型还包括：

损失计算模块，用于根据所述ROI-真实图像及所述训练切割图像进行损失计算；其中，设损失计算函数为DLOSS，则x表示ROI-真实图像中用户标注的切割边沿坐标，y表示反卷积网络预测的训练切割图像的边沿坐标。