[发明专利]一种基于阴道镜图像的宫颈癌检测装置

说明书

本发明公开了一种基于阴道镜图像的宫颈癌检测方法、装置、终端设备及计算机可读存储介质，其方法包括：在基于双向卷积神经网络的宫颈癌检测模型中：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；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；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，快速且准确得得出宫颈癌检测结果，帮助经验不足医生快速判断病变部位、发现非典型病变部位，判断病变程度、取材部位，对及时发现宫颈癌及癌前病变起到帮助和促进作用。

技术领域

本发明涉及医疗图像处理领域，尤其涉及一种基于阴道镜图像的宫颈癌检测方法、装置、终端设备及计算机可读存储介质。

背景技术

图像分割算法在传统的数字图像处理领域就已经存在，主要应用阈值分割方法及其各种变种。在图像分割算法基础上又引申出图像检测算法，但它们对图像处理的等级不同，检测主要是针对图像区域级别，而分割需要处理每个像素，对图像处理更加细腻。在深度学习领域，基于卷积网络的分割算法也越来越多，应用最多的是全卷积网络(FCN)。

现有宫颈癌的癌前筛查依据“三阶梯”方法，即先行液基细胞学检测(LCT) 和人乳头瘤病毒(Human Papillomavirus，HPV)检测，异常者进行阴道镜下宫颈、阴道病变活检，继以手术治疗。阴道镜下宫颈活检是诊断宫颈病变不可或缺的步骤。在医生进行阴道镜检查时直接通过图像进行筛选及活检，受医生接受培训的周期及水平不同，医生的图像判读能力直接影响活检结果。同时，直接对数字成像图片进行宫颈癌的判断和分割是最为简单和直接的方法，但判断结果受到医生专业能力的限制，并没有得到普及。目前最为有效的方法是在细胞学领域的诊断，并且也得到了计算机算法辅助，并且也应用了一些传统分割方法，但受到传统分割方法的限制，筛选结果还需要医生重新判断，操作繁琐。

在实施本发明实施例的过程中，发明人发现：临床上宫颈癌筛查的方法主要是LCT/HPV、阴道镜和组织病理学，其中细胞学筛查已经结合了传统的图像切割方法，并且取得一定效果，但有时会诊断错误；阴道镜也是常用的检查方法，但其准确性受医生经验水平及培训周期影响，直接影响诊断结果。

在数字图像处理领域，图像分割是经常使用的算法，但上述提到的分割方法存在各自的弊端，阈值分割方法在应用原理上较为简单，容易受到图像本身灰度分布以及噪声干扰等因素的影响，仅利用灰度直方图得到的阈值并不能使图像分割得到满意的结果，受到图像光照的影响较大。在做阴道镜检查时需要额外的补光，会严重影响切割效果。

基于卷积神经网络的FCN切割算法大大改善了上述情况，可以很好地解决光照不均衡造成的不良效果，并且切割效果也较为平滑。但在分割小物体上效果较差，随着网络层次的加深，虽然层次更深的网络可以更好地拟合样本分布，但造成小物体信息的缺失更加严重。

发明内容

针对上述问题，本发明的目的在于提供一种基于阴道镜图像的宫颈癌检测方法、装置、终端设备及计算机可读存储介质，快速且准确得得出宫颈癌检测结果，帮助经验不足医生快速判断病变部位、发现非典型病变部位，判断病变程度、取材部位，对及时发现宫颈癌及癌前病变起到了促进作用。

第一方面，本发明实施例提供了一种基于阴道镜图像的宫颈癌检测方法，包括以下步骤：

在基于双向卷积神经网络的宫颈癌检测模型中：

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；

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；

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。

在第一方面的第一种实现方式中，所述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，具体为：