[发明专利]一种显微镜病理照片的宫颈癌病变细胞分类系统

权利要求书

1.一种显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，包括：检测网络模型和分类网络模型，所述检测网络模型利用不完全分类的细胞标注数据进行训练，训练完成后用于对显微镜照片中的细胞进行检测；所述分类网络模型根据不完全的细胞分类标注数据进行训练，训练完成后用于对检测到的细胞进行分类，并对细胞的具体类别进行预测。

2.根据权利要求1所述的显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，所述检测网络模型包括特征提取网络，区域候选网络和区域判定网络，所述特征提取网络用于将输入的显微镜病理照片图像转化为特征图谱；所述区域候选网络用于在得到的特征图谱中对检测目标可能出现的区域进行初步预测；所述区域判定网络根据区域候选网络和特征提取网络的输出，对区域候选网络预测得到的候选区域进行处理，产生目标检测的最终结果。

3.根据权利要求2所述的显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，所述特征提取网络包括13个卷积层、5个池化层和3个全连接层，具体结构为依次设置的第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、第五卷积层、第六卷积层、第七卷积层、第三池化层、第八卷积层、第九卷积层、第十卷积层、第四池化层、第十一卷积层、第十二卷积层、第十三卷积层、第五池化层和三个全连接层。

4.根据权利要求2所述的显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，所述区域候选网络对于身处的特征图谱采用滑动窗口的方式遍历，对于每个特征点对应有K个锚点，对每个锚点有两部分输出，一个是窗口的分类，即分类层输出，表示一个位置上锚点属于前景和背景的概率，另一个是对应窗口的位置，即窗口位置回归，对应四个坐标值，标识二维图像空间中的窗口位置；在训练过程中舍弃IOU小于设置阈值或者超出边界的锚点。

5.根据权利要求2所述的显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，所述区域判定网络首先将获得的候选框和原始图像导入，利用先前已经获得的特征图谱，使用共享的特征减少重复提取特征，接着结合候选框的位置，计算多任务损失，其中，包含两个同级输出，一个是最终的分类结果，另一个是输出包围框的位置，对候选框进行微调，通过利用Softmax Loss和Smooth L1 Loss对分类概率和窗口回归进行统一训练，得到最终的训练模型结果。

6.根据权利要求1所述的显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，所述分类网络模型的不完全的细胞分类标注数据包含宫颈癌异常细胞、高级别宫颈癌异常细胞、细菌感染，真菌感染以及疱疹细胞；所述分类网络模型所用到的训练数据是依照不完全的细胞分类标注所给出的边界框从显微镜照片中截取得到的图像块与从显微镜照片中截取得到的正常细胞图像块一起构成的。

7.根据权利要求1所述的显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，所述分类网络模型采用的密集连接的深度学习网络结构，其中，最后的分类层包含五个部分：归一化层，用于负责归一化操作，relu激活函数；池化层，将输出映射到1*1*k维度的输出；flatten层，用于将1*1*k维度的输出转换为1*k维度；全连接层，用于输出，并通过一个softmax函数预测每个类别的概率。

8.根据权利要求1所述的显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，所述分类网络模型训练时通过聚焦损失函数解决样本不均衡问题，所述聚焦损失函数为Loss＝∑-α_t(1-p_t)^γlog(p_t)，其中，p_t为模型对t类别的预测概率，α_t和γ分别对应类别的权重参数和聚焦参数。

9.根据权利要求1所述的显微镜病理照片的宫颈癌病变细胞分类系统，其特征在于，所述分类网络模型训练时通过对异常细胞图像块进行重采样解决样本不均衡问题。