[发明专利]一种基于变分自编码器的液基细胞人工智能检测方法

权利要求书

1.一种基于变分自编码器的液基细胞人工智能检测方法，其特征在于，包括以下步骤：

(1)数据裁剪：通过一个n*n的滑动窗口以m的步长在原图中扫描,将其裁剪并保存裁剪结果，在裁剪的结果中挑选X张至少具有一个完整宫颈细胞，且细胞之间没有成片粘黏的图片作为训练集中的原图，通过保存图片的名称来记住每一张裁剪图片左上角的横纵坐标,其中127像素≤m≤n≤512像素，X≥100；

(2)标注：对训练集中的每张原细胞图片进行标注，完整的宫颈细胞和背景通过两种颜色进行标注，标注的结果作为训练集的标签；

(3)将训练集和训练集的标签作为训练数据，从步骤(1)裁剪结果中挑选另外20张图片作为测试数据集；

(4)依据裁剪的窗口n*n和训练集的数据，设计u-net模型并对u-net模型进行训练测试；

(5)给所述模型输入原始数据之外的新数据，新数据经过数据裁剪，通过模型给出预测的标注，标注图片是二值图像；

(6)依据二值图像查找细胞轮廓，获取目标区域的外接矩形框，裁剪图片并保存在原图中的坐标；

(7)使用深度学习分割网络U-Net将医院提供的TCT细胞切片图像上的细胞分割下来，得到尺寸为128×128的单个宫颈鳞状上皮细胞图像，在其中选取5000张成像清晰且分割效果较好的细胞图像，作为数据集D的组成部分；

(8)对数据集D中的宫颈鳞状上皮细胞图像的Y个类别进行标注,3Y10；

(9)VAE利用两个神经网络建立两个概率密度分布模型：一个用于原始输入数据的变分推断，生成隐变量的变分概率分布，称为编码器(encoder)；另一个根据生成的隐变量变分概率分布，还原生成原始数据的近似概率分布，称为解码器或生成器(decoder)；

(10)将步骤(7)得到的细胞图像输入到上面训练得到的VAE编码器网络中，为每一个细胞对象求出一个与其对应的特征空间向量，然后应用k-means聚类算法对这些向量进行聚类，从而将特征类似的细胞归为一类；

(11)通过VAE中的解码器进行细胞分类特征分析，并将细胞图像按特征分布有序排列和可视化显示。

2.根据权利要求1所述的基于变分自编码器的液基细胞人工智能检测方法，其特征在于，所述步骤(1)中，n＝512，所述m＝170。

3.根据权利要求1所述的基于变分自编码器的液基细胞人工智能检测方法，其特征在于，所述步骤(5)中，通过高斯滤波对识别的二值图像进行降噪，二值图像的白色部分为宫颈细胞，黑色部分为背景。

4.根据权利要求1所述的基于变分自编码器的液基细胞人工智能检测方法，其特征在于，所述步骤(6)中，通过opencv封装的轮廓查找函数findContours(image，mode，method)得到图片中宫颈细胞的轮廓；其中参数image是一个单通道的图片，mode为轮廓的检索模式，method为轮廓的逼近模式。

5.根据权利要求1所述的基于变分自编码器的液基细胞人工智能检测方法，其特征在于，所述步骤(8)中，所述数据集D中的宫颈鳞状上皮细胞图像的进行6个类别标注：①正常鳞状上皮细胞；②高度鳞状上皮内病变；③低度鳞状上皮内病变；④鳞状细胞癌；⑤非典型鳞状细胞-意义不明确；⑥非典型鳞状细胞-不除外高度鳞状上皮内病变。

6.根据权利要求1所述的基于变分自编码器的液基细胞人工智能检测方法，其特征在于，所述步骤(8)中，还包括对数据进行预处理：

A.对细胞图像的像素特征进行归一化处理，将特征的取值区间缩放到[0,1]范围内

B.采用归一化方法将图像依次灰度化，然后对其像素值除以255，使它缩放到[0,1]中；

C.使用留出法将预处理完的数据集D划分为训练集S与测试集T，将样本比例设置为4:1。