[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

说明书

本发明提供一种基于变分自编码器的液基细胞人工智能检测方法，基于u‑net模型深度学习的宫颈细胞图像识别和提取；基于变分自编码器(VAE)的宫颈细胞图像的无监督学习分类；将细胞图像按特征分布有序排列可视化。通过本发明的智能检测方法，可以在无人工干预条件下完成辅助筛查任务，有望大幅提高筛查工作效率。本发明适用于只有少量标注数据甚至无标注数据的场景，无需使用者完成大量的数据标注工作，只需完成图像数字化后就可以得到应用，降低了新技术的应用门槛。通过变分自编码器的隐空间向量描述细胞图像特征，并基于特征分类实现可视化，为在机器筛查后的人工检查和分析提供直观方便的工具，实现了人机协同的准确、可靠、快速的筛查流程。

技术领域

本发明涉及基于变分自编码器的液基细胞学检查人工智能筛查方法，属于细胞检测技术领域。

背景技术

宫颈癌是人类所面临的严重的健康问题之一，据统计全世界每年有将近50 万妇女罹患此病。这种疾病如能早期发现，可以得到非常有效的救治，因此对易感人群的大规模筛查是十分必要的。使用巴氏涂片法对宫颈细胞涂片进行筛查开创了宫颈癌筛查的先河，目前宫颈癌筛查的常用技术都是通过对人体细胞涂片进行染色再由医生用显微镜观察进行诊断，如液基细胞学检查(TCT)、DNA倍体等。 TCT联合描述性诊断(TBS)的筛查方法成为了现今广泛使用的高准确率的宫颈癌筛查技术。

TCT技术相比传统检查技术具有很多优势，能够有效地降低宫颈病变漏诊率，但TCT检查的人工成本比较高。筛查所需的子宫颈细胞样本中包含成千上万个子宫颈细胞，医师在显微镜下对其进行观察诊断的过程非常耗时耗力。由于病理诊断医生的人数相比于筛查人数来说远远不能满足需要，且医生通过显微镜观察不仅耗时耗力还容易漏检，实现该项工作的自动化或半自动化就显得非常具有现实意义。

机器学习方面是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中最具智能特征，最前沿的研究领域之一，其经过几十年的发展已成为如今人工智能技术中最重要的一环。随着人工智能的发展，机器学习技术也取得了极大的突破，不仅在理论上涌现了许许多多新型的算法如支持向量机、随机森林、神经网络等，在应用上也逐渐渗透到了计算机视觉、自然语言分析处理、语音识别等领域，如在生活中，普通居民的手机上的智能语音助手、各大场所出入口的人脸识别、网上查询资料时的搜索引擎，都能见到机器学习的身影，因此机器学习确确实实的在一步步改变我们的生活，如何将其的力量发挥到最大，在更多的领域找到应用它的方法，更好的去服务于人类，是如今很多机构都致力于解决并发展的难题。现如今在医学细胞图像分割领域，已经有前人开始了一系列尝试。目前，人工智能技术仍然主要应用于医学图像，以辅助医师进行癌症筛查。但已有研究者利用一些深度学习算法对其他类型的细胞进行了分割，效果良好，可见选用适合的机器学习算法对宫颈癌细胞进行分割可行性极佳。因此，使用人工智能技术对子宫颈细胞样本图像进行宫颈癌筛查是有极大意义的。

人工智能机器学习对细胞图像进行筛查的一个重要挑战是大部分深度学习方法需要大量的标注数据进行训练，但由于缺乏工具、医生工作量太大以及病人隐私等方面的原因，目前在TCT领域还缺乏大规模的标注数据用于训练。

机器学习模型一般被分成两种，一种是判别式模型，它能清晰地分辨出多类或某一类与其他类之间的差异特征，适用于较多类别的识别且模型更简单，目前应用范围较为广泛；另一种是深度生成模型，其研究单类问题比判别式模型更灵活，模型可以通过增强学习得到，且能用于数据不完整的情况，例如本发明中使用到的一种神经网络——变分自编码器(VAE)。VAE是基于变分贝叶斯 (Variational Bayes,VB)推断的生成式网络结构。

发明内容

本发明提供一种基于变分自编码器的液基细胞人工智能检测方法，包括以下步骤：