[发明专利]一种宫颈细胞自动分类模型建立及宫颈细胞自动分类方法

说明书

本发明属于医疗图像识别领域，公开了一种宫颈细胞自动分类模型建立及宫颈细胞自动分类方法。包括：获取宫颈细胞图像并进行预处理和增广，得到宫颈细胞图像数据集；建立VGG16模型，设置VGG16模型的全连接层FC1的神经元个数为a，全连接层FC2的神经元个数为b，a,b∈[256,512,1024,2048]，获得改进的VGG16模型；设置改进的VGG16模型的初始权重，然后利用宫颈细胞图像数据集对改进的VGG16模型进行训练，训练完成后，得到宫颈细胞自动分类模型。本发明对模型全连接层进行重新设计，消除了因为样本量小网络复杂而带来的过拟合以及模型训练时间长，网络不收敛的影响。重新设计后的网络更适用于宫颈细胞分类任务。

技术领域

本发明属于医疗图像识别领域，具体涉及一种宫颈细胞自动分类模型建立及宫颈细胞自动分类方法。

背景技术

目前，我国的临床检测主要为宫颈刮片细胞学检查，仍为人工筛选，耗时，昂贵且准确率低。由于前期筛查是对癌变进行预防和控制的关键途径，我国人数基数大，宫颈癌的筛查工作量相比较于病例医生的数量，十分的不平衡。因此，采用AI技术进行宫颈细胞病理辅助诊断在癌前病变诊断中具有重要意义。

基于以往研究学者对宫颈细胞识别方法的研究可以得出，传统的算法都是先经过细胞分割，其次从分割后的图像中人工提取细胞图像的特征，然后设计算法进行特征降维等操作，最后选取合适的分类器进行识别。此类方法通常存在以下几个方面的问题：

1.提取细胞特征需要进行细胞图像的分割。在细胞图像分割阶段，由于细胞存在粘连，重叠等多种复杂的情况，所以难以选择有效的算法进行准确分割，而分割的准确率严重影响了特征提取的准确性，导致对最终分类结果造成影响。

2.特征提取需要人工选取有效特征。在特征提取阶段，需要依照相关医学常识进行特征选取，这就使得研究人员首先具备一定的病理知识。尽管如此，人工选取的特征也不一定具有代表性，且选取的特征存在一定的相关性，还需进行特征降维，主成分分析等相关方法简化特征维度。如果特征提取不全面，不准确，这也会导致识别效果不好。

3.宫颈细胞数据集小，标注困难。由于医学图像的特殊性，常人无法替代医生对图像进行标注。且由于病人隐私等多方面的关系，一般研究学者难以获得大量的样本。因此，大多数研究都是采用公开数据集进行研究，样本量少也为卷积神经网络的训练带来了困难。

发明内容

本发明的目的在于提供一种宫颈细胞自动分类模型建立及宫颈细胞自动分类方法，用以解决现有技术中对宫颈细胞进行分类时没有行之有效的分类方法的问题。

为了实现上述任务，本发明采用以下技术方案：

一种宫颈细胞自动分类模型建立方法，包括如下步骤：

步骤1：获取宫颈细胞图像并进行预处理和增广，得到宫颈细胞图像数据集，获取所有宫颈细胞图像中的类别信息，得到标签集；

步骤2：建立VGG16模型，设置VGG16模型的全连接层FC1的神经元个数为a，全连接层FC2的神经元个数为b，a,b∈[256,512,1024,2048]，获得改进的VGG16模型；

步骤3：为步骤2得到的改进的VGG16模型设置初始权重，然后利用步骤1获得的宫颈细胞图像数据集和标签集对改进的VGG16模型进行训练，训练完成后，得到宫颈细胞自动分类模型。

进一步的，步骤2中a＝1024，b＝256。

进一步的，所述初始权重为采用ImageNet数据集及其包含的标签对原始的VGG16模型进行训练后，训练完成的模型的权重。

进一步的，所述预处理为对宫颈细胞图像进行细胞核区域裁剪。

进一步的，步骤1中所述增广方式为平移旋转和边缘扩展。