[发明专利]一种基于细胞生物学特征-卷积神经网络的宫颈细胞图像分类方法

说明书

本发明公开了一种基于细胞生物学特征‑卷积神经网络的宫颈细胞图像分类方法。本发明利用提取的细胞生物学特征(DNA指数、核浆比)，与ResNet(残差网络)相结合，以期提高宫颈细胞分类的准确率。最后的结果说明，本发明提出的方法结合了卷积神经网络以及细胞生物学的优势，使最终的分类准确率有了很大提高，对于其他计算机视觉问题的研究也有很大的借鉴价值。

技术领域

本发明属于病理细胞学领域，具体涉及一种基于细胞生物学特征-卷积神经网络的宫颈细胞图像分类方法。

背景技术

宫颈癌的筛查对于宫颈癌的防治具有非常重要意义，非常有必要根据我国具体情况进行较为准确的筛查。但在大多数欠发达地区，宫颈癌的筛查观念并不普及且无法进行大规模的高成本普查，所以有必要开发一个成本较低、筛查准确率较高并且可以大范围推广的筛查方法。

宫颈癌是死亡率排第四位的女性疾病。如果发生在细胞上的病理学改变可以被及时发现，这种癌症是极有可能被治愈的。子宫颈抹片检查被广泛应用于宫颈癌的早期筛查。宫颈细胞涂片采用特殊的细胞刷来收集子宫颈的细胞学标本然后涂抹在载玻片上。之后使用巴氏染液(Papanicolaou)方法将载玻片染色，所以细胞不同部分显不同色。技术人员利用分辨率为0.201μm/像素的显微镜来获取细胞的数字图像。分为正常细胞和病变细胞2大类，可再分为7小类，每一类细胞对应1～7的标签编号。正常宫颈细胞包含3类：浅表鳞状上皮细胞、中层鳞状上皮细胞、柱状上皮细胞；病变细胞共有4类，按癌变的严重程度由轻到重排序分别为：轻度鳞状非角化性发育不良细胞、中度鳞状非角化性发育不良细胞、重度鳞状非角化性发育不良细胞、原位中间体癌变的鳞状细胞。

在深度学习领域中，卷积神经网络(CNN)通过卷积层来提取图像特征，继而利用全连接层根据提取的特征来进行具体的分类。然而，卷积神经网络的物理意义不明确，也就是说，我们并不知道每个卷积到底提取到的是什么特征，而且神经网络本身就是一种难以解释的“黑箱模型”。训练卷积神经网络需要海量的数据，以星期甚至月计的时间，精心设计的训练策略。然而即使这样，也无法保证训练出来的模型一定可以高效地提取出有用的特征，这会导致最终的网络性能不够理想。

为了解决细胞分类难得的问题，一个思路是对现有的卷积神经网络架构进行进一步的改进，目前已经有了很多类似的工作。另一个思路是将卷积神经网络与精心设计手动提取特征相结合，根据具体的分类任务利用手动提取的特征特异性地协助卷积神经网络分类。也就是说，将卷积层提取的特征向量与手动提取的特征向量一起输入到全连接层进行最终的分类。就宫颈细胞分类而言，应当充分利用细胞生物学特征来改善最终的分类结果。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种基于细胞生物学特征-卷积神经网络的宫颈细胞图像分类方法。

本发明利用事先提取的细胞生物学特征(DNA指数、核浆比)，与ResNet(残差网络)相结合，以期提高宫颈细胞分类的准确率。最后的结果说明，本发明提出的方法结合了卷积神经网络以及细胞生物学的优势，使最终的分类准确率有了很大提高，对于其他计算机视觉问题的研究也有很大的借鉴价值。

本发明使用的细胞生物学特征有两个：

(1)DNA指数(DNAIndex)

DNA指数是一组细胞DNA平均含量与正常细胞相比较的数值。正常二倍体细胞的DNA指数是1。高于或低于1表示组织中DNA含量异常,常称为DNA非整倍体(aneuploidy)。

当细胞处于G1/G0期时，细胞DNA含量为DI＝1c或2c。当细胞处于增殖期时，DNA含量可倍增，表达为DI＝2c或4c。细胞在癌变过程中，细胞核的大小、核内DNA含量及DNA在细胞核内的分布和排列形式等都会发生改变，而这种改变是细胞癌变过程中最早期的变化。因此，DNA指数可以作为宫颈细胞病变程度的分类特征。

(2)细胞核浆比