[发明专利]基于深度学习的子宫颈液基细胞数字图像分类方法及系统

权利要求书

1.一种基于深度学习的子宫颈液基细胞数字图像分类系统，其特征在于，包括：传图模块、检测模块和阅片模块，

所述传图模块用于将待识别的子宫颈液基细胞数字图像传输到检测模块；

所述检测模块用于基于训练得到的Faster-RCNN模型，实现对所述子宫颈液基细胞数字图像中各类细胞的检测，得到检测结果；

所述阅片模块用于查阅所述检测结果。

2.根据权利要求1所述的系统，其特征在于，所述检测结果包括：所述子宫颈液基细胞数字图像的异常细胞类型和异常细胞位置。

3.根据权利要求1所述的系统，其特征在于，所述Faster-RCNN模型包括以下两阶段训练：

一阶段：将滤除定量的背景区域的所述子宫颈液基细胞数字图像作为输入，所述子宫颈液基细胞数字图像中不同类型的异常细胞和异常细胞位置作为输出进行模型训练，得到初始检测模型；

二阶段：对所述初始检测模型进行阴性输入压制假阳二次训练，得到训练好的Faster-RCNN模型。

4.根据权利要求1所述的系统，其特征在于，所述Faster-RCNN模型在训练过程完成后，采用AP50来验证挑选模型，以确认所述Faster-RCNN模型的超参数。

5.根据权利要求3所述的系统，其特征在于，对所述子宫颈液基细胞数字图像中不同类型的异常细胞作为输出的标注形式为：用外接矩形框进行标注，并且所述外接矩形标注的轮廓完整覆盖整个细胞。

6.根据权利要求1-5任一项所述的系统，其特征在于，所述传图模块使用SMB协议传输；

所述传图模块和所述阅片模块使用B/S架构模式工作。

7.一种基于深度学习的子宫颈液基细胞数字图像分类方法，其特征在于，包括如下步骤：

标注子宫颈液基细胞数字图像中异常细胞的位置和类型；

对所述子宫颈液基细胞数字图像进行数据归一化处理；

将归一化处理过后的所述子宫颈液基细胞数字图像作为输入，所述子宫颈液基细胞数字图像中异常细胞的位置和类型作为输出进行模型训练，得到训练好的Faster-RCNN模型；

将待识别图像输入至训练好的所述Faster-RCNN模型中，输出检测结果。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括，

将所述子宫颈液基细胞数字图像进行亮度增广、镜像和/或添加椒盐噪声操作，实现数据增强。

9.根据权利要求8所述的方法，其特征在于，所述对所述子宫颈液基细胞数字图像进行数据归一化处理，具体包括：

读取每一张所述子宫颈液基细胞数字图像的像素参数，所述像素参数代表每个像素对应的所述子宫颈液基细胞数字图像的实际距离；

根据所述像素参数，将所述子宫颈液基细胞数字图像进行放大或缩小以实现物理尺寸的归一化。

10.根据权利要求7所述的方法，其特征在于，所述Faster-RCNN模型包括以下两阶段训练：

一阶段：将滤除定量的背景区域的所述子宫颈液基细胞数字图像作为输入，所述子宫颈液基细胞数字图像中不同类型的异常细胞和异常细胞位置作为输出进行模型训练，得到初始检测模型；

二阶段：对所述初始检测模型进行阴性输入压制假阳二次训练，得到训练好的Faster-RCNN模型。