[发明专利]一种基于深度学习的宫颈癌细胞检测方法

权利要求书

1.一种基于深度学习的宫颈癌细胞检测方法，其特征在于：包括如下步骤：

1)获取宫颈液基薄层细胞学检查数字扫描图片；

2)将图片分割为1024×1024像素大小，从图像的左上角开始分割，以1024个像素为长和宽，逐步分割直到整张图像分割完毕，对于图像最右侧和最下侧不足1024像素宽或高的部分使用纯白色像素填充；

3)根据图像分割结果转换标注框，原始图像中针对宫颈癌细胞的标注数据以原始图像的左上角为原点，向右为x轴正方向，向下为y轴正方向，单位为像素，转换后图像以转换后图像的左上角为原点，向右为x轴正方向，向下为y轴正方向，单位为像素，原始图像中的标注框若只被分到一张分割后图像中则只转换为一个标注框，若被分到多张分割后图像中则每张分割后的图像保留一部分标注框；

4)将分割后的图像和标注分为训练集和测试集，将80％的图像和对应标注分为训练集，将剩余20％的图像和对应标注分为测试集；

5)设计检测网络；

6)训练和验证检测网络；

7)获取新的扫描图片进行检测。

2.根据权利要求1所述的一种基于深度学习的宫颈癌细胞检测方法，其特征在于：步骤6)中所述的检测网络为：

首先使用特征提取主干网络提取出卷积特征图；

其次在卷积特征图上使用RFBNet得到融合不同尺度特征的卷积特征图；

最后将融合不同尺度特征的卷积特征图送入CoupleNet检测网络检测宫颈癌细胞。

3.根据权利要求1所述的一种基于深度学习的宫颈癌细胞检测方法，其特征在于：步骤6)中所述的检测网络中RFBNet结构为：

将包含三个不同尺寸和空洞率的卷积层构成多分枝结构，其中第一个分支中卷积核大小为1×1、空洞率为1，第二个分支中卷积核大小为3×3、空洞率为3，第三个分支中卷积核大小为5×5、空洞率为5，最终使用1×1的卷积将三个分支连接到一起。