[发明专利]一种基于深度学习的宫颈癌细胞检测方法

说明书

本发明公开了一种基于深度学习的宫颈癌细胞检测方法，针对数字扫描图像尺寸很大和宫颈癌细胞区域尺寸变化范围大两个问题设计了解决方案，包括如下步骤：获取宫颈液基薄层细胞学检查数字扫描图片，将图片分割为1024×1024像素大小以解决扫描图像尺寸很大的问题，根据图像分割结果转换标注框，将分割后的图像和标注分为训练集和测试集，设计检测网络以解决宫颈癌细胞区域尺寸变化范围大的问题，训练和验证检测网络，获取新的扫描图片进行检测；其中检测网络为一种引入了RFBNet结构的CoupleNet检测网络，其中RFBNet结构由三个不同尺寸和空洞率的卷积层分支与一个融合卷积层构成，引入方式为使用RFBNet处理CoupleNet中的特征图；实验证明本发明的准确率较高。

技术领域

本发明涉及癌症识别领域，特别是涉及一种基于深度学习的宫颈癌细胞检测方法。

背景技术

宫颈癌是女性最常见的癌症之一，其发病率在女性恶行肿瘤疾病中排到第二位，在全球范围内，每年新增50多万宫颈癌患者，且大多集中在发展中国家。据国家宫颈癌检测中心报道，在我国每年有15.53宫颈癌新增患者，每年超过6万女性死于宫颈癌，此外，患宫颈癌的女性逐渐年轻化，30岁以下的女性发病率逐年增高。宫颈癌已经严重威胁到我国女性的健康与生命。

宫颈液基薄层细胞学检查(Thinprep Cytologic Test，TCT)是预防和发现早期宫颈癌最流行的方法，已经在全球范围内广泛使用，并显著降低了宫颈癌的发病率和死亡人数。随着全切片数字化扫描仪的应用，已有大量的研究试图将深度学习技术和TCT切片的数字扫描图像相结合，高效率的进行自动化精准分析，并将分析结果用于辅助医生进行临床诊断。

深度学习是使用深层次的神经网络学习训练集中深层次特征并进行分类、检测和分割的一种方法，属于机器学习的一种，常见的深度学习有卷积神经网络、循环神经网络和堆栈自编码网络等。本发明使用的深度学习方法为卷积神经网络，具体为一种具有引入了RFBNet结构的CoupleNet检测网络。

在使用深度学习进行宫颈癌细胞检测时存在一些不可避免的问题：1、数字扫描图像尺寸很大，为保持较高的分辨率以使得能够得到清晰的细胞图像，单张数字扫描图片的尺寸一般在50000×50000像素以上，由于计算机内存和显存的限制，参与计算的图像尺寸不能过大，难以将深度学习网络直接应用到超大尺寸的图像上；2、宫颈癌细胞区域尺寸变化范围大，最小的宫颈癌细胞区域和最大的宫颈癌细胞区域在面积上相差百倍以上，深度学习难以同时检测尺寸相差过大的目标。

发明内容

本发明的目的在于，提供一种基于深度学习的宫颈癌细胞检测方法，分别使用分割图像和RFBNet结构解决上述现有技术问题。

本发明的技术解决方案是，提供了一种基于深度学习的宫颈癌细胞检测方法，包括以下步骤：

1)获取宫颈液基薄层细胞学检查数字扫描图片：从网上公开的宫颈癌智能诊断数据集中获取数字扫描图片和标注数据，筛选出图像清晰尺寸合适的扫描图片和标注数据；

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，通过该步骤来解决数字扫描图像尺寸过大的问题；

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，为确保训练集和测试集的相互独立，从一张原始扫描图像中分割得到的图片分到同一个子集，即训练集或测试集；