[发明专利]一种基于半监督机制的异常细胞检测假阳性抑制方法

权利要求书

1.一种基于半监督机制的异常细胞检测假阳性抑制方法，其特征在于：其包括以下步骤：

S1)获取第一样本集：获取宫颈细胞视野图，病理学家在宫颈细胞视野图上采用矩形框形式标注出异常宫颈细胞，得到第一样本集；

S2)异常细胞检测：将第一样本集送入目标检测RetinaNet网络中训练得到可疑细胞自动检测模型；

S3)获取第二样本集：

S31)获取宫颈细胞视野图并将其输入到所述可疑细胞自动检测模型中，输出若干带有可疑细胞框的宫颈细胞图像；

S32)以每个所述可疑细胞框的中心位置向外扩展得到若干小块细胞图像，病理学家对设定比例数量的小块细胞图像中的异常宫颈细胞进行标注，判断其小块细胞图像中包含的目的细胞是否为真正阳性的异常宫颈细胞，得到有标注数据集，剩下的其他小块细胞图像作为无标记数据集，有标注数据集与无标记数据集构成第二样本集；

S4)基于Mean-Teacher的半监督网络，利用所述第二样本集进行训练得到半监督分类模型。

2.如权利要求1所述的基于半监督机制的异常细胞检测假阳性抑制方法，其特征在于：所述步骤S1)包括：

S11)获得若干张1024×1024像素大小的宫颈细胞视野图像X_i，i＝0,1,2,3,N₁；

S12)病理学家对上述宫颈细胞视野图像中的异常宫颈细胞做标注，得到第一样本集，其中标注形式为矩形框，用(x,y,w,h)表示，x、y、w、h这四个参数分别为标注矩形框的左上顶点坐标、标注矩形框的宽度、标注矩形框的高度。

3.如权利要求2所述的基于半监督机制的异常细胞检测假阳性抑制方法，其特征在于：所述步骤S2)异常细胞检测包括：

S21)将所述第一样本集按设定比例划分为第一训练集和第一测试集；

S22)将第一训练集送入目标检测RetinaNet网络中，通过调节模型的初始学习率、损失函数中的α、γ参数使训练过程中的损失值收敛，完成网络训练；

S23)利用第一测试集对步骤S22)中的训练模型做筛选，得到可疑细胞自动检测模型；其中，筛选指标为map。

4.如权利要求2所述的基于半监督机制的异常细胞检测假阳性抑制方法，其特征在于：所述步骤S3)获取第二样本集包括：

S311)获取若干张1024×1024像素大小的宫颈细胞视野图像，并将其送入所述可疑细胞自动检测模型中，网络将以可疑细胞框(x,y,w,h)的格式输出预测的可疑异常宫颈细胞的位置信息；

S312)在步骤S311)中的若干张1024×1024像素大小的宫颈细胞视野图上，以可疑细胞框的中心位置为中心向外扩展，得到一批224×224像素大小的小块细胞图像；

S313)按照设定比例提取设定数量的小块细胞图像，让病理学家对小块细胞图像中的异常宫颈细胞做标记，得到有标注的数据集DL＝{(x_i,y_i)},i＝1,...,M，剩下没有标注的小块细胞图像为未标注的数据集DU＝{(x_i)},i＝M+1,...,N，其中x_i代表小块细胞图像，y_i代表该小块细胞图形所属的类别，为真正异常的宫颈细胞或者假阳性宫颈细胞；

S314)以所述步骤S312)中所获得的所有小块细胞图像为第二样本集，并将所述第二样本集按照设定比例划分为第二训练集与第二测试集，所述第二训练集按照设定的比例包含有标注的数据集和无标注的数据集，所述第二测试集均为有标注的数据集。