[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

说明书

本发明揭示了一种基于半监督机制的异常细胞检测假阳性抑制方法，首先，通过训练RetinaNet网络模型，以可疑细胞检测框的形式输出可疑异常细胞的检测结果，然后，根据对可疑细胞检测框的定位获得单细胞图像块，引入包含有学生模型和教师模型的半监督机制设计出基于Mean‑Teacher半监督分类网络模型，最后利用该分类网络模型对宫颈细胞视野图经RetinaNet生成的可疑异常宫颈细胞进行假阳性抑制，完成异常细胞检测假阳性抑制。本发明可以有效抑制检测后的假阳性细胞，并且可以在只有有限标记数据的情况下获得良好的性能，减少医务人员的复核工作量，提高异常细胞检测复核的工作效率。

【技术领域】

本发明属于细胞检测分类技术领域，特别是涉及一种基于半监督机制的异常细胞检测假阳性抑制方法。

【背景技术】

宫颈癌是女性最常见的癌症之一，若通过筛查在早期诊断和干预该疾病，则可以治愈该疾病。Thinprep细胞学检测(TCT)可帮助病理学家发现可能转变为癌症的异常宫颈鳞状细胞。通常，在筛选的单个全玻片TCT样本中，有数千个宫颈鳞状细胞。然而对于病理学人员来说在大量细胞病理样本中寻找和评估异常细胞既繁琐又耗时。因此，寻找一种实现可疑异常细胞的自动检测方法是非常必要的。

随着深度学习在图像检测和图像分类领域的发展，自动异常细胞检测已经开展了许多尝试。所有检测工作都不可避免地会产生假阳性结果。一些正常细胞被错误地归类为异常细胞，因此需要病理学家进行人工检查，以确保最终诊断结果的准确性。如果假阳性高，对病理学家来说是一个负担。

在细胞分类上，现有技术中专利号为CN201510742096.3公开了一种基于模糊积分多分类器融合的细胞图像识别方法及装置，其采用预训练的卷积神经网络CNN提取特征，并将输出特征发送到SVM分类器进行最终分类，但它的输入仅限于小的单细胞图像，这对于包含数千个细胞的TCT扫描图像来说是不切实际的；同时获得病理学家对单个细胞正异常的诊断结果是十分耗时且昂贵的。

目前所有的目标检测方法应用到异常细胞检测问题上都存在假阳性问题，即检测出的可疑细胞中既有真正异常的细胞也有正常的细胞，这给医生诊断带来了一定的干扰。传统的深度学习分类方法存在着不可解释性问题，并且需要探索其在分类性能上进一步提升的可行性。

因此，有必要研发一种基于半监督机制的异常细胞检测假阳性抑制方法来解决上述问题。

【发明内容】

本发明的主要目的在于提供一种基于半监督机制的异常细胞检测假阳性抑制方法，可以有效抑制检测后的假阳性细胞，并且可以在只有有限标记数据的情况下获得良好的性能，减少医务人员的复核工作量，提高异常细胞检测复核的工作效率。

本发明通过如下技术方案实现上述目的：一种基于半监督机制的异常细胞检测假阳性抑制方法，其包括以下步骤：

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。