[发明专利]一种基于DRSN的液基薄层细胞涂片数字病理图像检测方法

说明书

本发明公开了一种基于DRSN的液基薄层细胞涂片数字病理图像检测方法，包括以下步骤：(1)输入液基薄层细胞涂片图像文件；(2)对图像文件进行可变步长滑动窗口采样；(3)对采样后的图像进行过滤预处理，获取焦点区域，通过采样图像预处理阈值实时调整滑动步长；(4)焦点区域输入分类模型预测，获取置信度；(5)通过阈值过滤掉置信度低的区域或者呈现高置信度区域。本发明使用深度残差收缩网络对液基薄层细胞涂片数字病理图像数据进行检测，应用于细胞病理类癌症早期筛查，如宫颈鳞状细胞癌筛查，与传统的镜检方法相比，可节省阅片时间以及检测成本，提升诊疗准确率和效率。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种基于DRSN的液基薄层细胞涂片数字病理图像检测方法。

背景技术

随着卷积神经网络的出现和深度神经网络的完善，近些年来基于深度学习的人工智能计算机视觉飞速发展，斯坦福大学计算机系终身教授李飞飞曾表示如今人工智能的水平已经可以开始对医疗健康领域做出贡献。

宫颈癌是常见的妇科恶性肿瘤之一，发病率在女性恶性肿瘤中居第二位，仅次于乳腺癌。宫颈癌是世界上唯一病因明确的恶性肿瘤，高危型HPV持续感染是引起宫颈癌的主要因素。其中TCT(Thinprepcytologic test)是新柏氏液基细胞学检测的简称，是一种由美国Hologic公司于1996年获得FDA认证的液基细胞学检测产品。它采用液基薄层细胞检测系统检测宫颈细胞并进行细胞学分类诊断，是目前国际上较先进的一种宫颈癌细胞学检查技术，与传统的宫颈刮片巴氏涂片检查相比明显提高了标本的满意度及宫颈异常细胞检出率。

宫颈癌是女性常见恶性肿瘤，其发病仅次于乳腺癌，居第二位，调查显示世界范围内的宫颈癌新发病例有85％在经济欠发达地区。宫颈癌筛查虽然大大减少了宫颈癌的发病率与死亡率，但在发展中国家，宫颈癌的发病率与死亡率仍比发达国家高。由于我国人口基数大、卫生资源短缺、病理医生缺乏，尤其是细胞病理学医生严重不足，导致缺乏足够人力去完成大量的宫颈癌的TCT检测分析，因此快速准确地分析大量液基薄层细胞涂片数字病理图像成为宫颈癌检测普及的关键瓶颈。

人工智能(AI)最大的特点就是学习快，基于深度学习的人工智能模型拥有随机参数的深度神经网络医学模型，然后把经过标注的数据对模型进行训练，出现误差后调整模型参数，再辅助以医学知识，通过大量的训练之后形成精准的医学辅助诊断模型，从而可以完成医学影像的判读。

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，是机器学习研究中的一个新的领域。其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

深度学习框架核心思想：将无监督学习用于每一层网络的pre-train；每次用无监督学习训练一层，将其训练结果作为其高一层的输入；用自顶而下的监督学习算法去调整所有层。

深度学习网络的深度对最后的分类和识别的效果有着很大的影响，所以正常想法就是能把网络设计的越深越好，但是事实上却不是这样，常规的网络的堆叠(plainnetwork)在网络很深的时候，效果却越来越差了。这里其中的原因之一即是网络越深，梯度消失的现象就越来越明显，网络的训练效果也不会很好。但是现在浅层的网络(shallower network)又无法明显提升网络的识别效果了，所以要解决的问题就是怎样在加深网络的情况下又解决梯度消失的问题。

深度残差收缩网络是残差网络结构ResNet的改进技术，通过在残差网络架构中导入软阈值化函数，和自适应设置阈值的方法，使得深度残差收缩网络可以在保留ResNet优点的基础上，大幅提高了模型算法应对有“噪声”输入信号的效率。在数字细胞病理的应用领域中，由于细胞涂片制备工艺及耗材的差异性，导致扫描所获得的数字化病理图片中不可避免地会带有各种杂质残留，除去脱落细胞外，往往焦点区域图像会被诸如粘液、血液等杂质信息所干扰，而深度残差收缩网络对于此类带有杂质干扰噪声信息地图像有较好地效果。