[发明专利]基于并行神经网络的肺部细胞图像分类方法

说明书

本发明涉及基于并行神经网络的肺部细胞图像分类方法，包括：获取肺部细胞图像，对肺部细胞染色、标注；对细胞图像的染色区域聚类，消除噪点，分割出单个细胞图像；计算细胞特征，识别细胞图像的噪声；构建包含残差网络、金字塔网络和并行浅层特征通道的并行神经网络，并进行训练；将待检测的肺部细胞图像输入到并行神经网络，根据并行神经网络的输出数据，得到肺部细胞图像分类结果。本发明通过计算细胞特征，辨识区分图像中的细胞区域与噪声区域，避免图像噪声影响肺部细胞图像分类的准确率；本发明的并行神经网络实现了细胞图像的浅层特征和不同层次的深层特征融合，进一步提高了分类模型的分类准确率，避免出现漏检或误检。

技术领域

本发明属于细胞图像识别分类领域，具体涉及一种基于并行神经网络的肺部细胞图像分类方法。

背景技术

肺癌是肺部最常见的恶性肿瘤。世界卫生组织调查报告，许多国家和地区，肺癌的发病率占恶性肿瘤的首位。原发癌肿局限在支气管肺内，尚未发生远处转移和淋巴结转移时，手术后5年生存率可达50％以上。肺癌早筛查对于肺癌的治疗意义重大，早期的肺癌患者跟中晚期的肺癌患者相比，治疗难度跟治疗效果，还有患者的痛苦程度都存在着天壤之别。所有关于肺癌预防指南中，无不把肺癌早筛列为关键的一项预防手段。如果能尽早的发现早期肺部癌变，能大大增加病人接受专业救治的机会，提高病人的生存率。

肺癌早筛的方法通常有胸部X线透视、胸部CT、细胞病理识别等。胸部X线透视筛查方法对于肺部结节的发现有着较大的局限性，其分辨率较低，在影像中，病变也容易受到纵隔、心脏、肋骨、胸骨、血管等组织结构的重叠，导致肺部的小结节容易出现漏诊的情况。胸部CT方法断面成像，可有效地排除前后组织结构的重叠干扰，且分辨率可以有效的发现肺部隐蔽的结节病灶。对于早期肺癌的筛查，胸部CT是能起到重要作用的，但是由于该筛查方法存在放射剂量较大的缺陷，如果长期使用，对于患者造成的影响较大。痰脱落细胞检查、支气管分泌物或支气管肺泡灌洗液检查、胸腔积液检查的细胞学检查则具有较高的阳性检测率。

近十年来，随着机器学习与深度学习技术的发展，许多基于图像识别的细胞病理的分析方法被提出，但是因为不同类型细胞之间的差异较大，没有通用的细胞病理图像识别方法。而且多数细胞图像识别方法采用人工辨别特征进行筛选后，再进一步分类的方式，存在预测精度、特征泛化性、实时性等问题，难以被应用到实际场景中。

发明内容

本发明的目的是针对上述问题，提出一种基于并行神经网络的肺部细胞图像分类方法，通过对细胞病理图片的颜色聚类，消除噪点，细胞边缘检测与分割，计算细胞特征，根据细胞特征辨识区分正常细胞和噪声区域；构建包含残差网络、金字塔网络和并行浅层通道的并行神经网络，将并行神经网络作为肺部细胞图像分类模型，将细胞图像的浅层特征和不同层次的深层特征融合后，根据不同尺度的融合特征，对细胞图像进行分类，提高分类模型的分类准确率和泛化性能，避免出现漏检或误检。

本发明的技术方案是基于并行神经网络的肺部细胞图像分类方法，包括以下步骤：

步骤1：获取肺部细胞图像，对其中的肺部细胞进行染色、标注；

步骤2：对细胞图像的染色区域进行聚类，消除噪点，检测细胞边缘，分割出单个细胞图像；

步骤3：根据细胞图像，计算细胞特征，识别细胞图像的噪声；

步骤4：构建包含残差网络、金字塔网络和并行浅层特征通道的并行神经网络，并进行训练；

步骤5：将待检测的肺部细胞图像输入到并行神经网络模型，根据并行神经网络模型的输出数据，得到肺部细胞图像分类结果。

步骤2包括以下子步骤：

步骤2.1：使用k-means聚类方法对细胞图片中的染色区域进行像素聚类；

步骤2.2：根据色调、饱和度、明度HSV参数上、下限对细胞图片进行区域提取，以椭圆形状进行形态学开操作，消除噪点；