[发明专利]基于DSA-DoubleUNet模型的子宫鳞状上皮病变区域影像分割方法

说明书

本发明涉及基于DSA‑DoubleUNet模型的子宫鳞状上皮病变区域影像分割方法，与现有技术相比解决了子宫鳞状上皮病变区域影像难以进行准确高效图像分割的缺陷。本发明包括以下步骤：子宫颈醋酸图像的获取及预处理；构建DSA‑DoubleUNet模型；DSA‑DoubleUNet模型的训练；待分割图像的获取和预处理；子宫鳞状上皮病变区域影像的分割。本发明提高了对子宫鳞状上皮病变区域的分割能力，对于病变区域边缘的分割更加准确，同时在保证了分割精度的前提下，大大减少了模型的训练参数，缩短了模型的训练时间，对硬件设备要求较低，增加了模型的实用性。

技术领域

本发明涉及医学影像处理技术领域，具体来说是基于DSA-DoubleUNet模型的子宫鳞状上皮病变区域影像分割方法。

背景技术

多项研究表示，高危型(Human Papilloma Virus,HPV)感染是子宫颈癌发生的明确病因，早期HPV检测和液基细胞学检测的联合筛查手段可以很大程度上提高子宫颈上皮瘤变(Cervical Intraepithelial Neoplasia，CIN)，因此早期发现CIN对于预防疾病十分重要。阴道镜指导下的子宫颈活检是作为临床诊断子宫颈癌和子宫颈上皮细胞瘤变的金标准，是子宫颈癌及癌前病变筛查中非常重要的一个环节，对于子宫颈癌的早期发现、早期诊断、早期治疗尤为重要。

在医学影像诊断中，其中重要的一个环节就是需要识别出病人的病灶区域，对于可疑病变区域的分割对于辅助临床医生的诊断有着重要的作用。医学图像的手工分割需要操作医生具有丰富的专业知识和经验，此外，分割的精度也受到医生所处的时间地点个人状态等外界因素。计算机图像处理技术可以很大程度上客观准确的为医学图像提供一个病灶分割结果，从而帮助医生提升诊断准确性、提升阅片效率。在子宫颈鳞状上皮细胞的检测中，一个准确的病灶分割结果可以对需要活检的患者提供HSIL活检部位。

近年来，深度学习在计算机视觉领域发展壮大。随着2015年完全卷积网络(FullyConvolutional Networks，FCN)模型提出之后，端到端的语义分割网络被相继提出。在医学影像的分割领域，以UNet网络最为经典。UNet采用编解码的形式，在网络的编码部分提取高层特征，解码部分恢复图像的空间信息。在UNet网络之后，各种对于UNet网络性能的改进层出不穷。

DoubleUNet通过将多个UNet结构级联组成，从而使得整个网络具有更强大的特征提取能力，相比于传统的UNet模型来说，DoubleUNet对于病灶区域的分割性能是十分优越的。但是由于网络进一步的复杂，相比于UNet来说，该模型增加了更多的参数，这不仅增加了整个模型的训练时间，而且对于训练模型的硬件设备也提出了更高的要求，这将会导致DoubleUNet无法大规模的在实际中使用。

在进行阴道镜检查的时候，由于阴道检查的特殊性，从而会导致获得的醋酸图像和碘图像包含许多在分割时不需要的信息，包括一些设备、文字以及非宫颈组织。这些无关信息对于使用深度学习算法去自动分割病变区域会造成很大影响，对分割结果的准确性产生干扰。

因此，如何准确、高效地实现子宫鳞状上皮病变区域的影像分割已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中子宫鳞状上皮病变区域影像难以进行准确高效图像分割的缺陷，提供一种基于DSA-DoubleUNet模型的子宫鳞状上皮病变区域影像分割方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于DSA-DoubleUNet模型的子宫鳞状上皮病变区域影像分割方法，包括以下步骤：

子宫颈醋酸图像的获取及预处理：获取阴道镜检查的子宫颈醋酸图像，对获得的图像进行去除高亮点处理，对处理后的数据集进行扩充；