[发明专利]一种基于区域提名的宫颈图像处理方法及装置

说明书

本发明公开了一种基于区域提名的宫颈图像处理装置，包括：图像采集装置，用于采集经3％‑5％醋酸溶液处理后的宫颈图像；处理器，包括宫颈图像预处理模块和处理模块，所述处理模块包括由特征提取网络、区域检测网络和区域筛选分类网络组成的模型网络，用于输出目标区域的分类信息以及位置信息；存储器，用于存储处理器中模型网络的参数；显示装置，用于显示处理器输出的目标区域的分类信息以及位置信息。还公开了采用所述的基于区域提名的宫颈图像处理装置对宫颈图像进行处理的方法，实现区分宫颈图像中的正常“醋白”与病灶“醋白”。

技术领域

本发明属于图像处理领域，具体涉及一种基于区域提名的宫颈图像处理方法及装置。

背景技术

深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。

随着近几年深度学习研究热度的不断发酵，越来越多侧重于图像识别的应用场景开始出现深度学习的身影，其中就包括了医学图像的识别。利用检测网络来识别一些医学图像中可能存在病变的异常区域的尝试屡见不鲜，但是不管是一阶段还是两阶段的检测模型，模型设计的初衷都是侧重于定位任务，而分类任务只是检测模型的附属任务，因此单纯依靠检测模型在定位异常区域的基础上还要进行异常区域的分级预测就显得并不是那么可靠。

发明内容

针对现有技术中，经3％-5％醋酸溶液处理后的宫颈图像由于多处区域会出现“醋白”特征，存在正常“醋白”与病灶“醋白”难以区分的问题，本发明提供了基于区域提名的宫颈图像处理方法及装置，用于区分宫颈图像中的正常“醋白”与病灶“醋白”。

本发明采用的技术方案如下：

一种基于区域提名的宫颈图像处理装置，包括：

图像采集装置，用于采集经3％-5％醋酸溶液处理后的宫颈图像；

处理器，包括宫颈图像预处理模块和处理模块，所述处理模块包括由特征提取网络、区域检测网络和区域筛选分类网络组成的模型网络，用于输出目标区域的分类信息以及位置信息；

存储器，用于存储处理器中模型网络的参数；

显示装置，用于显示处理器输出的目标区域的分类信息以及位置信息。

所述宫颈图像预处理模块用于对图像采集装置采集的经3％-5％醋酸溶液处理后的宫颈图像进行标记，并使用K-means方法对宫颈图像数据进行聚类。

所述特征提取网络由深度残差网络ResNet50和自顶向下的金字塔网络组成。

其中，深度残差网络由依次连接的1个卷积层，1个最大池化层、第一残差卷积模块、第二残差卷积模块、第三残差卷积模块和第四残差卷积模块组成。

第一～四残差卷积模块分别由3、4、6、3个残差单元组成。

每个残差单元均由3个卷积层组成，且进入第一个卷积层之前的特征图还会直接流向第三个卷积层并同第三个卷积层输出的特征图相加后作为该残差单元的输出。

所述金字塔网络包括3个上采样模块；其中，每个上采样模块均由依次连接的双线性插值层和2个卷积层组成，主要是为了令高层低分辨率的特征图达到与低层高分辨率特征图的分辨率一致，从而进行加和操作。

在自顶向下的金字塔结构中，深度残差网络ResNet50中每个残差卷积模块的输出都会与深层的残差卷积模块通过上采样后以相加的方式融合。