[发明专利]一种宫颈细胞涂片中非典型异常腺细胞的识别方法

说明书

本发明提供了一种宫颈细胞涂片中非典型异常腺细胞的识别方法，所述方法将腺细胞分为结构清晰的腺细胞团簇、不可分的腺细胞团簇和单个腺细胞；对于结构清晰的腺细胞团簇，将腺细胞的排列信息和腺细胞外观信息作为双流神经网络模型的两个输入，对于单个腺细胞和不可分的腺细胞团簇分别输入卷积神经网络模型，两个模型输出识别结果。本发明的方法对于有效提高了具有明显排列结构的腺细胞的识别效果，加强了识别的完备性，降低了误识别和漏识别情况的发生。

技术领域

本发明涉及医学细胞图像处理领域，具体涉及一种宫颈细胞涂片中非典型异常腺细胞的识别方法。

背景技术

宫颈癌是一种可预防、可治愈的疾病。近期研究表明，腺癌与鳞癌的发病比例已经上升了一倍，特别是在青年女性中。与以往占宫颈癌10-15％的比例相比，腺癌的发病率已经增加了49.3％。在现有的临床诊断过程中，宫颈细胞影像的分析方法，主流的筛查影像技术像TCT、SurePath完全依赖阅片医生根据个人经验读片判断，通常仅能得出病变存在与否的定性结论。由于阅片医生的水平参差不一，高强度的阅片工作造成的视觉疲劳，非典型腺细胞的分级诊断需要反复确认等因素，造成阅片的工作效率低下和假阳性、假阴性太高的结果。从宫颈细胞涂片中首先检测到腺细胞成分，然后针对腺细胞进行快速分级识别，是完善宫颈细胞人工智能辅助筛查的重要部分。

针对涂片检测出的腺细胞如何进行分析是一个亟待解决的问题。一般的识别系统通常从细胞图像的颜色、形状和纹理中获取有效判别特征，从而实现细胞病变的度量。当前的一些主要分类器都被应用到宫颈细胞图像的分类，例如：基于贝叶斯规则的分类器、基于模糊逻辑的分类的分类器、支持向量机等，但这些分类器在针对大量数据容易过拟合，并且在腺细胞的识别方面效果不佳。而卷积神经网络作为一种深度学习模型，可以直接从输入数据中提取图像特征。世界各地的医学图像分析组正在迅速进入该领域，并将卷积神经网络和传统图像处理方法广泛的应用于医疗影像领域，但腺细胞的识别较为特殊，除了判读单个细胞的特征外，还需辅助一些邻域信息和排列信息。因此，目前针对非典型腺上皮细胞的检测普遍存在识别率不高的问题，亟待针对实际应用研究建立针对宫颈细胞涂片中腺细胞快速识别系统。

发明内容

本发明的目的在于，克服目前针对非典型腺上皮细胞的检测普遍存在识别率不高的问题，提供一种宫颈细胞涂片中非典型异常腺细胞的识别方法，通过充分解析宫颈腺细胞外观特征，利用图论方法、深度学习、图像理解技术，融合数据驱动方法和宫颈细胞领域知识的机制，最终实现对宫颈腺细胞的快速识别，并给出了腺细胞的识别结果的排列信息可视化，为完善宫颈细胞人工智能辅助筛查提供重要的系统框架。

为了实现上述目的，一种宫颈细胞涂片中非典型异常腺细胞的识别方法，所述方法将腺细胞分为结构清晰的腺细胞团簇、不可分的腺细胞团簇和单个腺细胞；对于结构清晰的腺细胞团簇，将腺细胞的排列信息和腺细胞外观信息作为双流神经网络模型的两个输入，对于单个腺细胞和不可分的腺细胞团簇分别输入卷积神经网络模型，两个模型输出识别结果。

作为上述方法的一种改进，所述方法具体包括以下步骤：

步骤1)构建和训练双流神经网络模型和卷积神经网络模型；

步骤2)针对分割后的腺细胞图像进行预处理，根据分割的区域获取图像的最小外接矩形；

步骤3)根据分割结果计算腺细胞形态信息，包括细胞核的大小、深度、形状以及细胞间的邻域信息；对细胞进行粗分类，分为三类：一类是结构清晰的腺细胞团簇I，第二类是不可分的腺细胞团簇，第三类是散落的单个腺细胞；

步骤4)依据腺细胞的排列方式，将结构清晰的腺细胞团簇I映射到二维殴氏空间生成一幅新的殴氏图像I′，将I和I′输入步骤1)的双流神经网络模型进行识别，输出识别结果；

步骤5)对于不可分的腺细胞团簇和散落的单个腺细胞，输入步骤1)的卷积神经网络模型进行识别，输出识别结果。