[发明专利]一种基于卷积神经网络的宫颈癌细胞图片识别算法

说明书

本发明公开了一种基于卷积神经网络的宫颈癌细胞图片识别算法，由于传统的方法依靠细胞质或者细胞核的精确分割和手工进行特征提取与选择，一旦产生分割误差或者提取到不准确的特征，细胞识别的准确率就会降低。本发明通过卷积神经网络来自动提取细胞图片中的深层次特征继而完成识别任务。识别算法流程如下：(1)宫颈细胞TCT图片粗分割；(2)粗分割后图片输入卷积神经网络模型进行训练；(3)保存训练好的网络模型获取最终识别结果。本发明所述的宫颈癌细胞图片识别算法区别于传统的识别方法，在实际应用中有较好的识别效果。

技术领域

本发明涉及医学图像处理技术领域，具体为一种基于卷积神经网络的宫颈癌细胞图片识别算法。

背景技术

在过去几十年中，宫颈癌细胞识别主要包括三个步骤：细胞(细胞质和细胞核)分割，特征提取和细胞分类。细胞分割的算法有基于阈值的分割方法和基于边缘的分割方法等。细胞特征提取一般提取描述形态和染色质特征的手工特征，然后使用特征选择或降维算法来组织所得的特征用于分类。细胞分类一般使用基于贝叶斯规则或者支持向量机的分类器进行分类。

但是，由于细胞重叠严重，现有的分割算法无法对细胞质和细胞核进行精确分割。手工制作的特征是以非监督的方式获得的，特征选择的过程可能会忽略重要的线索并删除补充的信息，描述细胞异常的信息可能存在于更深层次的特征中。分类器的结果是基于对特征的统计，如果对特征的统计出现差错，结果就不会非常可靠。

卷积神经网络不依靠细胞质或者细胞核的精确分割和手工进行特征选择与提取，而是直接自动提取细胞图片的深层特征然后进行识别分类。

发明内容

本发明的目的在于提供一种基于卷积神经网络的宫颈癌细胞图片识别算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于卷积神经网络的宫颈癌细胞图片识别算法整体流程，包括以下步骤：

首先，先介绍一下卷积神经网络的基本原理。该网络包括输入层、卷积层、池化层、全连接层和Softmax层。其中输入层一般代表一张输入图片的像素矩阵。卷积层中每一个节点的输入是上一层神经网络的一小块，经过卷积层之后节点矩阵的深度会增加。池化层不会改变矩阵的深度，只会缩小矩阵的大小。全连接层用于在经过多轮卷积层和池化层处理之后给出最后的分类结果。Softmax层可以得到当前样例属于不同种类的概率分布情况。卷积层是一个卷积神经网络的重要部分而过滤器是卷积层中的重要部分。将一个2×2×3的节点矩阵变化为一个1×1×5的单位节点矩阵，公式表示如下所示：

(1)式中，g(i)表示单位矩阵中的第i个节点的取值，f表示激活函数，a_x,y,z为过滤器中节点(x,y,z)的取值，表示对于输出单位节点矩阵中的第i个节点，过滤器输入节点(x,y,z)的权重，bⁱ表示第i个输出节点对应的偏置项参数。

接着，再介绍一下本发明所述的卷积神经网络宫颈癌细胞图片识别算法。具体为，我们将卷积神经网络的结构设计为9层，分别为输入层，卷积层1，池化层1，卷积层2，池化层2，卷积层3，全连接层，Softmax层和输出层。卷积神经网络的结构图如附图说明中的图(1)所示。每个卷积层后都通过ReLU激活函数完成去线性化，公式表示如下所示：

f(x)＝max(x,0) (2)

神经网络优化的目标由交叉熵损失函数来定义，公式表示如下所示：

H(p,q)＝-∑_xp(x)log q(x) (3)

(3)式中，p代表的是正确答案，q代表的是预测值。假设原始的神经网络输出为y₁,y₂,…,y_n，那么经过Softmax回归处理之后的输出为：