[发明专利]使用掩模来提高卷积神经网络对于癌细胞筛查应用的分类性能

说明书

在癌细胞筛查中，患者的细胞由卷积神经网络(CNN)分类来识别异常细胞。在一种方法中，具有比掩模周边更透明的中心的掩模用于掩蔽包含感兴趣的细胞的输入图像来产生经掩蔽的图像。因为细胞通常位于图像中心附近，并且因为图像通常包含在图像周边附近的无关对象，例如正常细胞和微生物，通过使用经掩蔽的图像而不是原始图像，在训练CNN时和分类时减少了由于无关对象引起的干扰。在另一种方法中，在分类之前向特征图应用掩蔽。在CNN中，该掩蔽通过使每个特征图与卷积核卷积来产生中间特征图，接着截断其周边区域来产生尺寸缩小的特征图而完成。

缩写列表

ADC 宫颈腺癌

AGC 非典型腺体细胞异常

AIS 原位腺癌

ASC-H 非典型鳞状细胞-不排除HSIL

ASC-US 意义不明确的非典型鳞状细胞异常

CNN 卷积神经网络

HSIL 高度鳞状上皮内病变

LSIL 低度鳞状上皮内病变

SCC 鳞状细胞癌

TBS Bethesda系统

WSI 全视野数字切片

技术领域

本发明涉及用于提高卷积神经网络(CNN)在细胞分类中的性能的方法。更特别地，本发明涉及用于提高在癌细胞筛查中使用的CNN的分类性能的方法。

背景技术

宫颈癌是产生于女性宫颈的癌症。宫颈癌筛查的常规方法是细胞化验员通过显微镜直观检查切片上的宫颈细胞来核查有恶性变化迹象的任何细胞。一般地，单个样本中需要检查约100000个细胞。该检查过程耗费大约10-15分钟并且从而耗时且成本很高。

为了减少时间和成本，计算机辅助自动癌症筛查特别有用。由于各种图像分类任务中的高准确度，CNN例如在US9,739,783和CN106991673中已经被用于自动宫颈癌筛查。然而，用对抗性样本来训练CNN已显示出导致CNN分类性能明显下降。每个对抗性样本是包含经分类和标记的宫颈细胞并且进一步包括一定数量的无关对象(例如噪杂背景、无关细胞、微生物或甚至在背景中具有相反标签的细胞)的图像。作为说明示例，图1是现实生活中的对抗性样本。用于训练CNN的训练图像100具有异常细胞110作为用于训练CNN的主预分类对象。在异常细胞110附近，有邻近的正常细胞120、122和微生物130、131。正常细胞120、121和微生物130、131是干扰CNN的训练过程的无关对象。这些无关对象可能使CNN学习不正确的特征，由此导致误分类。

需要这样一种技术，这种技术在存在干扰的无关对象的情况下会提高CNN对异常细胞成功分类的机会。

发明内容

在本发明中，掩模有利地用于在存在干扰的无关对象的情况下提高CNN在对异常细胞分类时获得的分类准确度。

本发明的第一方面提供由一个或多个计算处理器执行以通过使用CNN来对多个细胞分类的方法。在该方法中采用图像端掩蔽法。多个细胞初始可以从患者宫颈获得以用于癌细胞筛查或癌前异常筛查。

在该方法中，获得多个训练图像和多个测试图像。该多个训练图像用于训练CNN。单个训练图像包含一个或多个细胞，每个细胞被预分类为属于一细胞类型，该细胞类型选自一组预定的细胞类型。每个测试图像包含选自多个细胞的相应细胞。

选择掩模用于掩蔽训练和测试图像。掩模具有从掩模的中心向其周边单调递减的透过率函数，使得掩模的中心比其周边更透明。