[发明专利]一种基于上下文建模的宫颈细胞全切片分类方法

说明书

本发明公开了一种基于上下文建模的宫颈细胞全切片分类方法，包括：1.获取T类宫颈细胞全切片样本；2.构造基于Faster Rcnn网络的细胞检测和特征提取模块，对宫颈细胞全切片样本进行细胞检测和特征提取，对固定大小的细胞核图像提取特征，得到不同类型细胞全切片中的细胞核图像的特征序列；3.搭建双向长短期记忆网络和注意力机制融合的上下文建模模块；4.搭建宫颈细胞全切片分类器；5.进行宫颈细胞全切片的分类预测。本发明通过对输入的不同宫颈细胞全切片中的细胞核图像进行特征提取后的信息进行更加有效的学习，完成对多种不同宫颈细胞全切片的准确分类，能够有效降低当前宫颈细胞分类方法对于细胞级别的标注代价。

技术领域

本发明涉及数字图像处理技术领域，特别涉及图像分类技术，具体涉及一种基于上下文建模的宫颈细胞病理全切片分类方法。

背景技术

传统的病理图像分析是通过病理医生在显微镜下进行人工阅片来完成的，这一环节需要有着丰富临床经验的医生对大量组织病理学的切片图像进行分析，然而医生每天的阅片数量十分庞大，阅片时间长，医生可能会因为超负荷的工作量、主观情绪的影响严重影响病理切片分析的正确率，这给病理切片分析的发展带来了很大的阻碍。若是能够提升宫颈细胞全切片分类的自动化进程，利用计算机辅助阅片，将给病理切片分析带来新的发展思路。

近年来，深度学习的出现引起了计算机视觉领域的广泛关注，并开始将其应用于各种视觉任务，并取得了显著的效果。目前，基于深度学习的宫颈细胞分类方法大多只采用简单的网络模型对细胞图像特征进行提取和学习，在预测的准确度上还有很大的提升空间。

发明内容

本发明为克服现有技术的不足之处，提出一种基于上下文建模的宫颈细胞全切片分类方法，以期能够更好地学习和提取全切片中的细胞图像特征，从而能提高分类的效率和准确率，并有效降低当前宫颈细胞分类方法对于细胞级别的标注代价。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于上下文建模的宫颈细胞全切片的分类方法的特点是按如下步骤进行：

步骤1、获取T类维度为H×W×C的宫颈细胞全切片样本并进行归一化预处理，得到预处理后的全切片序列并作为训练样本，记为S＝{S₁,S₂,…,S_t,…,S_T}，其中，S_t表示第t类归一化后的宫颈细胞全切片样本，且表示第t类归一化后的宫颈细胞全切片样本S_t中的第k个全切片，H表示高度、W表示宽度、C表示通道数；K表示第t类归一化后的宫颈细胞全切片样本S_t的总切片数；

采用非重叠分割方式将第k个全切片分割成多个图像块，得到分块集合记为表示第k个全切片的第n个分块图像；N_k表示第k个全切片的总块数；

步骤2、搭建基于Faster Rcnn网络的细胞检测和提取网络，用于固定大小的细胞检测和特征提取；

步骤2.1、搭建由骨干网络、区域提取网络、ROI检测网络、分类网络构成的细胞检测和提取网络；

步骤2.1.1、所述骨干网络是基于ResNet101网络，并依次包括：第一卷积块、第二卷积块、第三卷积块、第四卷积块、第五卷积块和第六分类块；

第一卷积块的卷积核为n₁×n₂，第二卷积块由三个残差块构成，第三卷积块由四个残差块构成，第四卷积块由二十三个残差块构成，第五卷积块由三个残差组成，第六分类块由一个平均池化层和全连接层构成；每个残差块中包含两个1×1的卷积核和一个3×3的卷积核；

将所述第n个分块图像输入所述骨干网络中进行处理，依次经过五个卷积块后输出特征图