[发明专利]基于模糊逻辑和ANFIS的宫颈癌图像区域分割方法

说明书

基于模糊逻辑和ANFIS的宫颈癌图像区域分割方法，属于图像处理领域，本发明为解决现有宫颈图像分割方法存在分割率不高，时间消耗较大，训练参数较多的问题。本发明利用模糊逻辑对边缘和边缘进行两次迭代检测，并对检测到的边缘进行像素级图像融合。采用模糊规则检测边缘的方法对肿瘤区域进行检测。然后对融合后的宫颈图像进行环形对称Gabor变换，从环形对称Gabor变换后的图像中提取纹理特征，并采用ANFIS分类方法对纹理特征进行分类。进一步，采用形态学操作用于分割分类异常子宫颈图像中的肿瘤区域。

技术领域

本发明涉及一种图像分割技术，属于图像处理领域。

背景技术

宫颈癌是发展中国家最严重的致死癌症之一。在发展中国家，由于对宫颈癌缺乏认识， 宫颈癌的死亡率很高。如果它在早期发现，这种类型的癌症可以治愈，通过检测和移除在 子宫颈癌区域的癌症区域。人类乳头瘤病毒(HPV)影响女性患者的子宫颈区域，它是宫颈 癌的主要原因。这种HPV病毒影响和损害妇女子宫颈区域的鳞状细胞和腺细胞。细胞学 和数字式阴道镜是目前用于在捕获的子宫颈图像中筛查癌症区域的方法。

宫颈癌细胞的发展缓慢，早期的症状常表现为宫颈疼痛、呕吐等症状。这些是轻微子 宫颈癌的早期症状，出血发生在严重的宫颈癌。这种癌症可以在早期使用计算机辅助方法 进行筛查。目前宫颈癌筛查方法遵循细胞学、阴道镜检查和活组织检查的流程。在这些癌 症筛查步骤中，细胞学和镜检查是基于图像的筛查技术，而活检是基于细胞的筛查方法。 阴道镜筛查过程比细胞学过程成本效益高，细胞学过程使用机器学习算法，如神经网络、 支持向量机(SVM)来检测和分割宫颈图像中的癌症区域。图1(A)为正常病例的宫颈图像，图1(B)为异常病例的宫颈图像。

宫颈癌的严重程度可根据细胞对周围环境的影响程度分为I～IV期。在I期，宫颈区 域的细胞受到影响，也称为轻度期。在II期，位于子宫颈区域外的细胞受到影响，也被称为中度期。在III期，癌细胞在骨盆和阴道区扩散。在IV期，癌细胞扩散到膀胱或直 肠区域，有出血情况。III期和IV期被称为严重期。死亡发生在IV期。

目前，很多学者针对宫颈癌图像进行了研究，Karthiga Jaya等人开发了一种检测宫颈 图像中癌症区域的算法。作者利用纹理特征和ANFIS分类算法来区分宫颈癌图像中的癌 区和非癌区。为了验证肿瘤区域的分割结果，本专利对所提出的算法进行了宫颈图像的测 试。Miao Wu等使用卷积神经网络(CNN)分类框架对宫颈癌图像中的肿瘤区域进行检测和 分割。CNN体系结构采用5个卷积层，每个卷积层使用256个滤波器。池化层使用3×3 过滤器大小的最大池化算法。在CNN体系结构中，在输出层采用Dropout技术，克服了 传统神经网络的过拟合问题。使用CNN体系结构对宫颈图像进行分类，获得了89.48％ 的总体分类准确率。Zhang等人使用深度学习算法对宫颈图像中的癌细胞进行筛选，克服 了传统机器学习算法的模仿。作者使用CNN分类算法对癌细胞进行检测和分割，使用最 小化的特征集。CNN分类算法采用了最大池化方法，有16个卷积层。获得了95.1％的敏 感性，98.3％的特异性和98.3％的准确性。

Jagtap等使用不对称分布参数在宫颈图像中筛查肿瘤区域。首先对宫颈图像的各个区 域进行相关，然后从相关图像中提取统计特征。对每个区域计算相关法师的矩，然后对这 些区域进行分类，获得了94.8％的敏感性，97.1％的特异性和96.5％的准确性。Bergmeir 等利用中值滤波算法对宫颈图像进行去噪处理，然后利用canny边缘检测器检测图像中的 边缘。对检测到的颈椎图像边缘进行随机Hough变换。对Hough变换后的图像采用弹性 分割算法，然后采用水平集算法对宫颈癌图像中的肿瘤区域进行检测。在207张实时宫颈 图像上测试了他们提出的方法。Sulaimana等人设计了一种使用颜色特征的宫颈癌筛查方 法。开发了一种半自动的方法，用于将宫颈癌图像分类为癌症或非癌症图像。

以上技术存在分割率不高，时间消耗较大，训练参数较多的问题。

发明内容