[发明专利]一种基于深度学习的宫颈细胞分类方法

说明书

本发明一种基于深度学习的宫颈细胞分类方法，属于图像处理技术领域，该方法包括以下步骤：获取宫颈细胞图像数据集，对宫颈细胞原图像数据进行数据增强，得到数据增强后的宫颈细胞图像数据；将提取增强后的宫颈细胞图像数据集按照比例划分为训练数据和测试数据；构建基于深度学习的宫颈细胞分类网络；将训练数据依次输入到宫颈细胞分类网络中对宫颈细胞分类网络进行训练，得到训练好的宫颈细胞分类网络参数；将测试数据依次输入到训练好的宫颈细胞分类网络中，与测试集标签对比，得到宫颈细胞的分类结果，本方法在宫颈细胞图像数据上实验，四分类准确率达到99.23％，与以往技术相比有了较大提升。

技术领域

本发明属于图像处理技术领域，涉及一种基于深度学习的宫颈细胞分类方法。

背景技术

宫颈癌是当今妇科疾病中最为常见的恶性肿瘤之一，宫颈癌发病率很高，成为威胁全世界女性健康的重大隐患。宫颈癌从初早期的炎症发展到恶性癌变大约需要6至8年的时间，可分为早期、中期和晚期，只要尽早发现尽早治疗，就能达到痊愈，因此早发现早治疗至关重要。宫颈细胞学检查是确诊宫颈病变的主要检查方法之一，是宫颈筛查最重要的手段。宫颈细胞分类是宫颈细胞学检查的重要组成部分。如何提高分类的准确率，一直以来都是医学领域以及计算机领域的研究热点。

传统的宫颈细胞分类技术有很多，主要包括支持向量机^[1]、决策树、K最邻近算法，贝叶斯等等。而传统算法大多数的主要思想是提取宫颈细胞的形态特征、纹理特征和颜色特征等输入到各传统算法分类器中进行分类^[2]。传统方法需要手工提取特征，提取的特征是不全面的，因此，传统方法分类的准确率达到一定高度后遇到了瓶颈期。越来越多的学者将注意力转换到深度学习技术。目前深度学习^[3][4][5]在细胞分类领域用的较多的方法就是迁移学习^[6]，迁移学习在一定程度上缓解了由于样本不足引起的过拟合问题，但迁移学习也有一定的缺点，迁移学习调用了用其他大数据集训练模型保留的模型参数和权重，用数据集训练后，引入了其它数据集的特征，对用测试数据集进行测试时造成一定影响，其分类准确率不能提升。本文提出方法，弥补了深度学习技术提取特征的不足，在一定程度上提高分类准确率。

CN110363188A基于卷积神经网络的宫颈细胞图像分类方法，该申请准备数据集并分割细胞核区域，加载到稠密卷积神经网络，该网络包括稠密连接模块和过渡层。稠密连接模块的内部采用稠密连接的方式，即每一层的输入特征都是来自前面所有层的输出，其中所述每一层都有一个复合操作包括归一化，Re LU函数激活和卷积运算。过渡层由卷积和池化层组成，卷积层包括复数个卷积单元，每个所述卷积单元的参数都是通过所述反向传播算法最佳化得到的，最后经过交叉熵损失函数反向传播，得到输出结果。该申请提出的方法在训练过程中卷积神经网络不能关注细胞关键特征信息，虽运用了稠密连接模块，但宫颈细胞特征仍有丢失。单一尺度的卷积核不能够提取多尺度特征，网络提取特征能力有限。

发明内容

为了解决上述问题，本发明提供本发明采用的技术方案是：一种基于深度学习的宫颈细胞分类方法，包括以下步骤：

获取宫颈细胞图像数据集，对宫颈细胞原图像数据进行数据增强，得到数据增强后的宫颈细胞图像数据；

提取增强后的宫颈细胞图像数据中宫颈细胞的形态特征、纹理特征和颜色特征，提取增强后的宫颈细胞图像的数据集由宫颈细胞原图像、提取的突出形态特征与纹理特征图像以及提取的颜色特征矩阵共同构成；将提取增强后的宫颈细胞图像数据集按照比例划分为训练数据和测试数据；

构建基于深度学习的宫颈细胞分类网络；

将训练数据依次输入到宫颈细胞分类网络中对宫颈细胞分类网络进行训练，得到训练好的宫颈细胞分类网络参数；

将测试数据依次输入到训练好的宫颈细胞分类网络中，与测试集标签对比，得到宫颈细胞的分类结果。

进一步地：所述对宫颈细胞原图像数据进行数据增强的过程如下：