CN108364032A - 一种基于卷积神经网络的宫颈癌细胞图片识别算法 - Google Patents

一种基于卷积神经网络的宫颈癌细胞图片识别算法 Download PDF

Info

Publication number
CN108364032A
CN108364032A CN201810255865.0A CN201810255865A CN108364032A CN 108364032 A CN108364032 A CN 108364032A CN 201810255865 A CN201810255865 A CN 201810255865A CN 108364032 A CN108364032 A CN 108364032A
Authority
CN
China
Prior art keywords
neural networks
convolutional neural
cell picture
layer
picture
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810255865.0A
Other languages
English (en)
Inventor
黄金杰
陆春宇
王雅君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN201810255865.0A priority Critical patent/CN108364032A/zh
Publication of CN108364032A publication Critical patent/CN108364032A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

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。

Description

一种基于卷积神经网络的宫颈癌细胞图片识别算法
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，ax,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,…,yn，那么经过Softmax回归处理之后的输出为：
最后，介绍下本发明所述的基于卷积神经网络的宫颈癌细胞图片识别算法的整体流程。首先对采集的TCT宫颈细胞图片进行预处理，包括以细胞核为中心对细胞图片进行粗分割，分割像素大小为299×299。然后将预处理后的图片分为训练集和测试集两部分。把训练集的数据标签化后输入卷积神经网络进行训练，当损失函数收敛时保存训练好的模型。最后把测试集的数据输入已保存的模型中获得最终的识别结果。
附图说明
图1为本文设计的卷积神经网络结构图；
图2为基于本发明所述方法设计的整体流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1和图2,本发明实施例包括：
一种基于卷积神经网络的宫颈癌细胞图片识别算法，包括：数据准备阶段，采用大靶面高清工业相机配合快速聚焦算法采集并标注宫颈细胞TCT图片；对采集的细胞图片预处理阶段，采用分水岭算法定位细胞核，然后以细胞核为中心对细胞图片进行粗分割，分割像素大小为299×299；卷积神经网络训练阶段，将预处理后的图片分为训练集和测试集两部分，把训练集中的图片标签化后输入本发明所设计的卷积神经网络模型进行训练，当损失函数收敛时保存训练好的网络模型；最终识别结果测试阶段，将测试集中的图片输入已保存的训练好的网络模型获得最终的识别结果。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，并且在不背离本发明的精神或基本特征的前提下，能够以其他的具体形式实现本发明。因此，应将实施例看作是示范性的，而非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (2)

1.一种基于卷积神经网络的宫颈癌细胞图片识别算法，其特征在于:首先对采集的TCT宫颈细胞图片进行预处理，包括以细胞核为中心对细胞图片进行粗分割，分割像素大小为299×299。然后设计卷积神经网络的结构，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。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) (1)
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)logq(x) (2)
(2)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，...，yn，那么经过Softmax回归处理之后的输出为：
将预处理后的图片分为训练集和测试集两部分。把训练集的数据标签化后输入卷积神经网络进行训练，当损失函数收敛时保存训练好的模型。最后把测试集的数据输入已保存的模型中获得最终的识别结果。
2.根据权利要求1所述的一种基于卷积神经网络的宫颈癌细胞图片识别算法，其特征在于：不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，在对原始宫颈TCT细胞图片进行粗分割后，通过卷积神经网络自动提取细胞图片中的深层次特征完成识别。
CN201810255865.0A 2018-03-27 2018-03-27 一种基于卷积神经网络的宫颈癌细胞图片识别算法 Pending CN108364032A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810255865.0A CN108364032A (zh) 2018-03-27 2018-03-27 一种基于卷积神经网络的宫颈癌细胞图片识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810255865.0A CN108364032A (zh) 2018-03-27 2018-03-27 一种基于卷积神经网络的宫颈癌细胞图片识别算法

Publications (1)

Publication Number Publication Date
CN108364032A true CN108364032A (zh) 2018-08-03

Family

ID=63001535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810255865.0A Pending CN108364032A (zh) 2018-03-27 2018-03-27 一种基于卷积神经网络的宫颈癌细胞图片识别算法

Country Status (1)

Country Link
CN (1) CN108364032A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110887A (zh) * 2019-03-22 2019-08-09 国网浙江省电力有限公司信息通信分公司 对低压台区线损率的预测方法
CN110647875A (zh) * 2019-11-28 2020-01-03 北京小蝇科技有限责任公司 一种血细胞分割、识别模型构造的方法及血细胞识别方法
CN110946552A (zh) * 2019-10-30 2020-04-03 南京航空航天大学 一种结合光谱和图像的宫颈癌前病变筛查方法
CN111462122A (zh) * 2020-03-26 2020-07-28 中国科学技术大学 宫颈细胞核自动分割方法及系统
CN111612027A (zh) * 2019-02-26 2020-09-01 沛智生医科技股份有限公司 细胞分类方法、系统与医疗分析平台
CN111860129A (zh) * 2020-06-05 2020-10-30 天津大学 基于bp神经网络和细胞力学特性参数的癌细胞分类方法
WO2020248848A1 (zh) * 2019-06-14 2020-12-17 平安科技（深圳）有限公司 智能化异常细胞判断方法、装置及计算机可读存储介质
CN112991360A (zh) * 2021-03-01 2021-06-18 北京邮电大学 一种宫颈癌前病理组织学分割优化方法
CN114974589A (zh) * 2022-06-10 2022-08-30 燕山大学 一种宫颈癌预测方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612027A (zh) * 2019-02-26 2020-09-01 沛智生医科技股份有限公司 细胞分类方法、系统与医疗分析平台
CN110110887A (zh) * 2019-03-22 2019-08-09 国网浙江省电力有限公司信息通信分公司 对低压台区线损率的预测方法
WO2020248848A1 (zh) * 2019-06-14 2020-12-17 平安科技（深圳）有限公司 智能化异常细胞判断方法、装置及计算机可读存储介质
CN110946552A (zh) * 2019-10-30 2020-04-03 南京航空航天大学 一种结合光谱和图像的宫颈癌前病变筛查方法
CN110647875A (zh) * 2019-11-28 2020-01-03 北京小蝇科技有限责任公司 一种血细胞分割、识别模型构造的方法及血细胞识别方法
CN111462122A (zh) * 2020-03-26 2020-07-28 中国科学技术大学 宫颈细胞核自动分割方法及系统
CN111860129A (zh) * 2020-06-05 2020-10-30 天津大学 基于bp神经网络和细胞力学特性参数的癌细胞分类方法
CN112991360A (zh) * 2021-03-01 2021-06-18 北京邮电大学 一种宫颈癌前病理组织学分割优化方法
CN114974589A (zh) * 2022-06-10 2022-08-30 燕山大学 一种宫颈癌预测方法

Similar Documents

Publication Publication Date Title
CN108364032A (zh) 一种基于卷积神经网络的宫颈癌细胞图片识别算法
CN109344883A (zh) 一种基于空洞卷积的复杂背景下果树病虫害识别方法
CN108549893A (zh) 一种任意形状的场景文本端到端识别方法
CN109902748A (zh) 一种基于多层信息融合全卷积神经网络的图像语义分割方法
CN109101975A (zh) 基于全卷积神经网络的图像语义分割方法
CN107909015A (zh) 基于卷积神经网络及空谱信息融合的高光谱图像分类方法
CN108734719A (zh) 一种基于全卷积神经网络的鳞翅目昆虫图像前背景自动分割方法
CN110909724B (zh) 一种多目标图像的缩略图生成方法
CN107527054B (zh) 基于多视角融合的前景自动提取方法
CN108805874A (zh) 一种基于卷积神经网络的多光谱图像语义切割方法
CN109086777A (zh) 一种基于全局像素特征的显著图精细化方法
CN110009015A (zh) 基于轻量化网络和半监督聚类的高光谱小样本分类方法
Li et al. Breaking the resolution barrier: A low-to-high network for large-scale high-resolution land-cover mapping using low-resolution labels
CN106910188A (zh) 基于深度学习的遥感影像中机场跑道的检测方法
CN111368846A (zh) 一种基于边界语义分割的道路积水识别方法
CN110570427A (zh) 一种融合边缘检测的遥感影像语义分割方法及装置
CN110176005B (zh) 基于归一化指数和多尺度模型的遥感图像分割方法
CN110751271B (zh) 一种基于深度神经网络的图像溯源特征表征方法
CN112950780A (zh) 一种基于遥感影像的网络地图智能生成方法及系统
CN109859222A (zh) 基于级联神经网络的边缘提取方法及系统
CN111738168A (zh) 基于深度学习的卫星影像河流两侧采砂提取方法及系统
CN114037720A (zh) 基于半监督学习的病理图像分割与分类的方法及装置
Li et al. Fruit tree canopy segmentation from UAV orthophoto maps based on a lightweight improved U-Net
Gong et al. Automatic segmentation of the fine structures of sunspots in high-resolution solar images
AU2021104479A4 (en) Text recognition method and system based on decoupled attention mechanism

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180803

WD01 Invention patent application deemed withdrawn after publication