CN110363188A - 基于卷积神经网络的宫颈细胞图像分类方法 - Google Patents
基于卷积神经网络的宫颈细胞图像分类方法 Download PDFInfo
- Publication number
- CN110363188A CN110363188A CN201910812991.6A CN201910812991A CN110363188A CN 110363188 A CN110363188 A CN 110363188A CN 201910812991 A CN201910812991 A CN 201910812991A CN 110363188 A CN110363188 A CN 110363188A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- cervical cell
- dense
- cell image
- 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
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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
Abstract
本发明公开了一种基于卷积神经网络的宫颈细胞图像分类方法,包括下列步骤:准备训练样本并将所述训练样本分类得到十一类样本,之后构建卷积神经网络,然后将训练样本输入该卷积神经网络模型中进行训练,迭代到一定次数后停止训练保存网络权重参数。使用时将目标图像分割出带有细胞核的待预测区域,之后加载训练得到的权重参数及网络结构,将待预测区域输入其中计算即可得到分类结果。这种方法提高了宫颈细胞诊断的精确度及效率,且自适应能力强。
Description
技术领域
本发明涉及细胞图像处理技术领域,特别涉及一种基于卷积神经网络的宫颈细胞图像分类方法。
背景技术
在我国,目前传统的宫颈细胞图像识别方法主要还是巴氏人工阅片技术,巴氏人工阅片技术要靠人在镜下观察大量细胞图像,工作强度大,而且极易使人感到疲劳,识别的准确率和识别效率低下。
卷积神经网络(Convolutional Neural Networks,CNN)是一种包含卷积操作的,专门用来处理具有类似网格结构的数据的前馈型深度神经网络。网络中所包含的卷积层和池化层是实现卷积神经网络特征提取功能的核心模块。卷积的输入为包含若干通道的二维特征图,将其与若干卷积核进行卷积操作并进行偏置后得到输出。通过已有的宫颈细胞图像数据,优化给定的神经网络的目标函数,学习网络中的参数,使得网络输出和真实标签间的误差最小,从而得到能够将输入宫颈细胞图像精确分类的卷积神经网络。
发明内容
本发明的目的是针对现有技术的不足,提出一种基于卷积神经网络的宫颈细胞图像分类方法。本发明提供的分类方法具有自动化程度高,自适应能力强的特点,不仅能提高宫颈细胞图像识别的效率,而且也提高了宫颈细胞图像识别的准确率。
基于卷积神经网络的宫颈细胞图像分类方法,包括下列步骤:
(1)准备训练样本并将所述训练样本分类得到十一类样本;其中,所述训练样本为已标注的宫颈细胞图像,所述十一类样本包括正常表层细胞、正常中底层细胞、粒细胞、腺细胞、非典型鳞状细胞、挖空细胞、高核浆比细胞、淋巴细胞、成团细胞、单核细胞和垃圾;
(2)搭建稠密卷积神经网络;包括下列子步骤:将带有标注信息的三通道的所述宫颈细胞图像输入到所述卷积神经网络后经过卷积操作、稠密连接模块和过渡层后,经过分类器输出类别;
其中,所述稠密连接模块是实现网络稠密连接的结构,所述过渡层由卷积和池化操作组成,是实现降维和减少冗余的模块;
(3)构建宫颈细胞图像分类器;包括下列子步骤:
将所述十一类样本输入步骤(2)搭建好的所述稠密卷积神经网络进行训练,通过反向传播算法不断优化交叉熵损失函数,调整所述稠密卷积神经网络的参数,得到能够识别所述十一类样本的分类器;所述交叉熵损失函数如下:
其中,p(xi)表示所述样本xi的真实类别,q(xi)表示所述样本xi的预测类别,n为样本总数;
(4)预测目标图像中的所述宫颈细胞的种类:从目标图像分割出带有细胞核的待预测区域,加载步骤(3)得到的优化后的所述稠密卷积神经网络的权重参数及网络结构,将所述待预测区域输入所述所述稠密卷积神经网络计算,并得到分类结果。
其中,所述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,所述每一层有一个复合操作Hl,是三个操作的组合:归一化,ReLU函数激活,和卷积运算;第l层的输出为:
xl=Hl([x0,x1,...,xl-1])(2)
所述过渡层由卷积和池化层组成,所述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。
步骤(3)中,所述反向传播算法为BP算法。
所述步骤(2)中,所述稠密连接模块为复数个稠密连接模块。
所述步骤(2)中,所述过渡层为复数个过渡层。
所述分类器包括Softmax分类器。
所述Softmax分类器使用Softmax函数将一个含任意实数的K维向量z“压缩”到另一个K维实向量σ(z)中,使得每一个元素的范围都在(0,1)之间,并且所有元素的和为1;所述Softmax函数为:
其中,所述Softmax向量的每个值表示所述宫颈细胞属于每个类的概率。
本发明所提供的基于卷积神经网络的宫颈细胞图像分类方法具有下列有益效果:本发明采用的是稠密卷积神经网络,稠密卷积神经网络加强了不同卷积层之间的连接,提高了特征重用,有效缓解了梯度消失和过拟合问题,同时大量减少了神经网络的参数,提高了网络性能和结果正确率。我们针对宫颈细胞图像分类这一问题进行改进,提高了宫颈细胞诊断正确率和效率,且自适应能力强。且本发明方法分类速度快,易用于工程实践当中,具有广阔的应用价值和市场前景。
附图说明
图1为本发明的工作流程图。
图2为本发明的宫颈细胞图像训练样本。
具体实施方式
为了更好地理解本发明的技术方案,下面结合附图及具体实施方式详细介绍本发明。
本发明是一种基于卷积神经网络的宫颈细胞图像分类方法,该方法主要包括以下几个步骤:
步骤1:准备训练样本并将所述训练样本分类得到十一类样本;其中,所述训练样本为已标注的宫颈细胞图像,所述十一类样本包括正常表层细胞、正常中底层细胞、粒细胞、腺细胞、非典型鳞状细胞、挖空细胞、高核浆比细胞、淋巴细胞、成团细胞、单核细胞和垃圾。
步骤2:搭建稠密卷积神经网络;包括下列子步骤:将带有标注信息的三通道的所述宫颈细胞图像输入到所述卷积神经网络后经过卷积操作、稠密连接模块和过渡层后,经过分类器输出类别;
其中,所述稠密连接模块是实现网络稠密连接的结构,所述过渡层由卷积和池化操作组成,是实现降维和减少冗余的模块。
步骤3:构建宫颈细胞图像分类器;包括下列子步骤:
将所述十一类样本输入步骤(2)搭建好的所述稠密卷积神经网络进行训练,通过反向传播算法不断优化交叉熵损失函数,调整所述稠密卷积神经网络的参数,得到能够识别所述十一类样本的分类器。
所述交叉熵损失函数如下:
其中,p(xi)表示样本xi的真实类别,q(xi)表示样本xi的预测类别,n为样本总数。
步骤4:预测目标图像中的所述宫颈细胞的种类:从目标图像分割出带有细胞核的待预测区域,加载步骤(3)得到的优化后的所述稠密卷积神经网络的权重参数及网络结构,将所述待预测区域输入所述所述稠密卷积神经网络计算,并得到分类结果。
本发明的具体实现流程如图1所示,各部分具体实施细节如下:
1.准备样本
利用巴氏染色法对宫颈细胞进行染色并封固制片,之后扫描病理切片并导入到计算机当中,将所有的宫颈细胞图像分为正常表层细胞、正常中底层细胞、粒细胞、腺细胞、非典型鳞状细胞、挖空细胞、高核浆比细胞、淋巴细胞、成团细胞、单核细胞和垃圾十一类样本。
2.搭建稠密卷积神经网络
稠密卷积神经网络主要由两个重要结构——稠密连接模块(Dense Block)和过渡层(Transition Layer)。稠密连接模块是实现网络稠密连接的结构;每一个Dense Block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。每层有一个复合操作Hl,是三个操作的组合:归一化,ReLU函数激活,卷积运算,第l层的输出为xl:
xl=Hl([x0,x1,...,xl-1])
过渡层由卷积和池化层组成,是实现降维和减少冗余的模块。卷积层是由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法最佳化得到的,其卷积运算的目的是提取输入图像的不同特征。而池化层的目的是降低输出的特征向量同时改善结果。网络的最后包含一个Softmax层,Softmax函数能将一个含任意实数的K维向量z“压缩”到另一个K维实向量σ(z)中,使得每一个元素的范围都在(0,1)之间,并且所有元素的和为1。
该函数的形式通常按下面的式子给出:
这个向量的每个值表示就这个样本属于每个类的概率。
带有标注信息的三通道宫颈细胞图像输入到网络后经过一个卷积操作、数个稠密连接模块和数个过渡层后,经过分类器输出类别。
3.构建宫颈细胞图像分类器
将带有标注信息的十一类宫颈细胞图像输入步骤2搭建好的稠密卷积神经网络进行训练。通过反向传播算法不断优化交叉熵损失函数,调整网络的参数,反向传播算法即为BP算法,是一种适合于多层神经元网络的学习算法,该算法可以求出每一层权值的修改的参数,直到误差达到期望值,最终得到能够识别八类宫颈细胞图像的分类器。
所述交叉熵损失函数如下:
其中,p(xi)表示样本xi的真实类别,q(xi)表示样本xi的预测类别,n为样本总数。
4.预测目标图像中宫颈细胞种类
将目标图像分割出带有细胞核的待预测区域,加载训练得到的权重参数及网络结构,将待预测区域输入其中计算即可得到分类结果。
Claims (8)
1.一种基于卷积神经网络的宫颈细胞图像分类方法,包括下列步骤:
(1)准备训练样本并将所述训练样本分类得到十一类样本;其中,所述训练样本为已标注的宫颈细胞图像,所述十一类样本包括正常表层细胞、正常中底层细胞、粒细胞、腺细胞、非典型鳞状细胞、挖空细胞、高核浆比细胞、淋巴细胞、成团细胞、单核细胞和垃圾;
(2)搭建稠密卷积神经网络;包括下列子步骤:将带有标注信息的三通道的所述宫颈细胞图像输入到所述卷积神经网络后经过卷积操作、稠密连接模块和过渡层后,经过分类器输出类别;
其中,所述稠密连接模块是实现网络稠密连接的结构,所述过渡层由卷积和池化操作组成,是实现降维和减少冗余的模块;
(3)构建宫颈细胞图像分类器;包括下列子步骤:
将所述十一类样本输入步骤(2)搭建好的所述稠密卷积神经网络进行训练,通过反向传播算法不断优化交叉熵损失函数,调整所述稠密卷积神经网络的参数,得到能够识别所述十一类样本的分类器;所述交叉熵损失函数如下:
其中,p(xi)表示所述样本xi的真实类别,q(xi)表示所述样本xi的预测类别,n为样本总数;
(4)预测目标图像中的所述宫颈细胞的种类:从目标图像分割出带有细胞核的待预测区域,加载步骤(3)得到的优化后的所述稠密卷积神经网络的权重参数及网络结构,将所述待预测区域输入所述所述稠密卷积神经网络计算,并得到分类结果。
2.根据权利要求1所述的一种基于卷积神经网络的宫颈细胞图像分类方法,其特征在于:所述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,所述每一层有一个复合操作Hl,是三个操作的组合:归一化,ReLU函数激活,和卷积运算;第l层的输出为
xl=Hl([x0,x1,...,xl-1]) (2)
3.根据权利要求2所述的基于卷积神经网络的宫颈细胞图像分类方法,其特征在于,所述过渡层由卷积和池化层组成,所述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。
4.根据权利要求1所述的一种基于卷积神经网络的宫颈细胞图像分类方法,其特征在于:步骤(3)中,所述反向传播算法为BP算法。
5.根据权利要求1所述的基于卷积神经网络的宫颈细胞图像分类方法,其特征在于,所述步骤(2)中,所述稠密连接模块为复数个稠密连接模块。
6.根据权利要求1所述的基于卷积神经网络的宫颈细胞图像分类方法,其特征在于,所述步骤(2)中,所述过渡层为复数个过渡层。
7.根据权利要求1所述的基于卷积神经网络的宫颈细胞图像分类方法,其特征在于,所述分类器包括Softmax分类器。
8.根据权利要求7所述的基于卷积神经网络的宫颈细胞图像分类方法,其特征在于,所述Softmax分类器使用Softmax函数将一个含任意实数的K维向量z“压缩”到另一个K维实向量σ(z)中,使得每一个元素的范围都在(0,1)之间,并且所有元素的和为1;所述Softmax函数为:
其中,所述Softmax向量的每个值表示所述宫颈细胞属于每个类的概率。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019103109371 | 2019-04-18 | ||
CN201910310937.1A CN110163102A (zh) | 2019-04-18 | 2019-04-18 | 一种基于卷积神经网络的宫颈细胞图像分类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363188A true CN110363188A (zh) | 2019-10-22 |
Family
ID=67639512
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910310937.1A Pending CN110163102A (zh) | 2019-04-18 | 2019-04-18 | 一种基于卷积神经网络的宫颈细胞图像分类识别方法 |
CN201910812991.6A Pending CN110363188A (zh) | 2019-04-18 | 2019-08-30 | 基于卷积神经网络的宫颈细胞图像分类方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910310937.1A Pending CN110163102A (zh) | 2019-04-18 | 2019-04-18 | 一种基于卷积神经网络的宫颈细胞图像分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN110163102A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047577A (zh) * | 2019-12-12 | 2020-04-21 | 太原理工大学 | 一种畸形尿红细胞分类统计方法与系统 |
CN111209972A (zh) * | 2020-01-09 | 2020-05-29 | 中国科学院计算技术研究所 | 基于混合连通性深度卷积神经网络的图像分类方法及系统 |
CN111274903A (zh) * | 2020-01-15 | 2020-06-12 | 合肥工业大学 | 一种基于图卷积神经网络的宫颈细胞图像分类方法 |
CN111444829A (zh) * | 2020-03-25 | 2020-07-24 | 南京航空航天大学 | 面向液基细胞学检查的融合推理与学习的决策分类方法 |
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 |
CN113222044A (zh) * | 2021-05-25 | 2021-08-06 | 合肥工业大学 | 一种基于三元注意力和尺度关联融合的宫颈液基细胞分类方法 |
CN113469119A (zh) * | 2021-07-20 | 2021-10-01 | 合肥工业大学 | 基于视觉转换器和图卷积网络的宫颈细胞图像分类方法 |
CN114708589A (zh) * | 2022-04-02 | 2022-07-05 | 大连海事大学 | 一种基于深度学习的宫颈细胞分类方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796636A (zh) * | 2019-09-25 | 2020-02-14 | 中国人民解放军战略支援部队信息工程大学 | 基于卷积神经网络的ct图像骨质状况检测方法及装置 |
CN111611926A (zh) * | 2020-05-21 | 2020-09-01 | 重庆现代建筑产业发展研究院 | 一种地标建筑物检测与识别方法及装置 |
CN112950585B (zh) * | 2021-03-01 | 2022-11-29 | 中国人民解放军陆军军医大学 | 基于液基薄层细胞检测技术的宫颈癌细胞智能检测方法 |
CN116386857B (zh) * | 2023-06-07 | 2023-11-10 | 深圳市森盈智能科技有限公司 | 一种病理分析系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875624A (zh) * | 2018-06-13 | 2018-11-23 | 华南理工大学 | 基于多尺度的级联稠密连接神经网络的人脸检测方法 |
US20180341745A1 (en) * | 2015-01-18 | 2018-11-29 | The Regents Of The University Of California | Method and system for determining cancer status |
CN109190441A (zh) * | 2018-06-21 | 2019-01-11 | 丁彦青 | 女性生殖道细胞病理智能分类方法、诊断仪及存储介质 |
-
2019
- 2019-04-18 CN CN201910310937.1A patent/CN110163102A/zh active Pending
- 2019-08-30 CN CN201910812991.6A patent/CN110363188A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180341745A1 (en) * | 2015-01-18 | 2018-11-29 | The Regents Of The University Of California | Method and system for determining cancer status |
CN108875624A (zh) * | 2018-06-13 | 2018-11-23 | 华南理工大学 | 基于多尺度的级联稠密连接神经网络的人脸检测方法 |
CN109190441A (zh) * | 2018-06-21 | 2019-01-11 | 丁彦青 | 女性生殖道细胞病理智能分类方法、诊断仪及存储介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047577A (zh) * | 2019-12-12 | 2020-04-21 | 太原理工大学 | 一种畸形尿红细胞分类统计方法与系统 |
CN111209972A (zh) * | 2020-01-09 | 2020-05-29 | 中国科学院计算技术研究所 | 基于混合连通性深度卷积神经网络的图像分类方法及系统 |
CN111274903A (zh) * | 2020-01-15 | 2020-06-12 | 合肥工业大学 | 一种基于图卷积神经网络的宫颈细胞图像分类方法 |
CN111274903B (zh) * | 2020-01-15 | 2022-12-06 | 合肥工业大学 | 一种基于图卷积神经网络的宫颈细胞图像分类方法 |
CN111444829A (zh) * | 2020-03-25 | 2020-07-24 | 南京航空航天大学 | 面向液基细胞学检查的融合推理与学习的决策分类方法 |
CN111444829B (zh) * | 2020-03-25 | 2023-08-18 | 南京航空航天大学 | 面向液基细胞学检查的融合推理与学习的决策分类方法 |
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 |
CN113222044A (zh) * | 2021-05-25 | 2021-08-06 | 合肥工业大学 | 一种基于三元注意力和尺度关联融合的宫颈液基细胞分类方法 |
CN113469119A (zh) * | 2021-07-20 | 2021-10-01 | 合肥工业大学 | 基于视觉转换器和图卷积网络的宫颈细胞图像分类方法 |
CN113469119B (zh) * | 2021-07-20 | 2022-10-04 | 合肥工业大学 | 基于视觉转换器和图卷积网络的宫颈细胞图像分类方法 |
CN114708589A (zh) * | 2022-04-02 | 2022-07-05 | 大连海事大学 | 一种基于深度学习的宫颈细胞分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110163102A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363188A (zh) | 基于卷积神经网络的宫颈细胞图像分类方法 | |
CN111369563B (zh) | 一种基于金字塔空洞卷积网络的语义分割方法 | |
CN108717568B (zh) | 一种基于三维卷积神经网络的图像特征提取与训练方法 | |
CN107563422B (zh) | 一种基于半监督卷积神经网络的极化sar分类方法 | |
CN106599797B (zh) | 一种基于局部并行神经网络的红外人脸识别方法 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN107180248A (zh) | 基于联合损失增强网络的高光谱图像分类方法 | |
CN108288035A (zh) | 基于深度学习的多通道图像特征融合的人体动作识别方法 | |
CN108954680A (zh) | 一种基于运行数据的中央空调能耗预测方法 | |
CN107506692A (zh) | 一种基于深度学习的密集人群计数与人员分布估计方法 | |
CN108734095A (zh) | 一种基于3d卷积神经网络的动作检测方法 | |
CN111696101A (zh) | 一种基于SE-Inception的轻量级茄科病害识别方法 | |
CN105913087A (zh) | 基于最优池化卷积神经网络的物体识别方法 | |
CN112396587B (zh) | 一种基于协同训练和密度图的公交车厢内拥挤度检测方法 | |
CN110675411A (zh) | 基于深度学习的宫颈鳞状上皮内病变识别算法 | |
CN107451565A (zh) | 一种半监督小样本深度学习图像模式分类识别方法 | |
CN111639719A (zh) | 基于时空运动和特征融合的足迹图像检索方法 | |
CN112052772A (zh) | 一种人脸遮挡检测算法 | |
CN110135460A (zh) | 基于vlad卷积模块的图像信息强化方法 | |
CN109902697A (zh) | 多目标检测方法、装置及移动终端 | |
CN112766283A (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN113807318A (zh) | 一种基于双流卷积神经网络和双向gru的动作识别方法 | |
CN109583519A (zh) | 一种基于p-Laplacian图卷积神经网络的半监督分类方法 | |
CN112263224B (zh) | 一种基于fpga边缘计算的医学信息处理方法 | |
CN106022382A (zh) | 面向复杂数据的混合范数多不定核分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |
|
RJ01 | Rejection of invention patent application after publication |