CN116563848A - 异常细胞识别方法、装置、设备及存储介质 - Google Patents
异常细胞识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116563848A CN116563848A CN202310851586.1A CN202310851586A CN116563848A CN 116563848 A CN116563848 A CN 116563848A CN 202310851586 A CN202310851586 A CN 202310851586A CN 116563848 A CN116563848 A CN 116563848A
- Authority
- CN
- China
- Prior art keywords
- preset
- identification
- channel
- feature
- features
- 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.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 208
- 238000000034 method Methods 0.000 title claims abstract description 102
- 230000001575 pathological effect Effects 0.000 claims abstract description 70
- 230000007170 pathology Effects 0.000 claims abstract description 63
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 43
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims description 44
- 238000011176 pooling Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 25
- 230000005859 cell recognition Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 210000001599 sigmoid colon Anatomy 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 9
- 230000002401 inhibitory effect Effects 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 191
- 238000001514 detection method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000007792 addition Methods 0.000 description 7
- 206010008342 Cervix carcinoma Diseases 0.000 description 6
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 6
- 201000010881 cervical cancer Diseases 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000003902 lesion Effects 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 208000036142 Viral infection Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- 230000000120 cytopathologic effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000004969 inflammatory cell Anatomy 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007762 localization of cell Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000012128 staining reagent Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- G06V20/698—Matching; Classification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及电子数字数据处理技术领域,公开了一种异常细胞识别方法、装置、设备及存储介质,该方法包括:对源病理图像进行预处理,获得目标病理图像,源病理图像包括宫颈细胞病理图像;通过预设双注意力卷积神经网络对目标病理图像进行通道维度和空间维度的特征过滤,获得关键识别特征;基于预设RPN网络和关键识别特征确定异常细胞的坐标,并通过异常细胞的坐标在目标病理图像中对所述异常细胞进行标注。本发明可通过预设双注意力卷积神经网络进行通道维度和空间维度的特征过滤,有针对性地突出与异常细胞识别相关的特征,即上述关键识别特征,从而抑制无关特征或次要特征的表达,进而提高了识别准确率。
Description
技术领域
本发明涉及电子数字数据处理技术领域,尤其涉及一种异常细胞识别方法、装置、设备及存储介质。
背景技术
宫颈癌的疾病进展过程非常缓慢,从HPV病毒感染发展至宫颈癌通常需要数十年甚至更长时间,这就为宫颈癌的提前预防提供了机会。因此,若能及时识别宫颈细胞病理图像中的癌前病变细胞或癌变细胞等异常细胞,不仅能有利于进一步的疾病分析,也能在研发过程中提高临床试验成功率,加速新药研发效率。
现广泛使用更快的RCNN(Region-CNN)方法来识别病理图像中的异常细胞。然而更快的RCNN方法仅分析了卷积神经网络的单一水平特征,信息利用不充分,易出现小尺寸细胞漏检的情况,准确率不高。因此,现亟需一种准确率高的异常细胞识别方法。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种异常细胞识别方法、装置、设备及存储介质,旨在解决现有异常细胞识别方法准确率低的技术问题。为实现上述目的,本发明提供了一种异常细胞识别方法,所述方法包括:
对源病理图像进行预处理,获得目标病理图像,所述源病理图像包括宫颈细胞病理图像;
通过预设双注意力卷积神经网络对所述目标病理图像进行通道维度和空间维度的特征过滤,获得关键识别特征;
基于预设RPN网络和所述关键识别特征确定异常细胞的坐标,并通过所述异常细胞的坐标在所述目标病理图像中对所述异常细胞进行标注。
可选地,所述预设双注意力卷积神经网络包括:预设卷积神经网络和预设双注意力模块;
所述通过预设双注意力卷积神经网络对所述目标病理图像进行通道维度和空间维度的特征过滤,获得关键识别特征的步骤,包括:
通过所述预设卷积神经网络对所述目标病理图像进行特征提取,获得初始识别特征;
通过所述预设双注意力模块对所述初始识别特征进行通道维度和空间维度的加权融合,获得关键识别特征。
可选地,所述预设双注意力模块包括:预设通道注意力单元、预设空间注意力单元和预设融合单元;
所述通过所述预设双注意力模块对所述初始识别特征进行通道维度和空间维度的加权融合,获得关键识别特征的步骤包括:
通过所述预设通道注意力单元对所述初始识别特征进行通道注意力运算,获得通道识别特征;
通过所述预设空间注意力单元对所述通道识别特征进行空间注意力运算,获得空间识别特征;
基于所述预设融合单元对所述初始识别特征和所述空间识别特征进行特征融合,获得关键识别特征。
可选地,所述通过所述预设通道注意力单元对所述初始识别特征进行通道注意力运算,获得通道识别特征的步骤,包括:
通过所述预设通道注意力单元对所述初始识别特征的上层特征沿空间维度进行预设最大池化运算,获得第一通道特征;
通过所述预设通道注意力单元对所述初始识别特征的上层特征沿空间维度进行预设平均池化运算,获得第二通道特征;
通过所述预设通道注意力单元根据预设通道网络、所述第一通道特征和所述第二通道特征确定通道注意力权重得分;
通过所述预设通道注意力单元基于所述通道注意力权重得分对所述初始识别特征进行第一预设加权特征融合,获得通道识别特征;
其中,所述预设通道网络的公式为:
式中,为通道注意力权重得分,/>为乙状结肠激活函数,/>为预设全连接神经网络,/>为第一通道特征,/>为第二通道特征。
可选地,所述通过所述预设空间注意力单元对所述通道识别特征进行空间注意力运算,获得空间识别特征的步骤,包括:
通过所述预设空间注意力单元对所述通道识别特征沿通道维度进行所述预设最大池化运算,获得第一空间特征;
通过所述预设空间注意力单元对所述通道识别特征沿通道维度进行所述预设平均池化运算,获得第二空间特征;
通过所述预设空间注意力单元根据预设空间网络、所述第一空间特征和所述第二空间特征确定空间注意力权重得分;
通过所述预设空间注意力单元基于所述空间注意力权重得分对所述通道特征进行第二预设加权特征融合,获得空间识别特征;
其中,所述预设空间网络的公式为:
式中,为空间注意力权重得分,/>为Sigmoid激活函数,/>为预设卷积运算函数,/>为拼接函数,/>为第一空间特征,/>为第二空间特征。
可选地,所述基于预设RPN网络和所述关键识别特征确定异常细胞的坐标,并通过所述异常细胞的坐标在所述目标病理图像中对所述异常细胞进行标注的步骤,包括:
基于预设RPN网络和所述关键识别特征确定候选区域;
通过所述候选区域和所述关键识别特征确定候选区域特征;
根据所述候选区域特征确定异常细胞的坐标,并通过所述异常细胞的坐标在所述目标病理图像中对所述异常细胞进行标注。
可选地,所述基于预设RPN网络和所述关键识别特征确定异常细胞的坐标,并通过所述异常细胞的坐标在所述目标病理图像中对所述异常细胞进行标注之后,还包括:
基于所述异常细胞的标注结果获得目标识别图像;
通过预设对比网络对所述目标病理图像进行异常细胞的识别,并获得对比识别图像;
分别对所述目标识别图像和所述对比识别图像进行预设验证分析,并基于分析结果验证目标识别图像的可信度。
此外,为实现上述目的,本发明还提出一种异常细胞识别装置,所述异常细胞识别装置包括:
图像预处理模块,用于对源病理图像进行预处理,获得目标病理图像,所述源病理图像包括宫颈细胞病理图像;
特征过滤模块,用于通过预设双注意力卷积神经网络对所述目标病理图像进行通道维度和空间维度的特征过滤,获得关键识别特征;
异常细胞定位模块,用于基于预设RPN网络和所述关键识别特征确定异常细胞的坐标,并通过所述异常细胞的坐标在所述目标病理图像中对所述异常细胞进行标注。
此外,为实现上述目的,本发明还提出一种异常细胞识别设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的异常细胞识别程序,所述异常细胞识别程序配置为实现如上文所述的异常细胞识别方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有异常细胞识别程序,所述异常细胞识别程序被处理器执行时实现如上文所述的异常细胞识别方法的步骤。
本发明公开了一种异常细胞识别方法、装置、设备及存储介质,该方法包括:对源病理图像进行预处理,获得目标病理图像,源病理图像包括宫颈细胞病理图像;通过预设卷积神经网络对目标病理图像进行特征提取,获得初始识别特征;通过预设通道注意力单元对初始识别特征进行通道注意力运算,获得通道识别特征;通过预设空间注意力单元对通道识别特征进行空间注意力运算,获得空间识别特征;基于预设融合单元对初始识别特征和空间识别特征进行特征融合,获得关键识别特征;基于预设RPN网络和关键识别特征确定异常细胞的坐标,并通过异常细胞的坐标在目标病理图像中对异常细胞进行标注。因此,不同于现有的仅利用简单加和的方式融合特征的异常细胞识别方法,本发明可通过预设通道注意力单元和预设空间注意力单元为目标病理图像不同的空间位置赋予相对应的权重,从而在预设卷积神经网络中提取的初始识别特征中有针对性地突出与异常细胞识别相关的特征,即上述通道识别特征和上述空间识别特征,从而抑制无关特征或次要特征的表达,进而提高了识别准确率。此外,本发明还可通过预设融合单元有效地对不同尺寸水平的初始识别特征和空间识别特征进行融合来减少小尺寸细胞漏检的出现,进一步降低漏检率,提高了异常细胞识别的识别准确率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的异常细胞识别设备的结构示意图;
图2为本发明异常细胞识别方法第一实施例的流程示意图;
图3为本发明异常细胞识别方法第一实施例中目标病理图像基于预设双注意力卷积神经网络进行加权融合的过程示意图;
图4为本发明异常细胞识别方法第一实施例中预设双注意力模块进行特征过滤的过程示意图;
图5为本发明异常细胞识别方法第二实施例的流程示意图;
图6为本发明异常细胞识别装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的异常细胞识别设备结构示意图。
如图1所示,该异常细胞识别设备可以包括:处理器1001,例如中央处理器(CentralProcessingUnit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccessMemory,RAM),也可以是稳定的非易失性存储器(Non-VolatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对异常细胞识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及异常细胞识别程序。
在图1所示的异常细胞识别设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明异常细胞识别设备中的处理器1001、存储器1005可以设置在异常细胞识别设备中,所述异常细胞识别设备通过处理器1001调用存储器1005中存储的异常细胞识别程序,并执行本发明实施例提供的异常细胞识别方法。
本发明实施例提供了一种异常细胞识别方法,参照图2,图2为本发明异常细胞识别方法第一实施例的流程示意图。
本实施例中,所述异常细胞识别方法包括以下步骤:
步骤S10:对源病理图像进行预处理,获得目标病理图像,所述源病理图像包括宫颈细胞病理图像;
需要说明的是,本实施例方法的执行主体可以是具有数据处理、网络通信、程序运行、模型训练以及图像识别等功能的计算服务设备,例如平板电脑、个人电脑等,还可以是能够实现相同或相似功能的其他电子设备。此处以上述异常细胞识别设备(简称识别设备)对本实施例和下述各实施例提供的异常细胞识别方法进行具体说明。
需要理解的是,本实施例中识别设备可用于确定识别宫颈细胞病理图像中的癌前病变细胞或癌变细胞等异常细胞,因此识别设备获取的上述源病理图像可包括宫颈细胞病理图像。该源病理图像可以是从TCGA数据库中获取的病理图像,也可以是通过采用全载玻片成像扫描技术获得的全景数字切片图像,即通过光学显微镜沿“蛇形”路径对收集的宫颈薄层液基细胞学涂片进行扫描,然后对扫描获得的高分辨数字图像进行高精度多视野无缝拼接和处理后获得的图像。
可以理解的是,上述源病理图像因取自细胞病理检查,不仅含有大量形态、大小、颜色不一的细胞,且由于染色试剂、图像采集设备型号和采光条件等的不同,不同批次或来源的源病理图像在外观上可能会存在较大的差异。因此本实施例可以先对源病理图像进行预处理,将其中不符合要求的图像块剔除,以便后续基于预处理后获得的目标病理图像进行异常细胞的识别时可以提高识别准确率。具体的预处理方法可以是:通过Python中的Openslide查找源病理图像的分辨率,再通过预设脚本lucasrla/wsi-tile-cleanup来计算源病理图像的Otsu阈值,然后设置目标MPP和磁贴尺,并让libvips(一个需求驱动的多线程图像处理库)从整个源病理图像创建磁贴,最后计算源病理图像中图块上的掩码,以便可通过预设脚本lucasrla/wsi-tile-cleanup过滤掉不需要的图块(如无细胞存在或者模糊的图像块),进而获得上述目标病理图像。
易理解的是,除了上述方法,为了降低后续神经网络过拟合的风险,本实施例还可对源病理图像进行如图像随机水平翻转、垂直翻转、旋转、亮度变化和/或高斯模糊的数据处理,这些仿射变换有助于神经网络更好地适应图像的各种变异情况。
步骤S20:通过预设双注意力卷积神经网络对所述目标病理图像进行通道维度和空间维度的特征过滤,获得关键识别特征;
需要理解的是,本实施例中上述预设双注意力卷积神经网络可包括四种不同类型的网络层:卷积层、池化层、激活函数和全连接层(或全连接网络),并可基于四种不同类型的网络层组合搭配,以形成包含多个网络层的卷积神经网络。该预设双注意力卷积神经网络可将上述目标病理图像作为输入,逐层进行目标病理图像的特征提取,其中浅层网络可提取出目标病理图像的一些低级特征(比如边缘,线条,纹理等),深层网络可再对浅层特征进行组合,逐步对目标病理图像的特征进行抽象,使目标病理图像的图像特征在网络中经历从低级到高级,从简单到抽象的过程。
可以理解的是,注意力机制可归纳为两点:1、确定输入中需要重点关注的部分;2、分配有限的信息处理资源给重要的部分。基于此,本实施例可引入注意力机制进行图像数据处理以提高数据处理的精度和准确度,具体来说,本实施例可使用额外的神经网络构建注意力模块,并在模型的训练过程中同步更新注意力模块对应的神经网络的参数,然后将注意力模块的输出作为一种掩码(mask),给输入图像的不同部分分配不同的权重,从而将图像数据中的关键部位识别出来,进而使神经网络学习到输入图像中需要重点关注的区域。易理解的是,基于上述原理,本实施例中预设双注意力卷积神经网络可包括:预设卷积神经网络和预设双注意力模块。
进一步地,本实施例中,步骤S20可包括:
步骤S201:通过所述预设卷积神经网络对所述目标病理图像进行特征提取,获得初始识别特征;
需要说明的是,上述预设卷积神经网络的作用是对上述目标病理图像进行特征提取。特征提取过程由卷积核(内核)和图像像素值(或某种特征)进行卷积运算完成,通过卷积操作得到一组新的特征,称为特征图(特征地图),即上述初始识别特征。
需要理解的是,上述预设卷积神经网络可以是DenseNet-169、DenseNet-169或ResNet-50等,该预设卷积神经网络中可包含若干组密集连接卷积组,具体数量本实施例对此不加限制,目标病理图像输入后会在每一层卷积组的特征提取过程中尺度缩小2倍,在实际应用中,为了便于理解,以图3为例进行举例说明,图3为本发明异常细胞识别方法第一实施例中目标病理图像基于预设双注意力卷积神经网络进行加权融合的过程示意图,如图3所示,本实施例可假设上述预设卷积神经网络中共有4组密集连接卷积组,并将每个卷积组输出的特征分别记为、/>、/>和/>,然后再通过若干次非线性卷积运算将变换特征通道数降至256,以降低计算量,得到多尺度特征/>、/>、/>和/>,相应地,/>(i=1,2,3,4)即为上述初始识别特征。
步骤S202:通过所述预设双注意力模块对所述初始识别特征进行通道维度和空间维度的加权融合,获得关键识别特征。
需要说明的是,在进行上述自下而上的预设卷积神经网络对应的特征提取过程后,本实施例可通过自上而下的双注意力模块(即上述预设双注意力模块)进行特征融合过程以及分类和回归过程。不同于现有的仅利用简单加和的方式融合多尺度特征的方法,本实施例可通过预设双注意力模块对不同尺度的特征进行加权融合,具体来说,本实施例中预设双注意力模块可先后从通道注意力和空间注意力两个维度对所述初始识别特征的上层特征进行过滤,再将过滤后的特征向下传递参与下层特征融合过程,从而由上述初始识别特征获得关键识别特征。易理解的是,基于上述过滤后的上层特征与下层特征相融合的特征融合方法获得的关键识别特征的精度更高,且对应的识别信息准确度也更高。
可以理解的是,上述初始识别特征并不是指一个特征,而是一组特征,上述(i=1,2,3,4)均为初始识别特征,而上述初始识别特征的上层特征即为对各初始识别特征经过卷积运算后的特征,如图3所示,初始识别特征/>的上层特征为/>,初始识别特征/>的上层特征为/>,初始识别特征/>的上层特征为/>。在实际应用中,为了便于理解,仍以图3为例进行举例说明,如图3所示,对于初始识别特征/>而言,其上层特征/>在输入预设双注意力模块后会经过通道维度和空间维度的过滤,然后预设双注意力模块再基于过滤后的上层特征/>和初始识别特征/>进行特征融合,获得关键识别特征/>,以此类推,可获得关键识别特征/>~/>。
进一步地,本实施例中,预设双注意力模块可包括:预设通道注意力单元、预设空间注意力单元和预设融合单元,上述步骤S202可包括:
步骤S2021:通过所述预设通道注意力单元对所述初始识别特征进行通道注意力运算,获得通道识别特征;
需要说明的是,为了便于理解,以图4为例进行举例说明,图4为本发明异常细胞识别方法第一实施例中预设双注意力模块进行特征过滤的过程示意图,如图4所示,上述通道注意力运算的过程可以是:首先通过上述预设通道注意力单元对初始识别特征的上层特征沿空间维度进行预设最大池化运算,获得第一通道特征;然后通过预设通道注意力单元对初始识别特征的上层特征沿空间维度进行预设平均池化运算,获得第二通道特征;再通过预设通道注意力单元根据预设通道网络、第一通道特征和第二通道特征确定通道注意力权重得分;最后通过预设通道注意力单元基于通道注意力权重得分对初始识别特征进行第一预设加权特征融合,获得通道识别特征。
需要理解的是,上述预设最大池化运算可从输入的初始识别特征的某个区域子块中选择值最大的像素点作为最大池化结果;上述预设平均池化运算可计算初始识别特征中区域子块所有像素点的均值,并将均值作为平均池化结果。此外,上述预设最大池化运算和预设平均池化运算的窗宽需与各初始识别特征的上层特征(可以理解的是,此时i=1,2,3,因为/>并不存在上层特征)的尺寸一致,以实现各上层特征/>的空间信息降维(以减少神经元的个数,并节省存储空间和提高计算效率)。经过上述预设最大池化运算和上述预设平均池化运算后即可保留抑制特征通道维度的无关特征或次要特征的表达,保留每个通道的主要信息,即上述第一通道特征和第二通道特征。
需要理解的是,上述预设通道网络的公式为:
式中,为通道注意力权重得分,/>为乙状结肠激活函数,/>为预设全连接神经网络,/>为第一通道特征,/>为第二通道特征。
易理解的是,上述C=256,为进行上述通道注意力运算时的特征通道数;上述预设全连接神经网络的公式则可以是一个权值共享的两层全连接神经网络,即每层的全连接神经网络的权重参数相同。将上述第一通道特征和上述第二通道特征输入预设全连接神经网络后可增加特征的非线性表达能力,该预设全连接网络的公式可如下所示:
式中,为第一通道特征,/>为第二通道特征,/>为ReLU激活函数,/>为第一权重参数,/>为第一权重参数,
需要理解的是,上述ReLU激活函数的作用是对第一通道特征和第二通道特征进行非线性变换,以便后续将变换后获得的输出信息作为输入信息再传给上述乙状结肠激活函数后,使预设通道网络可以逼近任意非线性函数,提高上述预设通道网络的适用范围。若不使用上述ReLU激活函数和/或乙状结肠激活函数,则无论预设通道网络有多少层结构,其最终的输出都是输入信息的线性组合。最终,上述预设通道网络可在将全连接网络的值输入至上述乙状结肠激活函数后输出0~1之间的连续值,即为上述通道注意力权重得分。基于该通道注意力权重得分/>即可为各初始识别特征赋予相对应的权重,进而针对性地突出各初始识别特征中与异常细胞识别相关的通道特征。
需要说明的是,在获得通道注意力权重得分后,本实施例即可通过通道注意力权重得分对下层特征(即各初始识别特征)进行第一预设加权特征融合,得到通道注意力模块过滤后生成的通道识别特征,其中对应的第一预设加权特征融合公式可以如下所示:
式中,为通道识别特征,/>为初始识别特征,/>为各初始识别特征对应的通道注意力权重得分,/>表示逐元素相乘。
步骤S2022:通过所述预设空间注意力单元对所述通道识别特征进行空间注意力运算,获得空间识别特征;
需要说明的是,如图4所示,上述通道注意力运算的过程可以是:通过上述预设空间注意力单元对上述通道识别特征沿通道维度进行预设最大池化运算,获得第一空间特征;通过预设空间注意力单元对通道识别特征沿通道维度进行预设平均池化运算,获得第二空间特征;通过预设空间注意力单元根据预设空间网络、第一空间特征和第二空间特征确定空间注意力权重得分;通过预设空间注意力单元基于空间注意力权重得分对通道特征进行第二预设加权特征融合,获得空间识别特征。
需要理解的是,本实施例中进行空间运算力运算时的预设最大池化运算和预设平均池化运算的窗宽需与各通道识别特征的尺寸保持一致。在对通道识别特征进行预设最大池化运算和预设平均池化运算后可实现通道识别特征的通道信息降维,抑制特征空间维度的无关特征或次要特征的表达,并保留特征空间维度的主要信息,即上述第一空间特征和第二空间特征。
需要说明的是,上述预设空间网络的公式为:
式中,为空间注意力权重得分,/>为Sigmoid激活函数,/>为预设卷积运算函数,/>为拼接函数,/>为第一空间特征,/>为第二空间特征。
易理解的是,上述S为进行空间注意力运算时的特征通道数;上述拼接函数可用于将上述第一空间识别特征和第二空间识别特征连接成一个拼接特征;上述预设卷积运算函数则可以用于对该拼接特征进行卷积核为7x7的卷积运算;最后上述预设空间网络通过Sigmoid激活函数将卷积运算后得到的特征转变为0~1之间的连续值,即获得上述空间注意力权重得分/>。基于该空间注意力权重得分/>即可为各通道识别特征赋予相对应的空间权重,进而针对性地突出各通道识别特征中与异常细胞识别相关的空间特征。
需要理解的是,在获得空间注意力权重得分后,即可通过空间注意力权重得分对下层特征(即各通道识别特征)进行第二预设加权特征融合,得到通过空间注意力模块过滤后生成的空间识别特征,其中对应的第二预设加权特征融合公式可以如下所示:
式中,为空间识别特征,/>为通道识别特征,/>为各通道识别特征对应的空间注意力权重得分,/>表示逐元素相乘。
步骤S2023:基于所述预设融合单元对所述初始识别特征和所述空间识别特征进行特征融合,获得关键识别特征。
需要理解的是,不同于现有的仅利用简单加和的方式融合多尺度特征的特征融合方法,本实施例可通过预设双注意力模块对不同尺度的初始识别特征进行加权融合,具体来说,本实施例可通过预设通道注意力单元和预设空间注意力单元先后从通道注意力和空间注意力两个维度对初始识别特征进行过滤,即加权融合,再将加权融合后获得的特征向下传递参与下层特征融合过程,从而由初始识别特征得到关键识别特征。具体对应的运算公式可如下所示:
式中,(i=1,2,3)、/>和/>均为关键识别特征,/>为空间识别特征,为预设最大池化运算,/>为上采样函数,/>表示逐元素相加。
需要说明的是,如图3所示,最后一层初始识别特征由于并不存在对应的上层特征,因此本实施例可直接将/>作为一个关键识别特征/>,再通过对/>进行上述预设最大池化运算获得另一个关键识别特征/>。
易理解的是,如图3所示,各层关键识别特征的并不一致,因此上述上采样函数可用于使关键识别特征的上层特征/>(i=1,2,3)的尺寸匹配底层特征(即各关键识别特征/>(i=1,2,3)),上采样的方法可以是:双线性插值法、最邻近元法或反卷积法,具体地,本实施例可采用双线性插值对关键识别特征的上层特征/>(i=1,2,3)进行尺寸放大。对上述关键识别特征进行上采样后可使得模型更加平衡地处理所有类别的特征,从而提高模型的预测准确率,如图3和图4所示,预设融合单元可将上采样特征/>和各空间识别特征/>进行逐元素相加融合,得到关键识别特征/>,i=1,2,3。综上所述,最后将关键识别特征/>(i=1,2,3)、/>和/>确定为最终的关键识别特征。
步骤S30:基于预设RPN网络和所述关键识别特征确定异常细胞的坐标,并通过所述异常细胞的坐标在所述目标病理图像中对所述异常细胞进行标注。
可以理解的是,本实施例中上述异常细胞可为:宫颈癌前病变细胞或宫颈癌变细胞。本实施例在基于上述预设双注意力卷积神经网络在通道维度和空间维度对初始识别特征进行过滤后,可凸显目标病理图像中与宫颈癌相关的主要特征,从而抑制次要和冗余特征,使特征学习更加准确和高效。进一步地,本实施例可基于预设RPN网络和上述关键识别特征进行异常细胞的定位,并根据异常细胞的定位坐标在目标病理图像中进行标注,以便后续相关工作人员可基于标注后的目标病理图像进行进一步的数据分析。
本实施例公开了一种异常细胞识别方法,该方法包括:对源病理图像进行预处理,获得目标病理图像,源病理图像包括宫颈细胞病理图像;通过预设卷积神经网络对目标病理图像进行特征提取,获得初始识别特征;通过预设通道注意力单元对初始识别特征进行通道注意力运算,获得通道识别特征;通过预设空间注意力单元对通道识别特征进行空间注意力运算,获得空间识别特征;基于预设融合单元对初始识别特征和空间识别特征进行特征融合,获得关键识别特征;基于预设RPN网络和关键识别特征确定异常细胞的坐标,并通过异常细胞的坐标在目标病理图像中对异常细胞进行标注。因此,不同于现有的仅利用简单加和的方式融合特征的异常细胞识别方法,本实施例可通过预设通道注意力单元和预设空间注意力单元为目标病理图像不同的位置赋予相对应的权重,在预设卷积神经网络中提取的初始识别特征中有针对性地突出与异常细胞识别相关的特征,即上述通道识别特征和上述空间识别特征,从而抑制无关特征或次要特征的表达,进而提高了识别准确率。同时,本实施例还可通过预设融合单元有效地对不同尺寸水平的初始识别特征和空间识别特征进行融合,减少小尺寸细胞漏检的出现,从而降低漏检率,进一步提高了异常细胞识别的识别准确率。
参照图5,图5为本发明异常细胞识别方法第二实施例的流程示意图,基于上述图2所示的实施例,提出本发明异常细胞识别方法的第二实施例。
可理解的是,对于疾病的细胞病理图像,识别出其中异常细胞的位置意义重大。因为在确定异常细胞的位置的基础上,才能进一步对异常细胞进行分类或者分型以便进行后续研究。例如,当对宫颈细胞病理图像进行评估时,需识别出宫颈细胞病理图像中可能存在的炎性细胞、癌前病变细胞或者宫颈癌细胞,后续才可依据分类结果做更详细、更准确的数据分析,并可及时根据定位结果检查异常识别的准确率。
进一步地,本实施例中,步骤S30具体包括:
步骤S301:基于预设RPN网络和所述关键识别特征确定候选区域;
需要说明的是,上述候选区域可以是各关键识别特征中可能包含异常细胞的区域,具体地可用矩形框标注。假设关键识别特征(i=1,2,3,4,5)中共有k个可能存在的矩形框(锚),上述预设RPN网络可将每个矩形框对应的特征作为输入,预设RPN网络可将每个矩阵框判别为正框(包含异常细胞)或负框(不包含异常细胞),最后将正框作为可能的候选框输出。在实际应用中,上述预设RPN网络可分析各锚为正框的概率,并以此对各候选框进行筛选,将其中概率超过预设概率阈值的区域输出为建议区域,即上述候选区域;还可同时输出坐标建议,即输出各候选区域的具体坐标。
步骤S302:通过所述候选区域和所述关键识别特征确定候选区域特征;
需要说明的是,本实施例在确定上述候选区域后可通过预设ROI池化层来确定候选区域特征。该预设ROI池化层可在上述预设双注意力卷积神经网络提取的关键识别特征和候选区域输入后,将各候选区域映射到对应的关键识别特征上,从而提取并获得各候选区域对应的候选区域特征。
步骤S303:根据所述候选区域特征确定异常细胞的坐标,并通过所述异常细胞的坐标在所述目标病理图像中对所述异常细胞进行标注。
需要说明的是,本实施例可将上述候选区域特征输入预先训练的预设细胞分类器来确定是否存在异常细胞。该预设细胞分类器可以是支持向量机,也可以是全连接神经网络。预设细胞分类器可基于上述候选区域特征对各候选区域进行分类判别,即预测的候选框包含的某一类别异常细胞的概率。本实施例还可利用外接框回归网络(边界框回归)获得各候选区域的位置坐标,最后基于获取的坐标位置在上述目标病理图像中以高亮或框选的形式进行异常细胞的标注。
可理解的是,本实施例可通过上述预设双注意力卷积神经网络、预设RPN网络、预设ROI池化层和预设细胞分类器构建了可识别宫颈细胞病理图像中是否包含癌前病变细胞或癌变细胞等异常细胞的目标异常细胞识别网络模型,因此本实施例可通过深度学习算法端到端的训练方式自动从目标病理图像中提取异常细胞识别相关的特征,减少目标病理图像外观差异所导致的偏倚。
需要理解的是,本实施例可采用随机梯度下降法(stochasticgradientdescent,SGD)、动量法或自适应学习率法来更新上述模型(预设双注意力卷积神经网络、预设RPN网络、预设ROI池化层和预设细胞分类器)的参数,模型更新方法可根据具体实际情况设置。若本实施例采用随机梯度下降法来对上述模型进行优化,在优化过程中设置的学习率越大,则模型收敛速度越快,但易造成损失值爆炸,模型过于振荡容易发散;学习率越小,模型收敛速度越慢,但输出误差对参数的影响就越小。因此,本实施例为了合适地提高模型的收敛速度,本实施例可基于预设学习率衰减公式进行学习率的更新,该预设学习率衰减公式可为:
式中,其中为初始学习率,/>表示选代次数为x时的学习率,/>为学习率衰减因子。
需要说明的是,上述学习率衰减因子本实施例可设为0.1,以使训练后期学习率越来越小,提高模型训练的准确率。同时,预设学习率衰减公式各分段对应的x的取值空间也可根据实际情况进行调整,本实施例对此不加限制。基于上述预设学习率衰减公式,本实施例针对不同任务进行精细地调参,提高模型训练的准确率。
可以理解的是,为了降低上述模型的过拟合风险,本实施例可对图像进行数据增强,具体地,可采用图像随机水平翻转、垂直翻转、旋转、亮度变化和高斯模糊等,以助于上述模型更好地适应目标识别图像的各种变异情况。
易理解的是,以防出现差错,本实施例还可通过现有的异常细胞识别方法构建神经网络来对上述目标识别图像进行识别,并基于识别结果来对比本实施例所提出的异常细胞识别方法的准确度,进而验证上述目标异常细胞识别网络模型的可信度。
因此,进一步地,本实施例中,步骤S30之后还包括:
步骤S40:基于所述异常细胞的标注结果获得目标识别图像;
步骤S50:通过预设对比网络对所述目标病理图像进行异常细胞的识别,并获得对比识别图像;
步骤S60:分别对所述目标识别图像和所述对比识别图像进行预设验证分析,并基于分析结果验证目标识别图像的可信度。
需要理解的是,本实施例可从细胞水平、图像块水平和患者水平来检测目标识别图像的识别准确性,进而验证目标识别图像的可信度。具体地,本实施例可通过检测并对比异常细胞的识别准确性、图像块分类准确性和患者分类准确性来验证目标识别图像的可信度。而上述预设对比网络可以是基于Faster RCNN架构的方法构建的神经网络。
具体地,在异常细胞的识别准确性方面,本实施例可根据目标检测衡量指标,即平均精确度值,来检测细胞水平的识别准确性。平均精确度值通常介于0和1之间,平均精确度值越接近1,说明检测效果越好。此外,由于一张图像上可能存在多个异常细胞,本实施例也可通过绘制上述目标异常细胞识别网络模型和上述预设对比网络分别在不同的骨干网络(即上述预设卷积神经网络)时的自由响应接收机工作特性曲线(FROC),以通过检测上述目标异常细胞识别网络模型和上述预设对比网络在多个异常细胞存在情况下的识别效果来进一步判别细胞水平的识别准确性。在实际应用中,在绘制FROC曲线时若设置横轴为平均每张图像识别错误的细胞数量,纵轴为异常细胞识别的灵敏度,则FROC曲线下面积越大,表明识别效果越好。此外,本实施例还可以直接检测通过目标识别图像和对比识别图像的可视化图像中是否存在漏检或误检来进行细胞水平的可信度验证。
在图像块分类准确性方面,本实施例可基于上述目标识别图像和上述对比识别图像中包含的异常细胞图像块以及各异常细胞对应的异常概率来分别训练目标图像分类器和对比图像分类器,再基于训练完成后的目标图像分类器和对比图像分类器的分类准确率来验证目标识别图像的可信度,易理解的是,分类准确率越高的图像分类器对应的图像块分类准确性越高。
在患者分类准确性方面,本实施例可基于图像分类器的分类结果进一步训练患者水平分类器,再基于训练后的目标患者水平分类器和对比患者水平分类器的分类准确率来进一步验证目标识别图像的可信度,可理解的是,分类准确率越高的患者水平分类器对应的患者分类准确性越高。
除此之外,本实施例还可使用灵敏度(sensitivity)、特异度(specificity)及准确率(accuracy)检测上述目标异常细胞识别网络模型在特定阈值下的判别效果,进而检验目标识别图像的可信度。易理解的是,若检验结果为目标识别图像的可信度不高时,可对上述预设对比网络进行模型更新,并基于更新后的模型再次进行异常细胞识别和可信度检验,直至目标识别图像的可信度检验通过。
本实施例基于预设RPN网络和关键识别特征确定候选区域;通过候选区域和关键识别特征确定候选区域特征;基于候选区域特征确定异常细胞的坐标,并通过异常细胞的坐标在目标病理图像中对异常细胞进行标注。并基于异常细胞的标注结果获得目标识别图像;过预设对比网络对目标病理图像进行异常细胞的识别,并获得对比识别图像;分别对目标识别图像和对比识别图像进行预设验证分析,并基于分析结果验证目标识别图像的可信度。因此本实施例可自动从目标病理图像中提取异常细胞识别相关的特征,减少病理图像外观差异所导致的偏倚,提高了异常细胞识别的准确性。同时,本实施例还可实现异常细胞的精确定位,并直接将异常细胞的位置在目标病理图像中进行标注,不仅减轻了用户的工作量,也便于后续对异常细胞在目标病理图像中的标注结果进行分类和准确性检测,有利于及时更新识别模型的参数,提高异常细胞检测的准确性,从而提高了用户体验。此外,本实施例还从细胞水平、图像块水平和患者水平等三个方面对目标病理图像和对比病理图像进行检测和对比,进一步验证了目标异常细胞识别网络模型的可信度,从而提高了本实施例提出的异常细胞识别方法的真实性。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有异常细胞识别程序,所述异常细胞识别程序被处理器执行时实现如上文所述的异常细胞识别方法的步骤。
参考图6,图6为本发明异常细胞识别装置第一实施例的结构框图。
如图6所示,本发明实施例提出的异常细胞识别装置包括:
图像预处理模块601,用于对源病理图像进行预处理,获得目标病理图像,所述源病理图像包括宫颈细胞病理图像;
特征过滤模块602,用于通过预设双注意力卷积神经网络对所述目标病理图像进行通道维度和空间维度的特征过滤,获得关键识别特征;
异常细胞定位模块603,用于基于预设RPN网络和所述关键识别特征确定异常细胞的坐标,并通过所述异常细胞的坐标在所述目标病理图像中对所述异常细胞进行标注。
进一步地,作为一种实施方式,本实施例中所述特征过滤模块602,还用于通过所述预设卷积神经网络对所述目标病理图像进行特征提取,获得初始识别特征;
所述特征过滤模块602,还用于通过所述预设双注意力模块对所述初始识别特征进行通道维度和空间维度的加权融合,获得关键识别特征。
所述特征过滤模块602,还用于通过所述预设通道注意力单元对所述初始识别特征进行通道注意力运算,获得通道识别特征;
所述特征过滤模块602,还用于通过所述预设空间注意力单元对所述通道识别特征进行空间注意力运算,获得空间识别特征;
所述特征过滤模块602,还用于基于所述预设融合单元对所述初始识别特征和所述空间识别特征进行特征融合,获得关键识别特征。
本实施例通过对源病理图像进行预处理,获得目标病理图像,源病理图像包括宫颈细胞病理图像;通过预设卷积神经网络对目标病理图像进行特征提取,获得初始识别特征;通过预设通道注意力单元对初始识别特征进行通道注意力运算,获得通道识别特征;通过预设空间注意力单元对通道识别特征进行空间注意力运算,获得空间识别特征;基于预设融合单元对初始识别特征和空间识别特征进行特征融合,获得关键识别特征;基于预设RPN网络和关键识别特征确定异常细胞的坐标,并通过异常细胞的坐标在目标病理图像中对异常细胞进行标注。因此,不同于现有的仅利用简单加和的方式融合特征的异常细胞识别方法,本实施例可通过预设通道注意力单元和预设空间注意力单元为目标病理图像不同的位置赋予相对应的权重,在预设卷积神经网络中提取的初始识别特征中有针对性地突出与异常细胞识别相关的特征,即上述通道识别特征和上述空间识别特征,从而抑制无关特征或次要特征的表达,进而提高了识别准确率。同时,本实施例还可通过预设融合单元有效地对不同尺寸水平的初始识别特征和空间识别特征进行融合,减少小尺寸细胞漏检的出现,从而降低漏检率,进一步提高了异常细胞识别的识别准确率。
基于本发明上述任务调度装置第一实施例,提出本发明任务调度装置的第二实施例。
在本实施例中,所述异常细胞定位模块603,还用于基于预设RPN网络和所述关键识别特征确定候选区域;
所述异常细胞定位模块603,还用于通过所述候选区域和所述关键识别特征确定候选区域特征;
所述异常细胞定位模块603,还用于根据所述候选区域特征确定异常细胞的坐标,并通过所述异常细胞的坐标在所述目标病理图像中对所述异常细胞进行标注。
进一步地,作为一种实施方式,本实施例中所述异常细胞定位模块603,还用于基于所述异常细胞的标注结果获得目标识别图像;
所述异常细胞定位模块603,还用于通过预设对比网络对所述目标病理图像进行异常细胞的识别,并获得对比识别图像;
所述异常细胞定位模块603,还用于分别对所述目标识别图像和所述对比识别图像进行预设验证分析,并基于分析结果验证目标识别图像的可信度。
本实施例基于预设RPN网络和关键识别特征确定候选区域;通过候选区域和关键识别特征确定候选区域特征;基于候选区域特征确定异常细胞的坐标,并通过异常细胞的坐标在目标病理图像中对异常细胞进行标注。并基于异常细胞的标注结果获得目标识别图像;过预设对比网络对目标病理图像进行异常细胞的识别,并获得对比识别图像;分别对目标识别图像和对比识别图像进行预设验证分析,并基于分析结果验证目标识别图像的可信度。因此本实施例可自动从目标病理图像中提取异常细胞识别相关的特征,减少病理图像外观差异所导致的偏倚,提高了异常细胞识别的准确性。同时,本实施例还可实现异常细胞的精确定位,并直接将异常细胞的位置在目标病理图像中进行标注,不仅减轻了用户的工作量,也便于后续对异常细胞在目标病理图像中的标注结果进行分类和准确性检测,有利于及时更新识别模型的参数,提高异常细胞检测的准确性,从而提高了用户体验。此外,本实施例还从细胞水平、图像块水平和患者水平等三个方面对目标病理图像和对比病理图像进行检测和对比,进一步验证了目标异常细胞识别网络模型的可信度,从而提高了本实施例提出的异常细胞识别方法的真实性。
本发明异常细胞识别装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种异常细胞识别方法,其特征在于,所述异常细胞识别方法包括以下步骤:
对源病理图像进行预处理,获得目标病理图像,所述源病理图像包括宫颈细胞病理图像;
通过预设双注意力卷积神经网络对所述目标病理图像进行通道维度和空间维度的特征过滤,获得关键识别特征;
基于预设RPN网络和所述关键识别特征确定异常细胞的坐标,并通过所述异常细胞的坐标在所述目标病理图像中对所述异常细胞进行标注。
2.如权利要求1所述的异常细胞识别方法,其特征在于,所述预设双注意力卷积神经网络包括:预设卷积神经网络和预设双注意力模块;
所述通过预设双注意力卷积神经网络对所述目标病理图像进行通道维度和空间维度的特征过滤,获得关键识别特征的步骤,包括:
通过所述预设卷积神经网络对所述目标病理图像进行特征提取,获得初始识别特征;
通过所述预设双注意力模块对所述初始识别特征进行通道维度和空间维度的加权融合,获得关键识别特征。
3.如权利要求2所述的异常细胞识别方法,其特征在于,所述预设双注意力模块包括:预设通道注意力单元、预设空间注意力单元和预设融合单元;
所述通过所述预设双注意力模块对所述初始识别特征进行通道维度和空间维度的加权融合,获得关键识别特征的步骤包括:
通过所述预设通道注意力单元对所述初始识别特征进行通道注意力运算,获得通道识别特征;
通过所述预设空间注意力单元对所述通道识别特征进行空间注意力运算,获得空间识别特征;
基于所述预设融合单元对所述初始识别特征和所述空间识别特征进行特征融合,获得关键识别特征。
4.如权利要求3所述的异常细胞识别方法,其特征在于,所述通过所述预设通道注意力单元对所述初始识别特征进行通道注意力运算,获得通道识别特征的步骤,包括:
通过所述预设通道注意力单元对所述初始识别特征的上层特征沿空间维度进行预设最大池化运算,获得第一通道特征;
通过所述预设通道注意力单元对所述初始识别特征的上层特征沿空间维度进行预设平均池化运算,获得第二通道特征;
通过所述预设通道注意力单元根据预设通道网络、所述第一通道特征和所述第二通道特征确定通道注意力权重得分;
通过所述预设通道注意力单元基于所述通道注意力权重得分对所述初始识别特征进行第一预设加权特征融合,获得通道识别特征;
其中,所述预设通道网络的公式为:
式中,为通道注意力权重得分,/>为乙状结肠激活函数,/>为预设全连接神经网络,/>为第一通道特征,/>为第二通道特征。
5.如权利要求4所述的异常细胞识别方法,其特征在于,所述通过所述预设空间注意力单元对所述通道识别特征进行空间注意力运算,获得空间识别特征的步骤,包括:
通过所述预设空间注意力单元对所述通道识别特征沿通道维度进行所述预设最大池化运算,获得第一空间特征;
通过所述预设空间注意力单元对所述通道识别特征沿通道维度进行所述预设平均池化运算,获得第二空间特征;
通过所述预设空间注意力单元根据预设空间网络、所述第一空间特征和所述第二空间特征确定空间注意力权重得分;
通过所述预设空间注意力单元基于所述空间注意力权重得分对所述通道特征进行第二预设加权特征融合,获得空间识别特征;
其中,所述预设空间网络的公式为:
式中,为空间注意力权重得分,/>为Sigmoid激活函数,/>为预设卷积运算函数,/>为拼接函数,/>为第一空间特征,/>为第二空间特征。
6.如权利要求1至5任一项所述的异常细胞识别方法,其特征在于,所述基于预设RPN网络和所述关键识别特征确定异常细胞的坐标,并通过所述异常细胞的坐标在所述目标病理图像中对所述异常细胞进行标注的步骤,包括:
基于预设RPN网络和所述关键识别特征确定候选区域;
通过所述候选区域和所述关键识别特征确定候选区域特征;
根据所述候选区域特征确定异常细胞的坐标,并通过所述异常细胞的坐标在所述目标病理图像中对所述异常细胞进行标注。
7.如权利要求6所述的异常细胞识别方法,其特征在于,所述基于预设RPN网络和所述关键识别特征确定异常细胞的坐标,并通过所述异常细胞的坐标在所述目标病理图像中对所述异常细胞进行标注之后,还包括:
基于所述异常细胞的标注结果获得目标识别图像;
通过预设对比网络对所述目标病理图像进行异常细胞的识别,并获得对比识别图像;
分别对所述目标识别图像和所述对比识别图像进行预设验证分析,并基于分析结果验证目标识别图像的可信度。
8.一种异常细胞识别装置,其特征在于,所述异常细胞识别装置包括:
图像预处理模块,用于对源病理图像进行预处理,获得目标病理图像,所述源病理图像包括宫颈细胞病理图像;
特征过滤模块,用于通过预设双注意力卷积神经网络对所述目标病理图像进行通道维度和空间维度的特征过滤,获得关键识别特征;
异常细胞定位模块,用于基于预设RPN网络和所述关键识别特征确定异常细胞的坐标,并通过所述异常细胞的坐标在所述目标病理图像中对所述异常细胞进行标注。
9.一种异常细胞识别设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的异常细胞识别程序,所述异常细胞识别程序配置为实现如权利要求1至7中任一项所述的异常细胞识别方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有异常细胞识别程序,所述异常细胞识别程序被处理器执行时实现如权利要求1至7任一项所述的异常细胞识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310851586.1A CN116563848B (zh) | 2023-07-12 | 2023-07-12 | 异常细胞识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310851586.1A CN116563848B (zh) | 2023-07-12 | 2023-07-12 | 异常细胞识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116563848A true CN116563848A (zh) | 2023-08-08 |
CN116563848B CN116563848B (zh) | 2023-11-10 |
Family
ID=87493309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310851586.1A Active CN116563848B (zh) | 2023-07-12 | 2023-07-12 | 异常细胞识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563848B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084794A (zh) * | 2019-04-22 | 2019-08-02 | 华南理工大学 | 一种基于注意力卷积神经网络的皮肤癌图片识别方法 |
CN110263656A (zh) * | 2019-05-24 | 2019-09-20 | 南方科技大学 | 一种癌细胞识别方法、装置和系统 |
CN111881705A (zh) * | 2019-09-29 | 2020-11-03 | 深圳数字生命研究院 | 数据处理、训练、识别方法、装置和存储介质 |
CN112215117A (zh) * | 2020-09-30 | 2021-01-12 | 北京博雅智康科技有限公司 | 一种基于宫颈细胞学图像的异常细胞识别方法及系统 |
CN113781455A (zh) * | 2021-09-15 | 2021-12-10 | 平安科技(深圳)有限公司 | 宫颈细胞图像异常检测方法、装置、设备及介质 |
CN114037671A (zh) * | 2021-11-01 | 2022-02-11 | 大连医科大学附属第二医院 | 一种基于改进Faster RCNN的显微高光谱白细胞检测方法 |
CN115147636A (zh) * | 2022-02-24 | 2022-10-04 | 中国计量大学 | 基于胸部x光图像肺部疾病识别和分类方法 |
CN115810191A (zh) * | 2022-12-29 | 2023-03-17 | 河海大学 | 基于多注意力融合和高精度分割网络的病理细胞分类方法 |
US20230154007A1 (en) * | 2021-11-15 | 2023-05-18 | Elekta Limited | Few-shot semantic image segmentation using dynamic convolution |
-
2023
- 2023-07-12 CN CN202310851586.1A patent/CN116563848B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084794A (zh) * | 2019-04-22 | 2019-08-02 | 华南理工大学 | 一种基于注意力卷积神经网络的皮肤癌图片识别方法 |
CN110263656A (zh) * | 2019-05-24 | 2019-09-20 | 南方科技大学 | 一种癌细胞识别方法、装置和系统 |
CN111881705A (zh) * | 2019-09-29 | 2020-11-03 | 深圳数字生命研究院 | 数据处理、训练、识别方法、装置和存储介质 |
CN112215117A (zh) * | 2020-09-30 | 2021-01-12 | 北京博雅智康科技有限公司 | 一种基于宫颈细胞学图像的异常细胞识别方法及系统 |
CN113781455A (zh) * | 2021-09-15 | 2021-12-10 | 平安科技(深圳)有限公司 | 宫颈细胞图像异常检测方法、装置、设备及介质 |
CN114037671A (zh) * | 2021-11-01 | 2022-02-11 | 大连医科大学附属第二医院 | 一种基于改进Faster RCNN的显微高光谱白细胞检测方法 |
US20230154007A1 (en) * | 2021-11-15 | 2023-05-18 | Elekta Limited | Few-shot semantic image segmentation using dynamic convolution |
CN115147636A (zh) * | 2022-02-24 | 2022-10-04 | 中国计量大学 | 基于胸部x光图像肺部疾病识别和分类方法 |
CN115810191A (zh) * | 2022-12-29 | 2023-03-17 | 河海大学 | 基于多注意力融合和高精度分割网络的病理细胞分类方法 |
Non-Patent Citations (1)
Title |
---|
夏铭阳: "基于卷积神经网络的宫颈癌细胞医学图像检测", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN116563848B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111696094B (zh) | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 | |
Li et al. | A multi-scale u-net for semantic segmentation of histological images from radical prostatectomies | |
CN111462042B (zh) | 癌症预后分析方法及系统 | |
EP3570753A1 (en) | Method and system for assisting pathologist identification of tumor cells in magnified tissue images | |
CN108416379A (zh) | 用于处理宫颈细胞图像的方法和装置 | |
CN113269257A (zh) | 一种图像分类方法、装置、终端设备及存储介质 | |
US11170501B2 (en) | Image analysis device | |
CN111008576A (zh) | 行人检测及其模型训练、更新方法、设备及可读存储介质 | |
CN116596875B (zh) | 晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
Wang et al. | Detection of glands and villi by collaboration of domain knowledge and deep learning | |
CN114972202A (zh) | 一种基于轻量级的神经网络的Ki67病理细胞快速检测计数方法 | |
KR20190114241A (ko) | 딥러닝 기반의 독성조류 판별 및 셀카운팅 장치 및 그 방법 | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
Lee et al. | Image analysis using machine learning for automated detection of hemoglobin H inclusions in blood smears-a method for morphologic detection of rare cells | |
CN113902687A (zh) | 确定抗体的阴阳性及滴度的方法、设备和介质 | |
CN112703531A (zh) | 生成组织图像的注释数据 | |
CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
CN113496260A (zh) | 基于改进YOLOv3算法的粮库人员不规范作业检测法 | |
CN116152576B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN116563848B (zh) | 异常细胞识别方法、装置、设备及存储介质 | |
KR20220001918A (ko) | 강판 미세조직 상 분류 장치 및 방법 | |
CN111861916A (zh) | 病理图片的处理方法 | |
CN111582057A (zh) | 一种基于局部感受野的人脸验证方法 | |
CN116385957A (zh) | 一种x光图像违禁品检测方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |