本發(fā)明涉及細(xì)胞圖像處理技術(shù)領(lǐng)域，具體是一種基于卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞圖像識(shí)別方法。

背景技術(shù)：

在我國，目前傳統(tǒng)的宮頸細(xì)胞圖像識(shí)別方法主要還是巴氏人工閱片技術(shù)，巴氏人工閱片技術(shù)要靠人在鏡下觀察大量細(xì)胞圖像，工作強(qiáng)度大，而且極易使人感到疲勞，識(shí)別的準(zhǔn)確率和識(shí)別效率低下。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的不足，而提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞圖像識(shí)別方法。

這種方法自動(dòng)化程度高、自適應(yīng)能力強(qiáng)，不但能提高宮頸細(xì)胞圖像識(shí)別的效率，而且也能提高宮頸細(xì)胞圖像識(shí)別的準(zhǔn)確率。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是：

一種基于卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞圖像識(shí)別方法，包括如下步驟:

1)準(zhǔn)備訓(xùn)練樣本：

(1-1)讀入現(xiàn)有圖庫中的宮頸細(xì)胞圖像作為訓(xùn)練樣本并分類：將讀入的所有的宮頸細(xì)胞圖像分為正常宮頸細(xì)胞訓(xùn)練樣本和病變宮頸細(xì)胞訓(xùn)練樣本；

(1-2)灰度化：將宮頸細(xì)胞圖像預(yù)處理為灰度圖像塊，并將宮頸細(xì)胞圖像中的彩色圖片轉(zhuǎn)化為灰度圖像，然后把得到的灰度圖像尺寸歸一化為32*32的灰度圖像塊；

2)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)層：構(gòu)建一個(gè)具有自適應(yīng)識(shí)別分類功能的包括加入BN算法的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)為一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，通過可訓(xùn)練的卷積核作為濾波器，對(duì)圖像進(jìn)行逐層濾波，并將每一層濾波結(jié)果進(jìn)行自動(dòng)組合，最終自動(dòng)提取出對(duì)分類最有利的特征，提取完特征之后，從所有特征參數(shù)中根據(jù)分類類別不同，進(jìn)行參數(shù)分類，之后對(duì)不同類別之間的特征參數(shù)進(jìn)行組和合訓(xùn)練和識(shí)別，并根據(jù)識(shí)別結(jié)果的不同，調(diào)整訓(xùn)練特征向量，當(dāng)根據(jù)本次特征參數(shù)組合獲得的識(shí)別結(jié)果小于之前的識(shí)別結(jié)果時(shí)，則根據(jù)現(xiàn)有的特征向量，添加或刪除相應(yīng)的特征參數(shù)，以期再次識(shí)別時(shí)獲得更高的識(shí)別率；

提取宮頸細(xì)胞的特征包括形態(tài)、色度、光密度、紋理特征等，其中形態(tài)特征包括細(xì)胞(核)面積、周長(zhǎng)、高度、寬度、圓形度、矩形度、伸長(zhǎng)度等，色度特征包括細(xì)胞核(質(zhì))在RGB顏色分量上的均值、方差和色度變化系數(shù)等，光密度特征包括細(xì)胞核(質(zhì))的積分光密度、平均光密度、光密度系數(shù)等，紋理特征使用Haralick兩特征和Tamura的兩種特征，共四種紋理特征；

改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)可以將圖像數(shù)據(jù)直接作為網(wǎng)絡(luò)輸入變量，經(jīng)網(wǎng)絡(luò)處理之后產(chǎn)生作為結(jié)果的分類號(hào)，實(shí)現(xiàn)端到端的處理，減少或避免圖像預(yù)處理和人工特征抽取等復(fù)雜過程；

(3)構(gòu)建二分類器：將步驟1)得到的正常宮頸細(xì)胞訓(xùn)練樣本和病變宮頸細(xì)胞訓(xùn)練樣本輸入改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)被訓(xùn)練為能夠識(shí)別正常宮頸細(xì)胞和病變宮頸細(xì)胞的二分類器；

(4)得到識(shí)別結(jié)果：將待測(cè)試的宮頸細(xì)胞圖片輸入改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)進(jìn)行識(shí)別、歸類。

所述加入BN算法的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)為在經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中加入了批歸一化算法，即在每一個(gè)卷積層與下采樣層之后都連接一個(gè)BN層，在下采樣S2之后連接3個(gè)全連接層，全連接層后同樣各自接入相應(yīng)BN層，最后一層全連接層使用sigmoid激活函數(shù)，直接輸出圖像。

所述批歸一化算法，即BN算法為：

BN層和卷積層，下采樣層和全連接層一樣，也是網(wǎng)絡(luò)中的一層結(jié)構(gòu)，是一個(gè)歸一化的過程，進(jìn)行標(biāo)準(zhǔn)化維度：

式(1)把上一層的輸出轉(zhuǎn)變?yōu)闃?biāo)準(zhǔn)正態(tài)分布，訓(xùn)練過程中采用mini-batch隨機(jī)梯度下降，E[x^(k)]指每一批訓(xùn)練數(shù)據(jù)神經(jīng)元x^(k)的期望值，為x^(k)激活值的標(biāo)準(zhǔn)差，同時(shí)為防止影響每一層學(xué)習(xí)到的特征，引入變換重構(gòu)，加入可學(xué)習(xí)參數(shù)γ和β：

式(2)把轉(zhuǎn)變?yōu)檎龖B(tài)分布的特征在一定程度上還原回去，讓它保持它的初始分布趨勢(shì)，還原程度則是由卷積神經(jīng)網(wǎng)絡(luò)自己學(xué)習(xí)得來，設(shè)置可以恢復(fù)原始激活值，即恢復(fù)出原始某層學(xué)到的特征，γ和β的引入可以讓卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)恢復(fù)出原始網(wǎng)絡(luò)要學(xué)習(xí)的特征分布，Batch Normalization前向傳導(dǎo)公式為：

式(3)是一批mini-batch中所有樣本里的每個(gè)樣本在同一神經(jīng)元上的輸入均值，式(4)為一批mini-batch中所有樣本里的每個(gè)樣本在同一神經(jīng)元上的輸入方差，式(5)是把這批mini-batch中所有樣本里的每個(gè)樣本在同一神經(jīng)元上的輸入進(jìn)行標(biāo)準(zhǔn)化后得到的結(jié)果，式(6)為同構(gòu)變換。

這種方法自動(dòng)化程度高、自適應(yīng)能力強(qiáng)，不但能提高宮頸細(xì)胞圖像識(shí)別的效率，而且也能提高宮頸細(xì)胞圖像識(shí)別的準(zhǔn)確率。

附圖說明

圖1是C3層特征圖組合；

圖2為實(shí)施例改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖；

圖3為實(shí)施例的方法流程示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明內(nèi)容做進(jìn)一步的闡述，但不是對(duì)本發(fā)明的限定。

實(shí)施例：

參照?qǐng)D3，一種基于卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞圖像識(shí)別方法，包括如下步驟:

1)準(zhǔn)備訓(xùn)練樣本：

(1-1)讀入現(xiàn)有圖庫中的宮頸細(xì)胞圖像作為訓(xùn)練樣本并分類：將讀入的所有的宮頸細(xì)胞圖像分為正常宮頸細(xì)胞訓(xùn)練樣本和病變宮頸細(xì)胞訓(xùn)練樣本；

(1-2)灰度化：將宮頸細(xì)胞圖像預(yù)處理為灰度圖像塊，并將宮頸細(xì)胞圖像中的彩色圖片轉(zhuǎn)化為灰度圖像，然后把得到的灰度圖像尺寸歸一化為32*32的灰度圖像塊；

2)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)層：構(gòu)建一個(gè)具有自適應(yīng)識(shí)別分類功能的包括加入BN算法的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)為一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，通過可訓(xùn)練的卷積核作為濾波器，對(duì)圖像進(jìn)行逐層濾波，并將每一層濾波結(jié)果進(jìn)行自動(dòng)組合，最終自動(dòng)提取出對(duì)分類最有利的特征，提取完特征之后，從所有特征參數(shù)中根據(jù)分類類別不同，進(jìn)行參數(shù)分類，之后對(duì)不同類別之間的特征參數(shù)進(jìn)行組和合訓(xùn)練和識(shí)別，并根據(jù)識(shí)別結(jié)果的不同，調(diào)整訓(xùn)練特征向量，當(dāng)根據(jù)本次特征參數(shù)組合獲得的識(shí)別結(jié)果小于之前的識(shí)別結(jié)果時(shí)，則根據(jù)現(xiàn)有的特征向量，添加或刪除相應(yīng)的特征參數(shù)，以期再次識(shí)別時(shí)獲得更高的識(shí)別率；

如圖2所示，本實(shí)施例中采用的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，改進(jìn)加入BN層，在每一個(gè)卷積層與下采樣層之后都連接一個(gè)BN層，在下采樣S2之后連接3個(gè)全連接層，全連接層后同樣各接入相應(yīng)BN層。卷積神經(jīng)網(wǎng)絡(luò)是專為二維圖像而設(shè)計(jì)的拓?fù)浣Y(jié)構(gòu)，最重要的特點(diǎn)是特征提取與模式分類同時(shí)進(jìn)行，優(yōu)于淺層機(jī)器學(xué)習(xí)算法的模式分類要額外提取圖像特征。此外，卷積神經(jīng)網(wǎng)絡(luò)的權(quán)值共享減少了網(wǎng)絡(luò)的訓(xùn)練參數(shù)，再加上其多次特征提取，使其具有很強(qiáng)的魯棒性；

如圖2所示的11層卷積神經(jīng)網(wǎng)絡(luò)，包括兩個(gè)卷積層，即特征提取層，兩個(gè)下采樣層，即特征映射層，四個(gè)BN層和三個(gè)全連層，前兩次卷積層即C層后都緊跟著一個(gè)BN層，然后接一層用來求局部加權(quán)平均的下采樣層即S層作為二次特征提取，這種特有的兩次特征提取相結(jié)合的結(jié)構(gòu)使網(wǎng)絡(luò)在模式分類時(shí)對(duì)輸入圖片具有一定的容忍噪聲的能力，即表現(xiàn)為網(wǎng)絡(luò)的魯棒性；

卷積神經(jīng)網(wǎng)絡(luò)的輸入層是32*32的灰度圖，卷積層C1有6張?zhí)卣鲌D，下采樣層S2有6張?zhí)卣鲌D，卷積層C3由S2層的6張?zhí)卣鲌D經(jīng)卷積后組合得到16張?zhí)卣鲌D，組合方式如圖1所示,下采樣層S4有16張?zhí)卣鲌D，全連接層C5設(shè)置84個(gè)節(jié)點(diǎn)，全連接層F6設(shè)置120個(gè)節(jié)點(diǎn)，輸出層設(shè)置兩個(gè)節(jié)點(diǎn)；

C1層經(jīng)過5*5的卷積模板卷積后，6個(gè)特征圖的大小均為28*28，特征圖中每個(gè)神經(jīng)元與輸入中5*5的卷積模板相連，每個(gè)濾波器5*5共25個(gè)元參數(shù)和一個(gè)偏置參數(shù)，共6個(gè)濾波器，一共(5*5+1)*6＝156個(gè)可訓(xùn)練參數(shù)，總共156*(28*28)＝122304個(gè)連接；S2層經(jīng)下采樣后得到6個(gè)14*14的特征圖，特征圖中的每個(gè)單元與C1中對(duì)應(yīng)特征圖的2*2領(lǐng)域連接，S2層每個(gè)單元的4個(gè)輸入相加，乘以一個(gè)可訓(xùn)練參數(shù)，再加一個(gè)可訓(xùn)練偏置，下采樣的作用為模糊圖像，使用2*2次采樣模板時(shí)不重疊，因?yàn)镾2中每個(gè)特征圖的大小是14*14，一共(2*2+1)*(14*14)＝5880個(gè)連接；C3層有5*5*60+16＝1516個(gè)可訓(xùn)練參數(shù)；

提取宮頸細(xì)胞的特征包括形態(tài)、色度、光密度、紋理特征等，其中形態(tài)特征包括細(xì)胞(核)面積、周長(zhǎng)、高度、寬度、圓形度、矩形度、伸長(zhǎng)度等，色度特征包括細(xì)胞核(質(zhì))在RGB顏色分量上的均值、方差和色度變化系數(shù)等，光密度特征包括細(xì)胞核(質(zhì))的積分光密度、平均光密度、光密度系數(shù)等，紋理特征使用Haralick兩特征和Tamura的兩種特征，共四種紋理特征；

改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)可以將圖像數(shù)據(jù)直接作為網(wǎng)絡(luò)輸入變量，經(jīng)網(wǎng)絡(luò)處理之后產(chǎn)生作為結(jié)果的分類號(hào)，實(shí)現(xiàn)端到端的處理，減少或避免圖像預(yù)處理和人工特征抽取等復(fù)雜過程；

(3)構(gòu)建二分類器：將步驟1)得到的正常宮頸細(xì)胞訓(xùn)練樣本和病變宮頸細(xì)胞訓(xùn)練樣本輸入改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)被訓(xùn)練為能夠識(shí)別正常宮頸細(xì)胞和病變宮頸細(xì)胞的二分類器，具體為：用一些不同的小隨機(jī)數(shù)初始化網(wǎng)絡(luò)中待訓(xùn)練參數(shù)，向如圖2的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)輸入N1個(gè)訓(xùn)練樣本來訓(xùn)練改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，每個(gè)樣本包括輸入向量，理想輸出向量，輸入向量經(jīng)過層層變換，傳送到輸出層，得到實(shí)際輸出向量；

使用交叉熵?fù)p失函數(shù)，結(jié)合反向傳播BP算法調(diào)整改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，利用均方誤差的反向傳播，完成訓(xùn)練；

(4)得到識(shí)別結(jié)果：將待測(cè)試的宮頸細(xì)胞圖片輸入改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)進(jìn)行識(shí)別、歸類。

所述加入BN算法的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)為在經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中加入了批歸一化算法，即在每一個(gè)卷積層與下采樣層之后都連接一個(gè)BN層，在下采樣S2之后連接3個(gè)全連接層，全連接層后同樣各自接入相應(yīng)BN層，最后一層全連接層使用sigmoid激活函數(shù)，直接輸出圖像。

所述批歸一化算法，即BN算法為：

BN層和卷積層，下采樣層和全連接層一樣，也是網(wǎng)絡(luò)中的一層結(jié)構(gòu)，是一個(gè)歸一化的過程，進(jìn)行標(biāo)準(zhǔn)化維度：

式(1)把上一層的輸出轉(zhuǎn)變?yōu)闃?biāo)準(zhǔn)正態(tài)分布，訓(xùn)練過程中采用mini-batch隨機(jī)梯度下降，E[x^(k)]指每一批訓(xùn)練數(shù)據(jù)神經(jīng)元x^(k)的期望值為x^(k)激活值的標(biāo)準(zhǔn)差，同時(shí)為防止影響每一層學(xué)習(xí)到的特征，引入變換重構(gòu)，加入可學(xué)習(xí)參數(shù)γ和β：

式(2)把轉(zhuǎn)變?yōu)檎龖B(tài)分布的特征在一定程度上還原回去，讓它保持它的初始分布趨勢(shì)，還原程度則是由卷積神經(jīng)網(wǎng)絡(luò)自己學(xué)習(xí)得來，設(shè)置可以恢復(fù)原始激活值，即恢復(fù)出原始某層學(xué)到的特征，γ和β的引入可以讓卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)恢復(fù)出原始網(wǎng)絡(luò)要學(xué)習(xí)的特征分布，Batch Normalization前向傳導(dǎo)公式為：

式(3)是一批mini-batch中所有樣本里的每個(gè)樣本在同一神經(jīng)元上的輸入均值，式(4)為一批mini-batch中所有樣本里的每個(gè)樣本在同一神經(jīng)元上的輸入方差，式(5)是把這批mini-batch中所有樣本里的每個(gè)樣本在同一神經(jīng)元上的輸入進(jìn)行標(biāo)準(zhǔn)化后得到的結(jié)果，式(6)為同構(gòu)變換。