本發(fā)明涉及醫(yī)學(xué)細(xì)胞圖像處理領(lǐng)域，具體涉及一種宮頸細(xì)胞液基涂片人工智能輔助閱片系統(tǒng)。

背景技術(shù)：

宮頸癌是發(fā)生于子宮頸部的惡性腫瘤，它與高危型hpv感染存在著密切的關(guān)系。宮頸癌前病變的早期發(fā)現(xiàn)、診斷及治療是降低子宮頸癌發(fā)病率、死亡率的策略之一。宮頸癌篩查方法簡(jiǎn)便經(jīng)濟(jì)，很多國(guó)家采用篩查手段控制子宮頸癌發(fā)病率、死亡率，降低其疾病負(fù)擔(dān)。

2008年至2016年，北京市共完成宮頸癌免費(fèi)篩查200余萬人，檢出宮頸癌及癌前病變4000余例，宮頸細(xì)胞學(xué)陽性檢出率2.3％，根據(jù)國(guó)外資料結(jié)合我國(guó)部分地區(qū)的研究數(shù)據(jù)，專家推測(cè)我國(guó)正常人群中宮頸細(xì)胞學(xué)的陽性檢出率大致在5-7％之間，而目前北京的檢出率與這一標(biāo)準(zhǔn)差距較大。

宮頸細(xì)胞液基涂片人工智能輔助閱片本身對(duì)于減輕閱片工作者的勞動(dòng)強(qiáng)度、提升閱片準(zhǔn)確率和工作效率、應(yīng)用于大批量的宮頸癌細(xì)胞學(xué)普查等方面將產(chǎn)生積極的作用，其遵循醫(yī)療市場(chǎng)的發(fā)展規(guī)律與需要，符合國(guó)家健康醫(yī)療大數(shù)據(jù)的研究布局，影像信息化和影像智能診斷在醫(yī)療大數(shù)據(jù)產(chǎn)業(yè)中具有重要地位。

美國(guó)和歐洲一些著名的研究機(jī)構(gòu)已經(jīng)開始進(jìn)行宮頸細(xì)胞定量分析和輔助診斷的相關(guān)研究，例如美國(guó)豪洛捷公司的玻片掃描影像分析系統(tǒng)，其能判讀宮頸細(xì)胞液基涂片，一方面系統(tǒng)不能給出最終的分級(jí)診斷結(jié)果，其功能是從涂片中選擇22個(gè)視野供醫(yī)師判讀，醫(yī)師可以不對(duì)其他視野進(jìn)行判讀，以提高閱片的效率；另一方面系統(tǒng)只能判斷該公司自己生產(chǎn)的液基涂片，針對(duì)其它公司的液基涂片不能進(jìn)行判斷，這樣就造成了閱片系統(tǒng)的通用性。國(guó)內(nèi)的武漢蘭丁醫(yī)學(xué)專注于宮頸癌篩查，開發(fā)出基于圖像的dna定量分析的自動(dòng)宮頸癌細(xì)胞檢測(cè)系統(tǒng)，但其在數(shù)據(jù)分析方面缺乏各異細(xì)胞的特征提取，也未能給出判斷結(jié)果的可解釋性。

現(xiàn)有的宮頸細(xì)胞定量分析和輔助診斷方法仍存在明顯缺陷，宮頸細(xì)胞分析技術(shù)的研究尚處于起步階段，為進(jìn)一步深化宮頸細(xì)胞學(xué)領(lǐng)域的臨床及研究需要，需充分利用宮頸細(xì)胞形態(tài)結(jié)構(gòu)信息、空間鄰域信息和顏色分布信息建立準(zhǔn)確的細(xì)胞圖像分割，充分利用宮頸細(xì)胞數(shù)據(jù)庫和宮頸細(xì)胞臨床診斷規(guī)律建立宮頸細(xì)胞定量分析和智能輔助診斷框架，為基于宮頸細(xì)胞液基涂片人工智能輔助閱片系統(tǒng)提供軟件平臺(tái)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于，克服目前宮頸細(xì)胞定量分析和輔助診斷存在的上述問題；基于現(xiàn)有宮頸細(xì)胞學(xué)領(lǐng)域知識(shí)，通過深度學(xué)習(xí)技術(shù)學(xué)習(xí)并提取宮頸細(xì)胞的關(guān)鍵特征、自動(dòng)分割和識(shí)別液基涂片上細(xì)胞的癌變區(qū)域和類型，最終達(dá)到縮短閱片時(shí)間、降低漏診誤診率的目的，為宮頸細(xì)胞液基涂片人工智能輔助閱片技術(shù)提供解決方案，最終實(shí)現(xiàn)宮頸細(xì)胞定量化評(píng)價(jià)和輔助智能診斷的方法學(xué)突破。

為了實(shí)現(xiàn)上述目的，本發(fā)明提出了一種宮頸細(xì)胞液基涂片人工智能輔助閱片系統(tǒng)，所述系統(tǒng)包括：

細(xì)胞圖像采集模塊，用于使用涂片自動(dòng)掃描儀重疊式地進(jìn)行掃描保存細(xì)胞圖像；

細(xì)胞圖像預(yù)處理模塊，用于對(duì)細(xì)胞圖像進(jìn)行預(yù)處理；

細(xì)胞圖像檢測(cè)分割模塊，用于對(duì)圖像細(xì)胞的不同細(xì)胞成分進(jìn)行自動(dòng)檢測(cè)，同時(shí)對(duì)同一細(xì)胞成分中細(xì)胞核、細(xì)胞質(zhì)、背景進(jìn)行自動(dòng)分割；采用改進(jìn)的活動(dòng)輪廓模型和快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)，又輔以細(xì)胞特征和多尺度水平等算法對(duì)分割結(jié)果進(jìn)行微調(diào)與優(yōu)化；

細(xì)胞快速分級(jí)識(shí)別模塊，用于對(duì)分割后的圖像進(jìn)行識(shí)別，區(qū)分為單個(gè)細(xì)胞或細(xì)胞團(tuán)簇；采用附加知識(shí)領(lǐng)域的雙流卷積神經(jīng)網(wǎng)絡(luò)和構(gòu)建的細(xì)胞知識(shí)圖譜對(duì)單個(gè)細(xì)胞進(jìn)行分別進(jìn)行分級(jí)識(shí)別，分別得到第一種分級(jí)結(jié)果和第二種分級(jí)結(jié)果；采用細(xì)胞團(tuán)簇的雙流卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)不可分細(xì)胞團(tuán)簇的識(shí)別；和

判讀和后處理模塊，用于對(duì)單個(gè)細(xì)胞的第一種分級(jí)結(jié)果和第二種分級(jí)結(jié)果進(jìn)行聯(lián)合判讀，進(jìn)行沖突處理，得到單個(gè)細(xì)胞的分級(jí)結(jié)果；所述沖突處理用于解決各種特征指向不同的判讀結(jié)果時(shí)，綜合各種因素，消除沖突，做出明確可靠的判讀；然后利用知識(shí)圖譜和類活動(dòng)映射實(shí)現(xiàn)宮頸細(xì)胞識(shí)別過程的可讀性、宮頸細(xì)胞識(shí)別結(jié)果的可解釋性。

上述技術(shù)方案中，所述細(xì)胞圖像采集模塊的實(shí)現(xiàn)過程為：采用目鏡四十倍放大，掃描路徑為矩形，掃描方式為重疊式掃描，使得掃描范圍與液基涂片細(xì)胞所在范圍全部覆蓋。

上述技術(shù)方案中，所述預(yù)處理包括：采用雙邊濾波器對(duì)圖像進(jìn)行去噪，該濾波器是由兩個(gè)函數(shù)構(gòu)成：一個(gè)函數(shù)是由幾何空間距離決定濾波器系數(shù)，另一個(gè)由像素差值決定濾波器系數(shù)；然后使用形態(tài)學(xué)處理對(duì)圖像的邊緣進(jìn)行修補(bǔ)，填充空洞并去除細(xì)的連接，最后使用直方圖均衡化來增加細(xì)胞核與細(xì)胞質(zhì)的對(duì)比度。

上述技術(shù)方案中，所述細(xì)胞圖像檢測(cè)分割模塊的具體實(shí)現(xiàn)步驟為：

步驟s1)對(duì)預(yù)處理后的細(xì)胞圖像進(jìn)行前背景粗分割，提取細(xì)胞所屬的區(qū)域；

步驟s2)對(duì)粗分割后的細(xì)胞圖像進(jìn)行細(xì)胞成分的檢測(cè)分割，使用快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)分割出不同類型的細(xì)胞；

步驟s3)檢測(cè)并分割宮頸細(xì)胞細(xì)胞核；

步驟s4)根據(jù)細(xì)胞核的特征參數(shù)篩選細(xì)胞核，得到最終的候選細(xì)胞核；

步驟s5)判斷步驟s2)中得到的細(xì)胞類型是否為細(xì)胞團(tuán)簇，如果不是，則使用活動(dòng)輪廓模型以及先驗(yàn)?zāi)０暹M(jìn)行細(xì)胞質(zhì)區(qū)域的分割；否則，轉(zhuǎn)入步驟s6)；

步驟s6)綜合細(xì)胞核與細(xì)胞質(zhì)的分割結(jié)果與領(lǐng)域知識(shí)進(jìn)行后處理，完成整個(gè)宮頸細(xì)胞的有效分割。

上述技術(shù)方案中，所述快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)選用卷積神經(jīng)網(wǎng)絡(luò)的vgg16的網(wǎng)絡(luò)結(jié)構(gòu)，輸入圖像的大小為515*512，最終細(xì)胞成分的檢測(cè)類別分為5類：鱗細(xì)胞、腺細(xì)胞、頸管細(xì)胞、化生細(xì)胞以及背景素質(zhì)，除鱗細(xì)胞和背景素質(zhì)外的細(xì)胞成分都定義為不可分的細(xì)胞團(tuán)簇。

上述技術(shù)方案中，所述步驟s5)中的使用活動(dòng)輪廓模型以及先驗(yàn)?zāi)０暹M(jìn)行細(xì)胞質(zhì)區(qū)域的分割的具體過程為：

采用了改進(jìn)的活動(dòng)輪廓模型，加上能量函數(shù)以及形狀先驗(yàn)信息，迭代地進(jìn)行輪廓的優(yōu)化，得到細(xì)胞質(zhì)的精確邊界；

能量函數(shù)e(u)為：

e(u)＝λ1es(u)+r(u)

其中es(u)是形狀先驗(yàn)，r(u)是正則項(xiàng)，用于保證分割邊界的平滑性，λ1為可學(xué)習(xí)的參數(shù)；形狀先驗(yàn)es(u)為：

其中，h為黑塞矩陣。

上述技術(shù)方案中，所述細(xì)胞圖像檢測(cè)分割模塊的具體實(shí)現(xiàn)步驟為：

步驟1)對(duì)分割后的宮頸細(xì)胞圖像進(jìn)行預(yù)處理操作；

步驟2)判斷預(yù)處理后的細(xì)胞圖像是否為單個(gè)細(xì)胞，如果是，轉(zhuǎn)入步驟3)，否則，該圖像為不可分的細(xì)胞團(tuán)簇，轉(zhuǎn)入步驟6)；

步驟3)確定可計(jì)算的細(xì)胞參數(shù)，然后計(jì)算細(xì)胞參數(shù)特征；

步驟4)建立細(xì)胞知識(shí)圖譜推理判斷模型，并將細(xì)胞參數(shù)特征輸入該模型，得到單個(gè)細(xì)胞的第一種分級(jí)結(jié)果；

步驟5)構(gòu)建附加領(lǐng)域知識(shí)的雙流卷積神經(jīng)網(wǎng)絡(luò)模型，將細(xì)胞參數(shù)特征和細(xì)胞圖像輸入雙流卷積神經(jīng)網(wǎng)絡(luò)模型，得到單個(gè)細(xì)胞的第二種分級(jí)結(jié)果；

步驟6)構(gòu)建細(xì)胞團(tuán)簇的雙流卷積神經(jīng)網(wǎng)絡(luò)模型，并使用該模型對(duì)不可分細(xì)胞團(tuán)簇進(jìn)行細(xì)胞團(tuán)簇的分級(jí)識(shí)別，得到細(xì)胞團(tuán)簇的分級(jí)結(jié)果。

上述技術(shù)方案中，所述附加領(lǐng)域知識(shí)的雙流卷積神經(jīng)網(wǎng)絡(luò)的一路輸入為步驟3)得到的細(xì)胞參數(shù)特征，另外一路輸入為單個(gè)細(xì)胞圖像，大小統(tǒng)一歸一化為256*256像素值，經(jīng)過5個(gè)級(jí)聯(lián)的卷積池化組合模塊隱式地提取到細(xì)胞圖像的特征；其中最重要的卷積操作的卷積核大小采用7*7大小，步長(zhǎng)選擇大小為1，特征圖個(gè)數(shù)選取為96個(gè)，該卷積操作為：

上式中，m表示選擇的輸入特征圖的集合，wij表示權(quán)重，bj為每一個(gè)特征圖輸出加上的一個(gè)額外偏置，然后將提取的1096維特征加上細(xì)胞領(lǐng)域知識(shí)可計(jì)算的20維特征拼接到一起，輸入到雙流卷積神經(jīng)網(wǎng)絡(luò)的全連接層和分類層。

上述技術(shù)方案中，所述細(xì)胞團(tuán)簇的雙流卷積神經(jīng)網(wǎng)絡(luò)的一路輸入為：細(xì)胞核之間的排列規(guī)則的特征，另外一路輸入是與該細(xì)胞參數(shù)對(duì)應(yīng)的細(xì)胞團(tuán)簇的宮頸細(xì)胞，宮頸細(xì)胞輸入大小統(tǒng)一歸一化為512*512像素值，經(jīng)過8個(gè)級(jí)聯(lián)的卷積池化組合模塊隱式地提取到細(xì)胞圖像的特征；其中最重要的卷積操作的卷積核大小采用5*5大小，步長(zhǎng)選擇大小為2，特征圖個(gè)數(shù)選取為108個(gè)。

本發(fā)明的有益效果是：

1、本發(fā)明的系統(tǒng)針對(duì)病變宮頸細(xì)胞系統(tǒng)具有高敏感性，針對(duì)正常宮頸細(xì)胞具有高特異性，整個(gè)輔助閱片系統(tǒng)無需人工參與，大大減輕閱片工作者的勞動(dòng)強(qiáng)度。

附圖說明

圖1為本發(fā)明的宮頸細(xì)胞液基涂片人工智能輔助閱片系統(tǒng)的組成圖；

圖2為本發(fā)明的宮頸細(xì)胞圖像檢測(cè)分割模塊的示意圖；

圖3為本發(fā)明的宮頸細(xì)胞快速分級(jí)識(shí)別模塊的示意圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的較佳實(shí)施例進(jìn)行詳細(xì)闡述，以使本發(fā)明的優(yōu)點(diǎn)和特征能更易于被本領(lǐng)域技術(shù)人員理解，從而對(duì)本發(fā)明的保護(hù)范圍做出更為清楚明確的界定。

如圖1所示，一種宮頸細(xì)胞液基涂片人工智能輔助閱片系統(tǒng)，所述系統(tǒng)包括：

細(xì)胞圖像采集模塊，用于使用涂片自動(dòng)掃描儀重疊式地進(jìn)行掃描保存細(xì)胞圖像；其中，采用目鏡四十倍放大，掃描路徑為矩形，掃描方式為重疊式掃描，使得掃描范圍與液基涂片細(xì)胞所在范圍可以全部覆蓋；

例如，針對(duì)一幅2萬*2萬像素的圖像可以得到20張掃描后的宮頸細(xì)胞圖像。

細(xì)胞圖像預(yù)處理模塊，用于對(duì)細(xì)胞圖像進(jìn)行預(yù)處理，包括：采用雙邊濾波器對(duì)圖像進(jìn)行去噪，該濾波器是由兩個(gè)函數(shù)構(gòu)成：一個(gè)函數(shù)是由幾何空間距離決定濾波器系數(shù)，另一個(gè)由像素差值決定濾波器系數(shù)；然后使用形態(tài)學(xué)處理對(duì)圖像的邊緣進(jìn)行修補(bǔ)，填充空洞并去除細(xì)的連接，最后使用直方圖均衡化來增加細(xì)胞核與細(xì)胞質(zhì)的對(duì)比度。

細(xì)胞圖像檢測(cè)分割模塊，用于對(duì)圖像細(xì)胞的不同細(xì)胞成分進(jìn)行自動(dòng)檢測(cè)，同時(shí)對(duì)同一細(xì)胞成分中細(xì)胞核、細(xì)胞質(zhì)、背景進(jìn)行自動(dòng)分割；采用改進(jìn)的活動(dòng)輪廓模型和快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)，又輔以細(xì)胞特征和多尺度水平等算法對(duì)分割結(jié)果進(jìn)行微調(diào)與優(yōu)化；

如圖2所示，具體實(shí)現(xiàn)步驟為：

步驟s1)對(duì)預(yù)處理后的細(xì)胞圖像進(jìn)行前背景粗分割，提取細(xì)胞所屬的區(qū)域；

采用9個(gè)閾值進(jìn)行整個(gè)細(xì)胞圖像的噪聲的去除；然后采用sift邊緣檢測(cè)和多尺度分水嶺算法得到前景區(qū)域，sift對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，對(duì)視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性；最后針對(duì)分割出的區(qū)域進(jìn)行優(yōu)化微調(diào)，采用k均值聚類算法將鄰近的像素合并，本發(fā)明聚類算法的團(tuán)簇?cái)?shù)選擇為3，即分為細(xì)胞質(zhì)、細(xì)胞核和背景三個(gè)類別。

步驟s2)對(duì)粗分割后的細(xì)胞圖像進(jìn)行細(xì)胞成分的檢測(cè)分割，使用快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)分割出不同類別的細(xì)胞及背景素質(zhì)；

首先針對(duì)訓(xùn)練樣本進(jìn)行數(shù)據(jù)的清洗整理，再采用深度學(xué)習(xí)算法中的快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行細(xì)胞成分的檢測(cè)分割。其訓(xùn)練階段選擇端到端的訓(xùn)練方式，模型選用了卷積神經(jīng)網(wǎng)絡(luò)的vgg16的網(wǎng)絡(luò)結(jié)構(gòu)，輸入圖像的大小為515*512，最終細(xì)胞成分的檢測(cè)類別分為5類：鱗細(xì)胞、腺細(xì)胞、頸管細(xì)胞、化生細(xì)胞以及背景素質(zhì)，本發(fā)明中將除鱗細(xì)胞外的四種類別的細(xì)胞成分都定義為不可分的細(xì)胞團(tuán)簇?？紤]到人工智能輔助閱片后續(xù)的分級(jí)識(shí)別步驟，此處將不可分的細(xì)胞團(tuán)簇區(qū)域詳細(xì)分為腺細(xì)胞、頸管細(xì)胞、化生細(xì)胞以及背景素質(zhì)四類，其中背景素質(zhì)不屬于細(xì)胞范疇，不參與后續(xù)的分級(jí)識(shí)別。

步驟s3)檢測(cè)并分割宮頸細(xì)胞細(xì)胞核；

采用了改進(jìn)的隨機(jī)森林的算法，通過提取細(xì)胞核的5種特征進(jìn)行細(xì)胞核區(qū)域的分割，森林中樹的個(gè)數(shù)選擇20，每次選擇最優(yōu)特征時(shí)的特征個(gè)數(shù)選擇為logn，葉子節(jié)點(diǎn)的最小個(gè)數(shù)選擇為3；

為了防止漏掉細(xì)胞核區(qū)域又輔以多尺度分水嶺算法進(jìn)行細(xì)胞核的檢測(cè)，通過選取5種不同的參數(shù)進(jìn)行合并，將待分割圖像分為合并程度高和合并程度低的不同尺度的細(xì)胞圖像，再將兩者的檢測(cè)到的結(jié)果結(jié)合起來，作為細(xì)胞核的候選區(qū)域。

步驟s4)根據(jù)細(xì)胞核的特征參數(shù)篩選細(xì)胞核，得到最終的候選細(xì)胞核；

依據(jù)了細(xì)胞核的特征參數(shù)，包含細(xì)胞核大小，細(xì)胞核的圓形度，細(xì)胞核的深度可計(jì)算特征。例如細(xì)胞核的大小的參數(shù)是通過直接計(jì)算細(xì)胞核區(qū)域邊界內(nèi)的像素的總和來表示，具體做法如式1。

其中f(x,y)為二值圖像上某點(diǎn)(x,y)的像素值，取值為1時(shí)表示該像素點(diǎn)屬于目標(biāo)區(qū)域，取值為0時(shí)表示該像素點(diǎn)屬于背景區(qū)域,其面積就是統(tǒng)計(jì)f(x,y)為1的像素個(gè)數(shù)。

步驟s5)判斷步驟s2)中得到的細(xì)胞類型是否為細(xì)胞團(tuán)簇，如果不是，則使用活動(dòng)輪廓模型以及先驗(yàn)?zāi)０暹M(jìn)行細(xì)胞質(zhì)區(qū)域的分割；否則，轉(zhuǎn)入步驟s6)；

采用了改進(jìn)的活動(dòng)輪廓模型，加上能量函數(shù)以及形狀先驗(yàn)信息，迭代的進(jìn)行輪廓的優(yōu)化，得到細(xì)胞質(zhì)的精確邊界；

能量函數(shù)e(u)為：

e(u)＝λ1es(u)+r(u)

其中es(u)是本發(fā)明提出使用的形狀先驗(yàn)，r(u)是正則項(xiàng)，保證分割邊界的平滑性，λ1為可學(xué)習(xí)的參數(shù)；形狀先驗(yàn)es(u)為：

其中h為黑塞矩陣(hessianmatrix)。

步驟s6)綜合細(xì)胞核與細(xì)胞質(zhì)的分割結(jié)果與領(lǐng)域知識(shí)進(jìn)行后處理，完成整個(gè)宮頸細(xì)胞的有效分割。

針對(duì)上述步驟的分割結(jié)果進(jìn)行后處理，主要使用醫(yī)學(xué)圖像處理中的形態(tài)學(xué)操作對(duì)圖像的邊緣進(jìn)行修補(bǔ)，填充空洞并去除細(xì)的連接，主要采用開操作和閉操作，其中模板的參數(shù)設(shè)置為[33]的大小，以及濾波去噪等方法進(jìn)行邊界的平滑，其中參數(shù)的設(shè)置w為2，方差sigma采用[20.1]，從而得到最終的精準(zhǔn)邊界信息。

細(xì)胞快速分級(jí)識(shí)別模塊，用于對(duì)分割后的圖像進(jìn)行識(shí)別，區(qū)分為單個(gè)細(xì)胞或細(xì)胞團(tuán)簇；采用附加知識(shí)領(lǐng)域的雙流卷積神經(jīng)網(wǎng)絡(luò)和構(gòu)建的細(xì)胞知識(shí)圖譜對(duì)單個(gè)細(xì)胞進(jìn)行分級(jí)識(shí)別；采用細(xì)胞團(tuán)簇的雙流卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)不可分細(xì)胞團(tuán)簇的識(shí)別；

如圖3所示，具體實(shí)現(xiàn)步驟為：

步驟1)對(duì)分割后的宮頸細(xì)胞圖像進(jìn)行預(yù)處理操作；

掃描分割后的宮頸細(xì)胞區(qū)域，并進(jìn)行細(xì)胞邊界像素值填充，將細(xì)胞邊界外的像素值填充為0，然后將填充像素值后的細(xì)胞圖像統(tǒng)一歸一化至256*256的像素值大小。

步驟2)判斷預(yù)處理后的細(xì)胞圖像是否為單個(gè)細(xì)胞，如果是，轉(zhuǎn)入步驟3)，否則，該圖像為不可分的細(xì)胞團(tuán)簇，轉(zhuǎn)入步驟7)；

采用圖像處理中的分水嶺算法實(shí)現(xiàn)，若細(xì)胞圖像中的細(xì)胞核數(shù)目為1，則判斷是單個(gè)細(xì)胞。

步驟3)確定可計(jì)算的細(xì)胞參數(shù)，包括細(xì)胞核的大小、深度、形狀，細(xì)胞質(zhì)的大小、形狀和核漿比，然后計(jì)算細(xì)胞參數(shù)特征；

以細(xì)胞核的大小為例，細(xì)胞核的大小參數(shù)是通過直接計(jì)算細(xì)胞核區(qū)域邊界內(nèi)的像素的總和來表示：

其中f(x,y)為二值圖像上某點(diǎn)(x,y)的像素值,取值為1時(shí)表示該像素點(diǎn)屬于目標(biāo)區(qū)域,取值為0時(shí)表示該像素點(diǎn)屬于背景區(qū)域,其面積就是統(tǒng)計(jì)f(x,y)為1的像素個(gè)數(shù)。

步驟4)建立細(xì)胞知識(shí)圖譜推理判斷模型，并將細(xì)胞參數(shù)特征輸入該模型，得到細(xì)胞的第一種分級(jí)結(jié)果；

步驟5)構(gòu)建附加領(lǐng)域知識(shí)的雙流卷積神經(jīng)網(wǎng)絡(luò)模型，將細(xì)胞參數(shù)特征和細(xì)胞圖像輸入雙流卷積神經(jīng)網(wǎng)絡(luò)模型，得到細(xì)胞的第二種分級(jí)結(jié)果；

如圖2所示，雙流卷積神經(jīng)網(wǎng)絡(luò)的一路輸入為步驟3)得到的細(xì)胞參數(shù)特征，另外一路輸入為單個(gè)細(xì)胞圖像，大小統(tǒng)一歸一化為256*256像素值，經(jīng)過5個(gè)級(jí)聯(lián)的卷積池化組合模塊隱式地提取到細(xì)胞圖像的特征。其中最重要的卷積操作的卷積核大小采用7*7大小，步長(zhǎng)選擇大小為1，特征圖個(gè)數(shù)選取為96個(gè)，該卷積操作為：

m表示選擇的輸入特征圖的集合，wij表示權(quán)重，bj為每一個(gè)特征圖輸出加上的一個(gè)額外偏置，然后將提取的1096維特征加上細(xì)胞領(lǐng)域知識(shí)可計(jì)算的20維特征拼接到一起，輸入到雙流卷積神經(jīng)網(wǎng)絡(luò)的全連接層和分類層。根據(jù)tbs標(biāo)準(zhǔn)診斷，將不同細(xì)胞的分級(jí)識(shí)別結(jié)合在一起，一共分為9類。

如圖3所示，細(xì)胞學(xué)特征完全根據(jù)tbs判斷標(biāo)準(zhǔn)，抽取是采用判斷標(biāo)準(zhǔn)的語言。細(xì)胞可以在不同抽象層次上進(jìn)行多種分類，從是否存在病變的層次上，細(xì)胞主要分為正常細(xì)胞和異常細(xì)胞兩大類，正常細(xì)胞，包括柱狀細(xì)胞、中層細(xì)胞、表層細(xì)胞；異常細(xì)胞包括輕度鱗狀上皮內(nèi)病變細(xì)胞、中度鱗狀上皮內(nèi)病變細(xì)胞、重度鱗狀上皮內(nèi)病變細(xì)胞、鱗狀細(xì)胞癌細(xì)胞。

判讀規(guī)則庫也完全依據(jù)閱片醫(yī)生的判讀過程與思想，例如細(xì)胞質(zhì)的顏色特征映射，對(duì)于宮頸病變有判讀意義的顏色有藍(lán)色、粉紅色、橘黃色，細(xì)胞學(xué)術(shù)語通常稱為嗜堿性、嗜酸性、嗜橘黃色，即嗜堿性的細(xì)胞細(xì)胞質(zhì)表現(xiàn)為藍(lán)色、嗜酸性細(xì)胞細(xì)胞質(zhì)表現(xiàn)為粉紅色、嗜橘黃色細(xì)胞細(xì)胞質(zhì)表現(xiàn)為橘黃色。

步驟6)構(gòu)建細(xì)胞團(tuán)簇的雙流卷積神經(jīng)網(wǎng)絡(luò)模型，并使用該模型對(duì)不可分細(xì)胞團(tuán)簇進(jìn)行團(tuán)簇細(xì)胞的分級(jí)識(shí)別；

細(xì)胞團(tuán)簇的雙流卷積神經(jīng)網(wǎng)絡(luò)的一路輸入為：細(xì)胞核之間的排列規(guī)則的特征，另外一路輸入是與該細(xì)胞參數(shù)對(duì)應(yīng)的細(xì)胞團(tuán)簇的宮頸細(xì)胞，本發(fā)明將宮頸細(xì)胞輸入大小統(tǒng)一歸一化為512*512像素值，經(jīng)過8個(gè)級(jí)聯(lián)的卷積池化組合模塊隱式地提取到細(xì)胞圖像的特征。其中最重要的卷積操作的卷積核大小采用5*5大小，步長(zhǎng)選擇大小為2，特征圖個(gè)數(shù)選取為108個(gè)。

判讀和后處理模塊，用于對(duì)單個(gè)細(xì)胞的第一種分級(jí)結(jié)果和第二種分級(jí)結(jié)果進(jìn)行聯(lián)合判讀，進(jìn)行沖突處理，得到單個(gè)細(xì)胞的分級(jí)結(jié)果；利用知識(shí)圖譜和了cam(classactivationmapping，類活動(dòng)映射)的方法實(shí)現(xiàn)宮頸細(xì)胞識(shí)別過程的可讀性、宮頸細(xì)胞識(shí)別結(jié)果的可解釋性。

例如某個(gè)細(xì)胞的第一種分級(jí)結(jié)果和第二種分級(jí)結(jié)果都為鱗狀細(xì)胞癌的結(jié)果，那么則判讀該細(xì)胞為鱗狀細(xì)胞癌。

沖突處理主要解決各種特征指向不同的判讀結(jié)果時(shí)，綜合各種因素，消除沖突，做出明確可靠的判讀。例如某個(gè)細(xì)胞經(jīng)過第一分級(jí)(雙流卷積神經(jīng)網(wǎng)絡(luò)模型)得到的結(jié)果為鱗狀細(xì)胞癌，而經(jīng)過第二分級(jí)(知識(shí)圖譜模型)得到的結(jié)果為低級(jí)別鱗狀上皮內(nèi)病變，此種情況屬于結(jié)果沖突，針對(duì)沖突的處理本發(fā)明采用的方式是將該細(xì)胞標(biāo)注出來，最終的結(jié)果可由閱片醫(yī)師來決定。

以上所述的具體實(shí)施方式，對(duì)本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施方式而已，并不用于限定本發(fā)明的保護(hù)范圍，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。