CN116843956A - 一种宫颈病理图像异常细胞识别方法、系统及存储介质 - Google Patents

Abstract

本申请实施例提供的一种宫颈病理图像异常细胞识别方法、系统及存储介质，该方法包括确定多类历史宫颈细胞图像；基于多类历史宫颈细胞图像构建模型训练集；选取ResNet网络作为原始的基准网络模型，并在ResNet网络的基本残差块之后增加CA模块，得到初始异常细胞识别模型，其中，CA模块用于对基本残差块的输出进行注意力权重特征提取，得到在宽度和高度方向上带有注意力权重的目标特征图；将模型训练集输入到初始异常细胞识别模型中进行模型训练，并训练结束时，得到目标异常细胞识别模型；基于目标异常细胞识别模型进行宫颈病理图像异常细胞识别。该方法的实施能够实现宫颈癌诊断的自动化。

Description

一种宫颈病理图像异常细胞识别方法、系统及存储介质

技术领域

本申请涉及医学图像处理技术领域，具体而言，涉及一种宫颈病理图像异常细胞识别方法、系统及存储介质。

背景技术

宫颈癌是严重威胁女性健康的常见恶性肿瘤，但是宫颈癌病因明确，是一种能够早发现和早预防的癌症。传统的宫颈癌筛查方法主要是将宫颈的脱落细胞制成宫颈病理图像，病理医生从宫颈病理图像的细胞形态中观察是否存在异常细胞。由于宫颈病理图像数量巨大，导致病理医生工作强度很大，而且传统的宫颈癌细胞筛查方法高度依赖病理医生的专业知识与诊断经验，若医生经验不足则容易导致误诊。由此，采用何种快速、准确、高效的宫颈异常细胞识别方法，解决病理医生不足、病人诊断难、出结果慢等问题，以实现宫颈癌诊断的自动化，是本申请着力解决的问题。

发明内容

本申请实施例的目的在基于提供一种宫颈病理图像异常细胞识别方法、系统及存储介质，可以实现宫颈癌诊断的自动化。

本申请实施例还提供一种宫颈病理图像异常细胞识别方法，包括以下步骤：

S1、确定多类历史宫颈细胞图像；

S2、基于所述多类历史宫颈细胞图像构建模型训练集；

S3、选取ResNet网络作为原始的基准网络模型，并在所述ResNet网络的基本残差块之后增加CA模块，得到初始异常细胞识别模型，其中，所述CA模块用于对基本残差块的输出进行注意力权重特征提取，得到在宽度和高度方向上带有注意力权重的目标特征图；

S4、将所述模型训练集输入到初始异常细胞识别模型中进行模型训练，并训练结束时，得到目标异常细胞识别模型；

S5、基于所述目标异常细胞识别模型进行宫颈病理图像异常细胞识别，并输出相应诊断结果。

第二方面，本申请实施例还提供了一种宫颈病理图像异常细胞识别系统，所述系统包括数据获取模块、数据处理模块、模型构建模块、模型训练模块、诊断模块，其中：

所述数据获取模块，用于确定多类历史宫颈细胞图像；

所述数据处理模块，用于基于所述多类历史宫颈细胞图像构建模型训练集；

所述模型构建模块，用于选取ResNet网络作为原始的基准网络模型，并在所述ResNet网络的基本残差块之后增加CA模块，得到初始异常细胞识别模型，其中，所述CA模块用于对基本残差块的输出进行注意力权重特征提取，得到在宽度和高度方向上带有注意力权重的目标特征图；

所述模型训练模块，用于将所述模型训练集输入到初始异常细胞识别模型中进行模型训练，并训练结束时，得到目标异常细胞识别模型；

所述诊断模块，用于基于所述目标异常细胞识别模型进行宫颈病理图像异常细胞识别，并输出相应诊断结果。

第三方面，本申请实施例还提供了一种可读存储介质，所述可读存储介质中包括宫颈病理图像异常细胞识别方法程序，所述宫颈病理图像异常细胞识别方法程序被处理器执行时，实现如上述任一项所述的一种宫颈病理图像异常细胞识别方法的步骤。

由上可知，本申请实施例提供的一种宫颈病理图像异常细胞识别方法、系统及存储介质，选用ResNet50网络进行图像特征学习，利用网络深度特性，使得构建的异常细胞识别模型能够学习到更复杂的特征，从而提高识别准确率，且还在ResNet50网络中引入CA机制，使得改进后的模型能够精确地捕捉不同特征之间的关系，进一步提高图像分类的性能，实现了宫颈癌诊断的自动化。

本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的一种宫颈病理图像异常细胞识别方法的流程图；

图2为改进前ResNet网络的基本残差块的结构示意图；

图3为连接在基本残差块之后的CA模块的结构示意图；

图4为对基本残差块改进后所得的基本块DSC_CA的结构示意图；

图5为改进后的DSC_CA_ResNet50网络的整体结构示意图；

图6为本申请实施例提供的一种宫颈病理图像异常细胞识别系统的结构示意图。

具体实施方式

下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参照图1，图1是本申请一些实施例中的一种宫颈病理图像异常细胞识别方法的流程图。该方法包括以下步骤：

步骤S1，确定多类历史宫颈细胞图像。

具体的，宫颈细胞图像可以通过图像扫描仪扫描由液基薄层细胞检测(ThinPrepCytology Test,TCT)处理过的宫颈细胞载玻片得到。

步骤S2，基于所述多类历史宫颈细胞图像构建模型训练集。

具体的，当前实施例中，将按照4:1:1的比例对所述多类历史宫颈细胞图像构成的图像集进行划分，得到模型训练集、模型验证集、模型测试集。

其中：

所述模型训练集的作用：是用来拟合模型，通过设置分类器的参数，训练分类模型。

所述模型验证集的作用是：当通过模型训练集训练出多个模型后，为了能找出效果最佳的模型，使用各个模型对验证集数据进行预测，并记录模型准确率。最后，选出效果最佳的模型所对应的参数，即用来调整模型参数。

模型测试集的作用是：在通过模型训练集和模型验证集得出最优模型后，使用模型测试集进行模型预测。其具体是用来衡量该最优模型的性能和分类能力。

步骤S3，选取ResNet网络作为原始的基准网络模型，并在所述ResNet网络的基本残差块之后增加CA模块，得到初始异常细胞识别模型，其中，所述CA模块用于对基本残差块的输出进行注意力权重特征提取，得到在宽度和高度方向上带有注意力权重的目标特征图。

具体的，基准网络模型的结构示意图请参考图2，在未对ResNet网络的基本残差块进行改进之前，所述基本残差块由2个依次连接的传统卷积层构成。其中，传统卷积层的作用是：对整个原始输入图像按照一个区域进行加权得到特征图，且每个特征图的每个元素是相应位置卷积的结果。

当前实施例中，通过在ResNet50网络的主体结构中引入CA(CoordinateAttention)机制(即在所述ResNet网络的基本残差块之后增加CA模块)，通过构建CA_ResNet50网络结构，使得改进后的模型能够更加精确地捕捉不同特征之间的关系，进一步提高图像分类的性能。

步骤S4，将所述模型训练集输入到初始异常细胞识别模型中进行模型训练，并训练结束时，得到目标异常细胞识别模型。

具体的，当前实施例中采用Adam优化函数进行模型训练，其中，训练批次大小定义为4，迭代次数定义为50个，初始学习率定义为0.0001。另外，本实施例中，模型训练采用的是深度学习开源框架Tensorflow2.7版本，该版本支持GPU加速和动态神经网络，能够配合CUDA(Compute Unified Device Architecture，是显卡厂商NVIDIA推出的并行计算平台和编程模型)进行模型训练。

步骤S5，基于所述目标异常细胞识别模型进行宫颈病理图像异常细胞识别，并输出相应诊断结果。

由上可知，本申请公开的一种宫颈病理图像异常细胞识别方法，选用ResNet50网络进行图像特征学习，利用网络深度特性，使得构建的异常细胞识别模型能够学习到更复杂的特征，从而提高识别准确率，且还在ResNet50网络中引入CA机制，使得改进后的模型能够精确地捕捉不同特征之间的关系，进一步提高图像分类的性能，实现了宫颈癌诊断的自动化。

在其中一个实施例中，步骤S1中，所述确定历史宫颈细胞图像，包括：

步骤S11，获取初始历史宫颈细胞图像。

具体的，前述已经说明了宫颈细胞图像的采集方式，当前不作过多说明。

步骤S12，采用预设的尺寸调整方式，将所述初始历史宫颈细胞图像调整到预设尺寸，得到标准尺寸图像。

具体的，由于Resnet网络的图片输入尺寸为224×224，对于大多数情况，由于采集到的图像的分辨率均大于这个数值，因此，当前实施例中将通过图像缩放操作，将采集到的各所述初始历史宫颈细胞图像缩放到“224×224”尺寸大小，以完成标准尺寸图像的构建。

当然，为了确保缩放图像能够满足Resnet网络的图片输入标准，还可以检测所得缩放图像的尺寸，并在确定缩放图像的尺寸未达到Resnet网络的图片输入尺寸标准时，进行裁剪或边缘零填充处理，以将输入图像的尺寸统一调整到“224×224”。

步骤S13，按照预设的图像增强方式，对所述标准尺寸图像进行增强处理，得到增强图像。

具体的，在得到标准尺寸图像之后，将对所述标准尺寸图像进行数据增强处理，以扩充数据集大小。

在其中一个实施例中，本申请采用的数据增强处理方式包括随机旋转变换、随机亮度变换、随机镜像变换等，由于该技术属于现有技术，当前不对具体的增强方式进行限定。

步骤S14，基于所述增强图像进行分类处理，得到多类历史宫颈细胞图像。

具体的，当前实施例中，会将所有图像中涵盖的细胞类型分为5类，分别为：浅中层鳞状细胞、柱状上皮细胞、轻度异常细胞、中度异常细胞以及类癌细胞。

其中，可以从核形态异常度、核染色性深浅、以及核与胞质的对比度这几个方面区分轻度异常细胞、以及中度异常细胞。

在一个具体的实施例中，相较于轻度异常细胞，中度异常细胞的核形态更加异常和异型、核染色性更加深浓、且核与胞质的对比度更高，基于该特征可以进一步实现对轻度异常细胞、以及中度异常细胞的分类。

上述实施例中，通过图像缩放操作、图像增强操作对图像进行预处理，能够为后续模型训练、以及宫颈病理图像异常细胞的识别提供良好的数据基础，提高宫颈癌诊断的自动化程度。

在其中一个实施例中，步骤S12中，所述采用预设的尺寸调整方式，将所述初始历史宫颈细胞图像调整到预设尺寸，得到标准尺寸图像，包括：

步骤S121，采用预设的尺寸调整方式，对所述初始历史宫颈细胞图像进行缩放处理，得到缩放图像。

具体的，当前实施例中采用的缩放处理操作属于现有技术，当前不对其具体实施方式进行限定。

步骤S122，获取所述缩放图像的图像尺寸，并在确定所述图像尺寸大于预设尺寸时，对所述缩放图像进行裁剪处理，得到标准尺寸图像。

具体的，当前实施例中采用的裁剪处理操作属于现有技术，当前不对其具体实施方式进行限定。

步骤S123，在确定所述图像尺寸小于预设尺寸时，对所述缩放图像进行边缘零填充处理，得到标准尺寸图像。

具体的，当前实施例中采用的边缘零填充处理操作属于现有技术，当前不对其具体实施方式进行限定。

步骤S124，在确定所述图像尺寸等于预设尺寸时，将所述缩放图像作为标准尺寸图像。

上述实施例中，通过裁剪处理操作、以及边缘零填充处理操作调整缩放图像的尺寸，形成标准尺寸图像，当前该方式的实施，能够最大化地保留图像主体部分，有效提高了模型匹配性能。

在其中一个实施例中，步骤S14中，所述多类历史宫颈细胞图像包括反映浅中层鳞状细胞特征的第一类历史宫颈细胞图像、反映柱状上皮细胞特征的第二类历史宫颈细胞图像、反映轻度异常细胞特征的第三类历史宫颈细胞图像、反映中度异常细胞特征的第四类历史宫颈细胞图像、以及反映类癌细胞特征的第五类历史宫颈细胞图像。

在其中一个实施例中，步骤S3中，所述CA模块包括：两个并行的平均池化模块；连接到所述两个并行的平均池化模块的通道降维模块；连接到所述通道降维模块的注意力特征提取模块；两个并行的、且连接到所述注意力特征提取模块的通道升维模块；连接到两个并行的通道升维模块的注意力权重计算模块；连接到所述注意力权重计算模块的乘法加权计算模块。

具体的，CA模块的结构请参考图3进行理解。其中，CA模块中各子模块的功能作用将后续做进一步说明，当前不做赘述。

在其中一个实施例中，步骤S3中，所述目标特征图通过以下步骤处理得到：

步骤S31，基于所述两个并行的平均池化模块，分别沿着宽度、高度两个空间方向对经由所述基本残差块输出的原始特征图进行特征聚合，得到对应的第一宽度特征图以及第一高度特征图。

具体的，请参考图3，所述两个并行的平均池化模块即为图3中示意的“X AvgPool”模块、“Y Avg Pool”模块，经由所述基本残差块输出的原始特征图将分别输入至“XAvg Pool”模块、“Y Avg Pool”模块中，并沿着宽度、高度两个空间方向进行特征聚合，得到对应的第一宽度特征图以及第一高度特征图。

步骤S32，基于所述通道降维模块，依次对所述第一宽度特征图和所述第一高度特征图进行拼接处理、以及按照预设的降维比例对所得的拼接图像进行通道降维处理，得到降维图像。

具体的，请参考图3，所述通道降维模块即为图3中示意的“Concat+Conv2d”模块，其中，经由步骤S31处理得到的第一宽度特征图以及第一高度特征图将输入至“Concat”模块进行拼接处理，得到相应的拼接图像。之后，该拼接图像将进一步输入至“Conv2d”模块进行通道降维处理，即将拼接图像的通道数由C降维至C/r，其中，C为通道数，r为降维比例。

在其中一个实施例中，“Concat”模块选用Concat函数进行图像拼接处理，“Conv2d”模块选用卷积核为1×1的卷积模块。

步骤S33，基于所述注意力特征提取模块，依次对所述降维图像进行归一化处理、以及通过Sigmoid激活函数对所得的归一化图像进行注意力特征学习，得到注意力特征图。

具体的，请参考图3，所述注意力特征提取模块即为图3中示意的“BatchNorm+Sigmoid”模块，其中，经由步骤S32处理得到的降维图像将输入至“BatchNorm”模块进行归一化处理，得到归一化图像。所得的归一化图像将进一步输入至“Sigmoid”模块进行注意力特征学习，得到注意力特征图。

步骤S34，基于两个并行的通道升维模块，将所述注意力特征图分别按照拼接降维前的初始图像宽度、以及初始图像高度进行卷积核为1×1的通道升维处理，得到对应的第二宽度特征图以及第二高度特征图。

具体的，两个并行的通道升维模块即为图3中示意的、连接在“BatchNorm+Sigmoid”的两个并行“Conv2d”模块。两个并行“Conv2d”模块将按照拼接降维前的图像宽度和图像高度进行卷积核为1×1的卷积操作，得到通道数与原来一样的第二宽度特征图以及第二高度特征图。

步骤S35，基于所述注意力权重计算模块，分别通过Sigmoid激活函数对所述第二宽度特征图、以及所述第二高度特征图进行注意力权重计算，得到对应宽度空间方向的第一注意力权重、以及对应高度空间方向的第二注意力权重。

具体的，所述注意力权重计算模块即为图3中示意的、连接在两个并行“Conv2d”模块之后的两个“Sigmoid”模块，用于基于Sigmoid激活函数对所述第二宽度特征图、以及所述第二高度特征图进行注意力权重计算，得到输入特征图在宽度方向上和高度方向上的注意力权重。

步骤S36，基于所述乘法加权计算模块获取原始特征图，并在所述原始特征图的基础上，基于第一注意力权重以及第二注意力权重进行乘法加权计算，得到在宽度和高度方向上带有注意力权重的目标特征图。

具体的，所述乘法加权计算模块即为图3中示意的“Re-weight”模块，该模块用于在原始特征图基础上，通过乘法加权计算(Re-weight)，得到最终在宽度和高度方向上带有注意力权重的目标特征图。

上述实施例中，在基准网络模型的基础上，改进模型的结构，即在ResNet50网络的主体结构中引入CA机制，通过构建CA_ResNet50网络结构提高对目标区域的关注程度，以提升模型的分类性能。

在其中一个实施例中，所述基本残差块由依次连接的传统卷积层、以及深度可分离卷积层构成，其中：所述深度可分离卷积层，用于对输入特征图的每个输入通道，分别应用一个深度卷积核进行卷积操作；所述深度可分离卷积层，还用于使用1×1的卷积核对每个深度卷积的输出通道进行卷积操作；所述深度可分离卷积层，还用于线性组合所属不同输出通道的通道特征图，生成最终的输出特征图。

具体的，改进后的基本残差块如图4所示，对比图2和图4可知，当前实施例中，使用了所述深度可分离卷积层来代替残差块中的第二个传统卷积层，以此使得在网络层数加深(前提是，本申请中使用快捷连接的方法避免梯度消失，达到提取更强的特征和提高准确率的目的)的情况，避免了参数量的增长，降低了计算复杂度，为后续模型在移动端的部署提供了可能。

需要说明的是，本申请实施例中公开的深度可分离卷积层将卷积运算分解为两个步骤：首先，对输入特征图的每个输入通道分别应用一个深度卷积核进行卷积操作，即深度卷积(即Depthwise Convolution)；然后，对深度卷积的输出结果进行逐点卷积(即Pointwise Convolution)，即利用1×1的卷积核对每个深度卷积的输出通道进行卷积操作，与传统卷积操作一样通过线性组合不同通道的特征图，生成最终的输出特征图。

上述实施例中，选用深度可分离卷积层来代替残差块中的第二个传统卷积层，使得模型使用的参数大大下降，推理速度也能够进一步提升，为后续模型在移动端的部署提供了可能。

在其中一个实施例中，步骤S5中，所述基于所述目标异常细胞识别模型进行宫颈病理图像异常细胞识别，并输出相应诊断结果，包括：

步骤S51，获取实时宫颈细胞图像，将所述实时宫颈细胞图像输入到所述目标异常细胞识别模型进行处理，得到对应的识别类别、以及预测概率。

具体的，改进后的DSC_CA_ResNet50网络的整体结构可以参考图5。当前实施例中，通过构建改进的DSC_CA_ResNet50网络，即在基于原始的ResNet50网络的基础上对模型进行改进，最后获得最终的改进模型(目标异常细胞识别模型)。

步骤S52，将识别类别对应的预测概率与最优阈值进行比较，其中，在确定预测概率大于最优阈值时，输出类癌细胞诊断结果，在确定预测概率小于或等于最优阈值时，输出非类癌细胞诊断结果。

具体的，最优阈值通过以下方式确定：

确定多个待选阈值，并采用交叉验证的方式，结合模型预测准确率，从所述多个待选阈值中筛选出最优阈值。

示例性的，若根据以往经验选取0.45、0.5、0.55这三个阈值，并将模型验证集的输出概率分布分别与上述三个阈值进行结合，得到模型预测结果。然后，计算模型在该模型验证集上的准确率，其中，准确率为模型在验证集上预测正确的结果数量与总数量的比值。最后，将三个阈值中模型预测准确率最高的作为最优阈值。

需要进一步说明的是，当前实施例中，将使用softmax函数将模型最后一层的输出转化为概率分布，即将输出向量的每个元素映射到0到1的范围，并且确保所有元素之和为1，每个元素表示对应类别的预测概率。同时基于最优阈值进行二分类，即将类癌细胞作为“正类”，其他类别作为“负类”。然后将每个类别的预测概率分别与最优阈值进行比较，如果预测概率大于该最优阈值，则将样本判定为正类，如果预测概率小于或等于该最优阈值，则将样本判定为负类，以此，为后续的诊断结果的输出提供数据基础。

请参考图6，本申请公开的一种宫颈病理图像异常细胞识别系统600，该系统600包括数据获取模块601、数据处理模块602、模型构建模块603、模型训练模块604、诊断模块605，其中：

所述数据获取模块601，用于确定多类历史宫颈细胞图像。

所述数据处理模块602，用于基于所述多类历史宫颈细胞图像构建模型训练集。

所述模型构建模块603，用于选取ResNet网络作为原始的基准网络模型，并在所述ResNet网络的基本残差块之后增加CA模块，得到初始异常细胞识别模型，其中，所述CA模块用于对基本残差块的输出进行注意力权重特征提取，得到在宽度和高度方向上带有注意力权重的目标特征图。

所述模型训练模块604，用于将所述模型训练集输入到初始异常细胞识别模型中进行模型训练，并训练结束时，得到目标异常细胞识别模型。

所述诊断模块605，用于基于所述目标异常细胞识别模型进行宫颈病理图像异常细胞识别，并输出相应诊断结果。

在其中一个实施例中，该系统中的各模块还用于执行上述实施例的任一可选的实现方式中的方法。

由上可知，本申请公开的一种宫颈病理图像异常细胞识别系统，选用ResNet50网络进行图像特征学习，利用网络深度特性，使得构建的异常细胞识别模型能够学习到更复杂的特征，从而提高识别准确率，且还在ResNet50网络中引入CA机制，使得改进后的模型能够精确地捕捉不同特征之间的关系，进一步提高图像分类的性能，实现了宫颈癌诊断的自动化。

本申请实施例提供一种可读存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random AccessMemory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

上述可读存储介质，选用ResNet50网络进行图像特征学习，利用网络深度特性，使得构建的异常细胞识别模型能够学习到更复杂的特征，从而提高识别准确率，且还在ResNet50网络中引入CA机制，使得改进后的模型能够精确地捕捉不同特征之间的关系，进一步提高图像分类的性能，实现了宫颈癌诊断的自动化。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种宫颈病理图像异常细胞识别方法，其特征在于，包括以下步骤：

S1、确定多类历史宫颈细胞图像；

S2、基于所述多类历史宫颈细胞图像构建模型训练集；

S3、选取ResNet网络作为原始的基准网络模型，并在所述ResNet网络的基本残差块之后增加CA模块，得到初始异常细胞识别模型，其中，所述CA模块用于对基本残差块的输出进行注意力权重特征提取，得到在宽度和高度方向上带有注意力权重的目标特征图；

S4、将所述模型训练集输入到初始异常细胞识别模型中进行模型训练，并训练结束时，得到目标异常细胞识别模型；

S5、基于所述目标异常细胞识别模型进行宫颈病理图像异常细胞识别，并输出相应诊断结果。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，所述确定历史宫颈细胞图像，包括：

S11、获取初始历史宫颈细胞图像；

S12、采用预设的尺寸调整方式，将所述初始历史宫颈细胞图像调整到预设尺寸，得到标准尺寸图像；

S13、按照预设的图像增强方式，对所述标准尺寸图像进行增强处理，得到增强图像；

S14、基于所述增强图像进行分类处理，得到多类历史宫颈细胞图像。

3.根据权利要求2所述的方法，其特征在于，步骤S12中，所述采用预设的尺寸调整方式，将所述初始历史宫颈细胞图像调整到预设尺寸，得到标准尺寸图像，包括：

S121、采用预设的尺寸调整方式，对所述初始历史宫颈细胞图像进行缩放处理，得到缩放图像；

S122、获取所述缩放图像的图像尺寸，并在确定所述图像尺寸大于预设尺寸时，对所述缩放图像进行裁剪处理，得到标准尺寸图像；

S123、在确定所述图像尺寸小于预设尺寸时，对所述缩放图像进行边缘零填充处理，得到标准尺寸图像；

S124、在确定所述图像尺寸等于预设尺寸时，将所述缩放图像作为标准尺寸图像。

4.根据权利要求1所述的方法，其特征在于，步骤S14中，所述多类历史宫颈细胞图像包括反映浅中层鳞状细胞特征的第一类历史宫颈细胞图像、反映柱状上皮细胞特征的第二类历史宫颈细胞图像、反映轻度异常细胞特征的第三类历史宫颈细胞图像、反映中度异常细胞特征的第四类历史宫颈细胞图像、以及反映类癌细胞特征的第五类历史宫颈细胞图像。

5.根据权利要求1所述的方法，其特征在于，步骤S3中，所述CA模块包括：

两个并行的平均池化模块；

连接到所述两个并行的平均池化模块的通道降维模块；

连接到所述通道降维模块的注意力特征提取模块；

两个并行的、且连接到所述注意力特征提取模块的通道升维模块；

连接到两个并行的通道升维模块的注意力权重计算模块；

连接到所述注意力权重计算模块的乘法加权计算模块。

6.根据权利要求5所述的方法，其特征在于，步骤S3中，所述目标特征图通过以下步骤处理得到：

S31、基于所述两个并行的平均池化模块，分别沿着宽度、高度两个空间方向对经由所述基本残差块输出的原始特征图进行特征聚合，得到对应的第一宽度特征图以及第一高度特征图；

S32、基于所述通道降维模块，依次对所述第一宽度特征图和所述第一高度特征图进行拼接处理、以及按照预设的降维比例对所得的拼接图像进行通道降维处理，得到降维图像；

S33、基于所述注意力特征提取模块，依次对所述降维图像进行归一化处理、以及通过Sigmoid激活函数对所得的归一化图像进行注意力特征学习，得到注意力特征图；

S34、基于两个并行的通道升维模块，将所述注意力特征图分别按照拼接降维前的初始图像宽度、以及初始图像高度进行卷积核为1×1的通道升维处理，得到对应的第二宽度特征图以及第二高度特征图；

S35、基于所述注意力权重计算模块，分别通过Sigmoid激活函数对所述第二宽度特征图、以及所述第二高度特征图进行注意力权重计算，得到对应宽度空间方向的第一注意力权重、以及对应高度空间方向的第二注意力权重；

S36、基于所述乘法加权计算模块获取原始特征图，并在所述原始特征图的基础上，基于第一注意力权重以及第二注意力权重进行乘法加权计算，得到在宽度和高度方向上带有注意力权重的目标特征图。

7.根据权利要求1所述的方法，其特征在于，所述基本残差块由依次连接的传统卷积层、以及深度可分离卷积层构成，其中：

所述深度可分离卷积层，用于对输入特征图的每个输入通道，分别应用一个深度卷积核进行卷积操作；

所述深度可分离卷积层，还用于使用1×1的卷积核对每个深度卷积的输出通道进行卷积操作；

所述深度可分离卷积层，还用于线性组合所属不同输出通道的通道特征图，生成最终的输出特征图。

8.根据权利要求1所述的方法，其特征在于，步骤S5中，所述基于所述目标异常细胞识别模型进行宫颈病理图像异常细胞识别，并输出相应诊断结果，包括：

S51、获取实时宫颈细胞图像，将所述实时宫颈细胞图像输入到所述目标异常细胞识别模型进行处理，得到对应的识别类别、以及预测概率；

S52、将识别类别对应的预测概率与最优阈值进行比较，其中，在确定预测概率大于最优阈值时，输出类癌细胞诊断结果，在确定预测概率小于或等于最优阈值时，输出非类癌细胞诊断结果。

9.一种宫颈病理图像异常细胞识别系统，其特征在于，所述系统包括数据获取模块、数据处理模块、模型构建模块、模型训练模块、诊断模块，其中：

所述数据获取模块，用于确定多类历史宫颈细胞图像；

所述数据处理模块，用于基于所述多类历史宫颈细胞图像构建模型训练集；

所述模型构建模块，用于选取ResNet网络作为原始的基准网络模型，并在所述ResNet网络的基本残差块之后增加CA模块，得到初始异常细胞识别模型，其中，所述CA模块用于对基本残差块的输出进行注意力权重特征提取，得到在宽度和高度方向上带有注意力权重的目标特征图；

所述模型训练模块，用于将所述模型训练集输入到初始异常细胞识别模型中进行模型训练，并训练结束时，得到目标异常细胞识别模型；

所述诊断模块，用于基于所述目标异常细胞识别模型进行宫颈病理图像异常细胞识别，并输出相应诊断结果。

10.一种存储介质，其特征在于，所述存储介质中包括宫颈病理图像异常细胞识别方法程序，所述宫颈病理图像异常细胞识别方法程序被处理器执行时，实现如权利要求1至9中任一项所述的方法的步骤。