申请/专利权人:中南大学
申请日:2022-03-14
公开(公告)日:2024-04-19
公开(公告)号:CN114581429B
主分类号:G06T7/00
分类号:G06T7/00;G06N3/0464;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2024.04.19#授权;2022.06.21#实质审查的生效;2022.06.03#公开
摘要:本发明公开了一种基于区域关系的宫颈细胞检测方法,包括获取已有的宫颈细胞图像并标注宫颈细胞得到训练集;构建宫颈细胞检测初步模型;采用训练集对宫颈细胞检测初步模型进行训练得到宫颈细胞检测模型;采用宫颈细胞检测模型对实际的宫颈细胞图像进行检测并完成最终的宫颈细胞识别。本发明还公开了一种包括所述基于区域关系的宫颈细胞检测方法的成像方法。本发明利用上下文信息对宫颈细胞进行检测,同时在检测过程添加了细胞关系上下文信息和全局图像上下文信息到细胞特征中,增强了细胞特征的表示能力,提高了宫颈细胞的检测效果;而且本发明能够实现端到端的宫颈细胞检测,而且可靠性高,准确性好。
主权项:1.一种基于区域关系的宫颈细胞检测方法,包括如下步骤:S1.获取已有的宫颈细胞图像,并进行宫颈细胞标注,从而得到训练集;S2.构建宫颈细胞检测初步模型,具体包括如下步骤:S2.1构建用于提取深度特征的卷积神经网络,以及用于提取RoI区域的候选区域网络;S2.2将步骤S2.1得到的RoI区域进行池化操作,并在全局特征图上进行裁剪得到对应的RoI特征;S2.3将步骤S2.2得到的RoI特征输入到RoI关系注意力网络,并通过细胞间关系上下文信息得到关系增强RoI特征;具体包括如下步骤:将每个RoI特征看作一个单一区域的细胞特征,将所有RoI特征的每一个像素的特征计算相似度,从而得到RoI关系向量,并通过注意力机制和残差连接,得到最终的关系增强RoI特征;具体实施时,采用如下算式进行计算:R'=Z+R式中R'为最终得到的关系增强RoI特征;R为输入的RoI特征;Z为RoI关系向量,且v为张量整形算子,作用为将大小为a1×a2×a3×a4的张量整形成大小为a1a2a3×a4的矩阵;v-1为张量整形算子v的逆操作;φ1、φ2、φ3和φ4均为设定的线性映射函数;δ为相似性度量函数,具体为通过softmax函数将不同像素间的相似度归一化到设定范围;τ为设定的比例因子;R↓为大小为的张量,为向下取整函数,且R↓=downsampleR,downsampleR为对输入的RoI特征进行下采样操作;s为RoI区域的高度和宽度,C为通道数;S2.4将步骤S2.3得到的关系增强RoI特征输入到RoI全局注意力网络,并通过全局图像上下文信息得到全局增强RoI特征;具体包括如下步骤:将每个RoI特征与图像的全局特征计算相似度,再通过注意力机制和残差链接得到最终的全局增强RoI特征;具体实施时,采用如下算式进行计算:R”=H+R',式中R”为最终得到的全局增强RoI特征;R'为步骤S2.3得到的关系增强RoI特征;H为全局关系特征,且ψ1、ψ2、ψ3和ψ4均为设定的线型映射函数;v为张量整形算子,作用为将大小为a1×a2×a3×a4的张量整形成大小为a1a2a3×a4的矩阵;v-1为张量整形算子v的逆操作;δ为相似性度量函数,具体为通过softmax函数将不同像素间的相似度归一化到设定范围;τ为设定的比例因子;G↓为大小为的张量,且G↓=downsampleG;downsampleG为对全局特征G进行下采样操作;w为目标框的宽,h为目标框的高;S2.5将步骤S2.4得到的全局增强RoI特征输入到检测头部网络进行分类和回归;S2.6将步骤S2.5中检测头部网络的输出结果进行处理,得到最终的宫颈细胞检测结果;S3.采用步骤S1得到的训练集对步骤S2构建的宫颈细胞检测初步模型进行训练,从而得到宫颈细胞检测模型;S4.采用步骤S3得到的宫颈细胞检测模型,对实际的宫颈细胞图像进行检测,从而完成最终的宫颈细胞识别。
全文数据:
权利要求:
百度查询: 中南大学 一种基于区域关系的宫颈细胞检测方法及成像方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。