本发明涉及细胞的检测分类领域，尤其涉及一种病理鳞状上皮细胞的检测分类模型的构建。
背景技术：
鳞状上皮细胞又称扁平上皮细胞，主要来自输尿管下部、膀胱、尿道和阴道表层及子宫，其表面均被覆鳞状上皮细胞，该上皮的生长、分化主要受卵巢所产生的雌激素影响，而孕激素的作用是促使上皮细胞脱落。鳞状上皮细胞病变是宫颈液基细胞学检查过程中常见的变化，是宫颈细胞的正常变化，只有出现不典型的鳞状细胞病变才考虑有癌前期病变的可能，因此对于病理鳞状上皮细胞的检测分类难度较大，人工诊断需要丰富的经验，但仍会耗费大量时间，还会出现误判，导致无法准确筛查。
目前，利用计算机辅助检测鳞状上皮细胞基于图像特征方法能够提高诊断效率，但由于模型构建的不合理，诊断结果无法保证较高的准确度，且缺少对样本整体的诊断方法。
技术实现要素：
为了解决上述问题，本发明提供了一种病理鳞状上皮细胞的检测分类模型的构建，包括异常细胞检测模型的构建、视野图判断模型的构建、样本判断模型的构建；
所述异常细胞检测模型的构建包括以下步骤：
第一步：检测疑似病变细胞，包括检测训练和检测测试，所述检测训练包括提取候选框、分类定位和奖惩收敛；
第二步：优化检测结果，包括优化训练和优化测试，所述优化训练包括提取视野图特征、作出预测和比对收敛；
所述视野图判断模型的构建包括对于单张视野图的判断；所述对于单张视野图的判断包括判断训练和判断测试；所述判断训练包括提取子图特征、综合预测和比对收敛；
所述样本判断模型的构建包括基于单张视野图的样本诊断；所述基于单张视野图的样本诊断包括样本诊断训练和样本诊断测试；所述样本诊断训练包括组成序列、状态综合和比对收敛。
作为一种优选的技术方案，所述检测训练中提取候选框的步骤为：输入一张细胞图像的视野图，检测网络按照生成和修改原则提取候选框。
作为一种优选的技术方案，所述检测训练中分类定位的步骤为：基于当前检测网络的学习程度，提取候选框中与病变相对应的特征，经过特征选择和特征分析，获得候选框的分类结果，并对候选框的位置进行调整，获得最终定位。
作为一种优选的技术方案，所述优化训练中提取视野图特征的步骤为：输入一张第一步中产生的检测框视野图，基于当前检测网络的学习程度提取视野图中与真阳性、假阳性相关的特征。
作为一种优选的技术方案，所述判断训练中提取子图特征的步骤为：将异常细胞检测模型中的检测结果作为视野图输入检测网络，提取其中的检测框作为子视野图，基于当前检测网络的学习程度，提取每个子视野图中与病变相对应的特征。
作为一种优选的技术方案，所述判断训练中综合预测的步骤为：将子视野图中的特征综合汇总成一个特征信息，将其作为整个视野图的特征信息，经过卷积、池化、激活操作，再输入到全连接分类网络，将图片原始像素信息映射为相对应的特征信息，进而映射为分类信息，获得整个视野图的判断结果。
作为一种优选的技术方案，所述判断测试的步骤为：将一张来自异常细胞检测模型输出的检测结果作为视野图输入经过训练的视野图判断网络，提取其中的检测框作为子视野图，获取并汇总子视野图中的特征，将综合后的特征作为整个视野图的特征，经过卷积、池化、激活操作，再输入到全连接分类网络，获得该视野图的最终判断。
作为一种优选的技术方案，所述样本诊断训练中组成序列的步骤为：根据视野图判断模型的判断结果，将视野图按照阳性置信度排列，选取前10张视野图作为一组序列。
作为一种优选的技术方案，所述样本诊断训练中状态综合的步骤为：以视野图判断模型中的得到的整个视野图的特征作为该视野图的代表性图像特征，依次输入一组序列中的一个序列，并将上一位置的输出和当前位置的输入结合在一起，作为当前位置的rnn模型的输入，经过rnn的卷积、池化和激活操作，获得当前位置的输出，一直持续到最后一个位置，获得最后一个位置的输出之后，再经过全连接层，得到分类信息，输出样本判断结果。
作为一种优选的技术方案，所述样本判断测试的步骤为：将样本中置信度前10的视野图中整合后的特征输入经过训练的样本判断网络，经过rnn模型的操作，再经过rnn的卷积、池化和激活操作，获得当前位置的输出，直到最后一个位置的输出，再经过全连接层，可获得当前样本的判断结果。
有益效果：本发明提供的一种病理鳞状上皮细胞的检测分类模型的构建，包含异常细胞检测模型的构建、视野图判断模型的构建、样本判断模型的构建，三种模型环环相扣，层层递进，在上一模型的检测基础上对结果进行优化检测、细节再诊断、整合再诊断等，实现了整体上对诊断结果的多重把控，保证了诊断结果的准确性，并得到了完善的样本诊断方法。
附图说明
为了进一步解释说明本发明中提供的一种病理鳞状上皮细胞的检测分类模型的构建的有益效果，提供了相应的附图，需要指出的是本发明中提供的附图只是所有附图中选出来的个别示例，目的也不是作为对权利要求的限定，所有通过本申请中提供的附图获得的其他相应图谱均应该认为在本申请保护的范围之内。
图1为本发明中异常细胞检测模型的流程示意图。
图2为本发明中视野图判断模型的流程示意图。
图3为本发明中样本判断模型的流程示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
除非另有定义，否则在公开本发明时使用的所有术语(包括技术和科学术语)具有本发明所属领域的普通技术人员通常理解的含义。借助于进一步引导，包括术语定义以更好地理解本发明的教导。
为了解决上述问题，本发明提供了一种病理鳞状上皮细胞的检测分类模型的构建，包括异常细胞检测模型的构建、视野图判断模型的构建、样本判断模型的构建；
所述异常细胞检测模型的构建包括以下步骤：
第一步：检测疑似病变细胞；
第二步：优化检测结果。
异常细胞检测模型的构建
如图1所示，在异常细胞检测模型中，将细胞的显微镜图像作为视野图输入检测网络，经过异常细胞检测、异常细胞refine，对视野图作出判定并得到异常细胞检测结果，其中，异常细胞检测为该模型构建的第一步“检测疑似病变细胞”，旨在对视野图中与病变相关的特征进行定位和分类，异常细胞refine为该模型构建的第二步“优化检测结果”，可对第一步中的检测结果作出优化，识别真阳性，降低假阳性。
第一步：检测疑似病变细胞
检测疑似病变细胞的步骤基于fasterr-cnn的深度学习框架，将专业医生标注的标记框作为检测信息，对异常的细胞进行检测。
在一些实施方式中，所述检测疑似病变细胞步骤包括检测训练和检测测试。
在一些实施方式中，所述检测训练包括提取候选框、分类定位和奖惩收敛。
在一些实施方式中，所述提取候选框的步骤为：输入一张细胞图像的视野图，检测网络按照生成和修改原则提取候选框。
在一些实施方式中，所述视野图的大小为1024*1024。
在一些实施方式中，所述生成和修改原则包含候选框的比例和大小。
在一些实施方式中，所述生成原则为定义锚为预训练网络卷积层的最后一层视野图上的一个像素，可以生成k种候选框，每个候选框对应有一组缩放比例和宽高比。
在一些实施方式中，所述生成原则使用3种缩放比例，即128、256、512，3种宽高比，即1：2、1：1、2：1。
根据上述生成原则，每个锚的位置产生9个候选框。
在一些实施方式中，所述修改原则为使用专业医生预先标注的标记框进行微调和删改候选框的大小尺寸使得符合需要的大小，最后使用基于重叠度的合并方法，将重叠度大于某个固定阈值的候选框合并，完成候选框的修改。
在一些实施方式中，所述分类定位的步骤为：基于当前检测网络的学习程度，提取候选框中与病变相对应的特征，经过特征选择和特征分析，获得候选框的分类结果，并对候选框的位置进行调整，获得最终定位。
在一些实施方式中，所述特征选择和特征分析包括卷积、池化、激活；所述卷积参数为3*3*256，3*3*512，3*3*1024；所述池化采用最大池化法；所述激活采用relu函数。
卷积层神经网络中最重要的部分被称为过滤器(filter)或者内核(kernel)。过滤器可以将当前层神经网络上的一个子节点矩阵转化为下一层神经网络上的一个单位节点矩阵。单位节点矩阵指的是一个长和宽都为1，但是深度不限的节点矩阵。过滤器所处理节点矩阵的长和宽是需要人工指定的，这个节点矩阵的尺寸也被称为过滤器的尺寸，常用的过滤器尺寸有3*3和5*5。因为过滤器处理的矩阵深度和当前层神经网络节点矩阵的深度是一致的，所以虽然节点矩阵是三维的，但是过滤器的尺寸只需要指定两个维度。过滤器中另一个需要人工指定的设置是处理得到的单位节点矩阵的深度，这个设置称为过滤器的深度。综上，过滤器的尺寸指的是一个过滤器输入节点矩阵的大小，而深度指得是输出单位节点矩阵的深度。在卷积神经网络中，每一个卷积层使用的过滤器中的参数都是一样的，共享过滤器参数可以使得图像上的内容不受位置的影响。
在卷积层之间加上一个池化层，可以有效地减少矩阵的尺寸，进而减少最后全连接层中的参数，因此池化层既可以加快计算速度还可以防止过拟合。池化层过滤器中的计算不是节点的加权和，而是采用更加简单的最大值或者平均值计算。使用最大值操作的池化层被称为最大池化层，使用平均值操作的池化层被称为平均池化层。
神经网络中的每个神经元节点接受上一层神经元的输出值作为本神经元的输入值，并将输入值传递给下一层，输入层神经元节点会将输入属性值直接传递给下一层(隐层或输出层)。在多层神经网络中，上层节点的输出和下层节点的输入之间具有一个函数关系，这个函数称为激活函数。目前主流的神经网络主要采用sigmoid函数或者tanh函数，输出有界，很容易充当下一层的输入。近些年relu函数及其改进型，如leaky-relu、p-relu、r-relu等。
在一些实施方式中，所述奖惩收敛的步骤为：将检测网络得到的分类结果与医生标注的信息比对，通过奖惩使网络参数进行修改，直到网络具有最佳的收敛效果，检测训练完成。
在一些实施方式中，所述最佳的收敛效果为训练集上的loss经过震荡逐渐收敛，且保持稳定。
在一些实施方式中，所述检测测试的步骤为：将一张视野图输入经过训练的异常细胞检测网络，经过卷积、池化、激活操作，获得检测分类的结果和检测框的位置信息；所述卷积参数为3*3*256，3*3*512，3*3*1024；所述池化采用最大池化法；所述激活采用relu函数。
第二步：优化检测结果
经过第一步的疑似病变细胞检测所得到的结果会存在一定的假阳性，基于densenet的深度学习框架对已经检测出来的异常细胞进行优化检测，以给出真阳性和假阳性的判读，降低假阳性的检测结果。
在一些实施方式中，所述优化检测结果步骤包括优化训练和优化测试。
在一些实施方式中，所述优化训练包括提取视野图特征、作出预测和比对收敛。
在一些实施方式中，所述提取视野图特征的步骤为：输入一张第一步中产生的检测框视野图，基于当前检测网络的学习程度提取视野图中与真阳性、假阳性相关的特征。
在一些实施方式中，所述作出预测的步骤为：将提取的特征输入检测网络，经过卷积、池化、激活操作，将图片原始像素信息映射为分类结果，即为预测；所述卷积参数为1*1*256，1*1*512，3*3*256，3*3*512，3*3*1024；所述池化采用最大池化法和平均池化法；所述激活采用relu函数。
在一些实施方式中，所述比对收敛的步骤为：将检测网络得到的预测结果与医生标注的结果比对，对于不一致的情况，模型自动修改映射关系，直到网络具有最佳的收敛效果，优化训练完成。
在一些实施方式中，所述优化测试的步骤为：将一张来自检测网络输出的含有疑似病变细胞的视野图输入经过训练的异常细胞检测网络，提取视野图中相对应的特征信息，经过卷积、池化、激活操作，获得优化检测的分类结果。
视野图判断模型的构建
如图2所示，在视野图判断模型中，将异常细胞检测模型中的检测结果作为视野图输入检测网络，提取其中的检测框作为子视野图，获取并汇总子视野图中的特征，将综合后的特征作为整个视野图的特征，通过全连接网络对视野图作出异常判断。
在一些实施方式中，所述视野图判断模型的构建包括对于单张视野图的判断。
对于单张视野图的判断
在检测模型的基础上，利用已检测到的检测框将每张视野图进行再次检测，完成视野图的最终判断。
在一些实施方式中，所述对于单张视野图的判断包括判断训练和判断测试。
在一些实施方式中，所述判断训练包括提取子图特征、综合预测和比对收敛。
在一些实施方式中，所述提取子图特征的步骤为：将异常细胞检测模型中的检测结果作为视野图输入检测网络，提取其中的检测框作为子视野图，基于当前检测网络的学习程度，提取每个子视野图中与病变相对应的特征。
在一些实施方式中，所述子视野图的个数不少于5个，若少于5个，则将置信度最高的子视野图复制补充至5个。
在一些实施方式中，所述综合预测的步骤为：将子视野图中的特征综合汇总成一个特征信息，将其作为整个视野图的特征信息，经过卷积、池化、激活操作，再输入到全连接分类网络，将图片原始像素信息映射为相对应的特征信息，进而映射为分类信息，获得整个视野图的判断结果。
本申请中的全连接是指全连接神经网络中，每两层之间的节点都有边相连，用来把前边提取到的特征综合起来，全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息。
在一些实施方式中，所述全连接分为两层，一层是256节点到4096节点，第二层是4096节点到2个节点。
在一些实施方式中，所述综合汇总子视野图中的特征所使用的方法为最大池化法。
在一些实施方式中，所述比对收敛的步骤与异常细胞检测模型中的对比收敛步骤相同。
在一些实施方式中，所述判断测试的步骤为：将一张来自异常细胞检测模型输出的检测结果作为视野图输入经过训练的视野图判断网络，提取其中的检测框作为子视野图，获取并汇总子视野图中的特征，将综合后的特征作为整个视野图的特征，经过卷积、池化、激活操作，再输入到全连接分类网络，获得该视野图的最终判断。
样本判断模型
如图3所示，在样本判断模型中，选取阳性置信度高的10张视野图，将视野图判断模型中得到的该视野图整合后的特征信息输入网络，基于rnn的深度学习框架，按照置信度由高到低的顺序依次状态综合，完成样本级别的诊断。
在一些实施方式中，所述样本判断模型包括基于单张视野图的样本诊断。
基于单张视野图的样本诊断
在视野图判断模型的基础上，利用置信度较高的视野图中已整合的特征信息，将其依次综合，完成样本诊断。
在一些实施方式中，所述基于单张视野图的样本诊断包括样本诊断训练和样本诊断测试。
在一些实施方式中，所述样本诊断训练包括组成序列、状态综合和比对收敛。
在一些实施方式中，所述组成序列的步骤为：根据视野图判断模型的判断结果，将视野图按照阳性置信度排列，选取前10张视野图作为一组序列。
在一些实施方式中，所述状态综合的步骤为：以视野图判断模型中的得到的整个视野图的特征作为该视野图的代表性图像特征，依次输入一组序列中的一个序列，并将上一位置的输出和当前位置的输入结合在一起，作为当前位置的rnn模型的输入，经过rnn的卷积、池化和激活操作，获得当前位置的输出，一直持续到最后一个位置，获得最后一个位置的输出之后，再经过全连接，得到分类信息，输出样本判断结果；所述卷积参数为1*1*256，1*1*512，3*3*256，3*3*512，3*3*1024；所述池化采用最大池化法；所述激活采用sigmoid函数；所述全连接分为两层，一层是256节点到1024节点，第二层是1024节点到2个节点。
在一些实施方式中，所述比对收敛的步骤与异常细胞检测模型中的对比收敛步骤相同。
在一些实施方式中，所述样本判断测试的步骤为：将样本中置信度前10的视野图中整合后的特征输入经过训练的样本判断网络，经过rnn模型的操作，再经过rnn的卷积、池化和激活操作，获得当前位置的输出，直到最后一个位置的输出，再经过全连接层，可获得当前样本的判断结果。
本发明提供的一种病理鳞状上皮细胞的检测分类模型，包含异常细胞检测模型、视野图判断模型、样本判断模型，三种模型环环相扣，层层递进，在上一模型的检测基础上对结果进行优化检测、细节再诊断、整合再诊断等，整体上对诊断结果进行多重把控，保证了诊断结果的准确性，并得到了完善的样本诊断方法。
最后指出，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
技术特征：
1.一种病理鳞状上皮细胞的检测分类模型的构建，其特征在于，包括异常细胞检测模型的构建、视野图判断模型的构建、样本判断模型的构建；
所述异常细胞检测模型的构建包括以下步骤：
第一步：检测疑似病变细胞，包括检测训练和检测测试，所述检测训练包括提取候选框、分类定位和奖惩收敛；
第二步：优化检测结果，包括优化训练和优化测试，所述优化训练包括提取视野图特征、作出预测和比对收敛；
所述视野图判断模型的构建包括对于单张视野图的判断；所述对于单张视野图的判断包括判断训练和判断测试；所述判断训练包括提取子图特征、综合预测和比对收敛；
所述样本判断模型的构建包括基于单张视野图的样本诊断；所述基于单张视野图的样本诊断包括样本诊断训练和样本诊断测试；所述样本诊断训练包括组成序列、状态综合和比对收敛。
2.如权利要求1所述的病理鳞状上皮细胞的检测分类模型的构建，其特征在于，所述检测训练中提取候选框的步骤为：输入一张细胞图像的视野图，检测网络按照生成和修改原则提取候选框。
3.如权利要求1所述的病理鳞状上皮细胞的检测分类模型的构建，其特征在于，所述检测训练中分类定位的步骤为：基于当前检测网络的学习程度，提取候选框中与病变相对应的特征，经过特征选择和特征分析，获得候选框的分类结果，并对候选框的位置进行调整，获得最终定位。
4.如权利要求1所述的病理鳞状上皮细胞的检测分类模型的构建，其特征在于，所述优化训练中提取视野图特征的步骤为：输入一张第一步中产生的检测框视野图，基于当前检测网络的学习程度提取视野图中与真阳性、假阳性相关的特征。
5.如权利要求1所述的病理鳞状上皮细胞的检测分类模型的构建，其特征在于，所述判断训练中提取子图特征的步骤为：将异常细胞检测模型中的检测结果作为视野图输入检测网络，提取其中的检测框作为子视野图，基于当前检测网络的学习程度，提取每个子视野图中与病变相对应的特征。
6.如权利要求1所述的病理鳞状上皮细胞的检测分类模型的构建，其特征在于，所述判断训练中综合预测的步骤为：将子视野图中的特征综合汇总成一个特征信息，将其作为整个视野图的特征信息，经过卷积、池化、激活操作，再输入到全连接分类网络，将图片原始像素信息映射为相对应的特征信息，进而映射为分类信息，获得整个视野图的判断结果。
7.如权利要求1所述的病理鳞状上皮细胞的检测分类模型的构建，其特征在于，所述判断测试的步骤为：将一张来自异常细胞检测模型输出的检测结果作为视野图输入经过训练的视野图判断网络，提取其中的检测框作为子视野图，获取并汇总子视野图中的特征，将综合后的特征作为整个视野图的特征，经过卷积、池化、激活操作，再输入到全连接分类网络，获得该视野图的最终判断。
8.如权利要求1所述的病理鳞状上皮细胞的检测分类模型的构建，其特征在于，所述样本诊断训练中组成序列的步骤为：根据视野图判断模型的判断结果，将视野图按照阳性置信度排列，选取前10张视野图作为一组序列。
9.如权利要求1所述的病理鳞状上皮细胞的检测分类模型的构建，其特征在于，所述样本诊断训练中状态综合的步骤为：以视野图判断模型中的得到的整个视野图的特征作为该视野图的代表性图像特征，依次输入一组序列中的一个序列，并将上一位置的输出和当前位置的输入结合在一起，作为当前位置的rnn模型的输入，经过rnn的卷积、池化和激活操作，获得当前位置的输出，一直持续到最后一个位置，获得最后一个位置的输出之后，再经过全连接层，得到分类信息，输出样本判断结果。
10.如权利要求1所述的病理鳞状上皮细胞的检测分类模型的构建，其特征在于，所述样本判断测试的步骤为：将样本中置信度前10的视野图中整合后的特征输入经过训练的样本判断网络，经过rnn模型的操作，再经过rnn的卷积、池化和激活操作，获得当前位置的输出，直到最后一个位置的输出，再经过全连接层，可获得当前样本的判断结果。
技术总结
本发明公开了一种病理鳞状上皮细胞的检测分类模型的构建，包括异常细胞检测模型的构建、视野图判断模型的构建、样本判断模型的构建；该检测分类模型中的三种模型环环相扣，层层递进，在上一模型的检测基础上对结果进行优化检测、细节再诊断、整合再诊断等，实现了整体上对诊断结果的多重把控，保证了诊断结果的准确性，并得到了完善的样本诊断方法。
技术研发人员：李文勇;张立篪;陈巍;蹇秀红;王鹏;殷亚娟;陶军之
受保护的技术使用者：江苏迪赛特医疗科技有限公司
技术研发日：.11.13
技术公布日：.02.28
