技术领域
[0001] 本
发明涉及宫颈病变检测领域，特别指一种宫颈病变区域检测方法。
背景技术
[0002]
宫颈癌是女性的第四大
恶性肿瘤，是最常见的生殖道恶性肿瘤，全球每年宫颈癌的新发病例达528,000例，其中死亡例数达266,000例。随着宫颈癌的发病人数与死亡人数的逐年增加，而且发病人群呈现年轻化，使得宫颈癌/宫颈病变的防治与诊疗显得极为重要。因此，针对普通人群开展大规模、规范的宫颈癌筛查项目是降低宫颈癌发生和死亡的最有效方法之一。
[0003] 对宫颈癌进行诊断需要利用
阴道镜拍摄多时段的多张宫颈图像，阴道镜已成为临床上筛查CIN(宫颈上皮内瘤变)和早期宫颈癌的重要工具，且直接影响患者的诊疗方案。
[0004] 然而，阴道镜图像是一
门形态学技术，没有统一的诊断标准，图像特异性低，即使宫颈
炎症或者单纯HPV(人
乳头瘤病毒)感染也可在阴道镜下产生异常的图像。异常阴道镜图像的表现形式各式各样，既可表现为
醋酸白上皮，也可是异型血管，各种异常图像也可同时出现，因此阴道镜图像诊断宫颈病变的灵敏度高而特异度低。且操作者的主观因素尤其是其专业技术
水平及临床经验等对阴道镜的检查结果有较大的影响；宫颈活检的深度、范围等同样影响诊断的准确性。
[0005] 因此，如何提供一种宫颈病变区域检测方法，实现提高宫颈癌病变区域的检测准确度，成为一个亟待解决的问题。
发明内容
[0006] 本发明要解决的技术问题，在于提供一种宫颈病变区域检测方法，实现提高宫颈癌病变区域的检测准确度。
[0007] 本发明是这样实现的：一种宫颈病变区域检测方法，所述方法包括如下步骤：
[0008] 步骤S10、通过阴道镜拍摄宫颈图像并发送至计算机；
[0009] 步骤S20、对接收的图像进行预处理；
[0010] 步骤S30、利用区域候选网络在经过预处理的图像上选取候选区域；
[0011] 步骤S40、利用归一化指数函数对候选区域进行回归计算，进而对宫颈病变区域进行标定。
[0012] 进一步地，所述步骤S20具体包括：
[0013] 步骤S21、对接收的图像进行归一化处理；
[0014] 步骤S22、从归一化处理后的图像中提取深度特征。
[0015] 进一步地，所述步骤S21具体包括：
[0016] 步骤S211、将接收的图像缩放成大小为N*N的RGB图像，其中N＞0；
[0017] 步骤S212、通过标准数据集制作
软件，对缩放后的RGB图像进行宫颈病变区域标注；
[0018] 步骤S213、将标注的图像输入
卷积神经网络创建训练模型。
[0019] 进一步地，所述步骤S22具体包括：
[0020] 步骤S221、选取所述训练模型的浅层特征作为病变区域的分类依据；
[0021] 步骤S222、对所述训练模型提取深度特征：
[0022] 其中 表示将卷积神经网络内所有残差模
块产生的特征映射作为输入，WL和WL-1依次表示两个3×3的卷积权值矩阵，BN()表示对卷积神经网络每个
隐藏层的输出数据进行归一化处理，f()表示ReLU激活函数， 表示卷积神经网络的卷积操作；
[0023] 步骤S223、通过Squeeze操作的全局平局
池化，对卷积操作后的深度特征进行压缩，使得C个特征
层压缩为1*1*C的实数数列：
[0024] 其中C表示特征层的通道数，W表示特征层的宽，H表示特征层的高，uc表示特征层通道，i,j为正整数，Fsq()表示Squeeze操作；
[0025] 步骤S224、通过Excitation操作将Zc作为特征层的权重对每层的深度特征进行重分配：
[0026] Fex(Zc,W)＝σ(W2δ(W1Zc))，其中Fex()表示Excitation操作，δ表示ReLU激活函数，W1表示第一次全连接产生的参数，W2表示第二次全连接产生的参数。
[0027] 进一步地，所述步骤S30具体包括：
[0028] 步骤S31、将一任意
尺度图像输入区域候选网络；
[0029] 步骤S32、所述任意尺度图像利用卷积神经网络的卷积共享层产生特征图；
[0030] 步骤S33、在所述特征图上进行多尺度卷积操作选取候选区域，并给每个候选区域分配一用于标注是否是病变区域的二进制标签；
[0031] 步骤S34、区域候选网络输出候选区域的集合。
[0032] 进一步地，所述步骤S33具体包括：
[0033] 步骤S331、创建一在特征图上随机滑动进行选择特征的滑动窗口；
[0034] 步骤S332、以所述滑动窗口的中心为中心，使用3种尺度和3种长宽比在特征图上映射9种不同尺度的候选区域；
[0035] 步骤S333、给每个候选区域分配一用于标注是否是病变区域的二进制标签；
[0036] 步骤S334、判断候选区域与目标区域的IOU交叠比例，若≥70％，则将所述二进制标签设为正数；若≤30％，则将所述二进制标签设为负数；其余舍弃。
[0037] 进一步地，所述步骤S40具体包括：
[0038] 步骤S41、基于所述二进制标签定义一图像损失函数、一分类损失函数以及一回归损失函数；
[0039] 步骤S42、将重分配过的特征层作为归一化指数函数的输入，基于回归损失函数对候选区域进行回归计算，基于分类损失函数依据所述分类依据对回归计算后的候选区域进行分类，基于图像损失函数对宫颈病变区域进行标定。
[0040] 进一步地，所述步骤S41中，所述图像损失函数为：
[0041] 其中i表示选取的候选区域的索引；Pi表示候选区域i是目标区域的概率； 表示二进制标签的值，若候选区域为目标区域，则 否则 ti表示候选区域4个端点的坐标向量； 表示真实区域4个端点的坐标向量；Ncls表示对候选区域进行分类时的化参数；Nreg表示对候选区域进行归一化时的参数；λ表示常量平衡因子；
[0042] 所述分类损失函数为：
[0043]
[0044] 所述回归损失函数为：
[0045]
[0046]
[0047] tx＝(x-xa)/wa，ty＝(y-ya)/ha，tw＝log(w/wa)，th＝log(h/ha)，[0048] 其中x,y表示滑动窗口的中心坐标，w表示滑动窗口的宽，h表示滑动窗口的高；xa,ya表示候选区域的中心坐标，wa表示候选区域的宽，ha表示候选区域的高；x*,y*表示目标区域的中心坐标，w*表示目标区域的宽，h*表示目标区域的高。
[0049] 本发明的优点在于：
[0050] 通过卷积神经网络对病变区域进行学习，并通过Squeeze操作更好的表示每个深度特征的重要程度，通过Excitation操作增强有用特征和抑制不必要特征，极大的提高了病变区域的筛查效率，极大的提高了宫颈癌病变区域的检测准确度，有利于医生进一步诊断宫颈病变等级，对于提高宫颈筛查准确性具有重要意义。
附图说明
[0051] 下面参照附图结合
实施例对本发明作进一步的说明。
[0052] 图1是本发明一种宫颈病变区域检测方法的
流程图。
具体实施方式
[0053] 请参照图1所示，本发明一种宫颈病变区域检测方法的较佳实施例，包括如下步骤：
[0054] 步骤S10、通过阴道镜拍摄宫颈图像并发送至计算机；
[0055] 步骤S20、对接收的图像进行预处理；
[0056] 步骤S30、利用区域候选网络(RNP网络)在经过预处理的图像上选取候选区域；
[0057] 步骤S40、利用归一化指数函数(Softmax函数)对候选区域进行回归计算，进而对宫颈病变区域进行标定。
[0058] 所述步骤S20具体包括：
[0059] 步骤S21、对接收的图像进行归一化处理；归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。
[0060] 步骤S22、从归一化处理后的图像中提取深度特征。所述深度特征为卷积神经网络中经多次卷积和池化操作后的特征。
[0061] 所述步骤S21具体包括：
[0062] 步骤S211、将接收的图像缩放成大小为N*N的RGB图像，其中N＞0；
[0063] 步骤S212、通过标准数据集制作软件(labelImg)，对缩放后的RGB图像进行宫颈病变区域标注，并输出格式为VOC数据集(目标检测公共数据集)的标注数据；
[0064] 步骤S213、将标注的图像输入卷积神经网络创建训练模型。
[0065] 所述步骤S22具体包括：
[0066] 步骤S221、选取所述训练模型的浅层特征作为病变区域的分类依据；所述浅层特征为卷积神经网络前三层卷积池化后的特征；
[0067] 步骤S222、对所述训练模型提取深度特征：
[0068] 其中 表示将卷积神经网络内所有残差模块产生的特征映射作为输入，WL和WL-1依次表示两个3×3的卷积权值矩阵，BN()表示对卷积神经网络每个隐藏层的输出数据进行归一化处理，f()表示ReLU激活函数， 表示卷积神经网络的卷积操作；
[0069] 步骤S223、通过Squeeze操作的全局平局池化，对卷积操作后的深度特征进行压缩，使得C个特征层压缩为1*1*C的实数数列，为了更好的表示每个特征的重要程度，一个实数对应表示一层特征的重要程度：
[0070] 其中C表示特征层的通道数，W表示特征层的宽，H表示特征层的高，uc表示特征层通道，i,j为正整数，Fsq()表示Squeeze操作；所述特征层表示卷积运算产生的权重矩阵；
[0071] 步骤S224、通过Excitation操作将Zc作为特征层的权重对每层的深度特征进行重分配：
[0072] Fex(Zc,W)＝σ(W2δ(W1Zc))，其中Fex()表示Excitation操作，δ表示ReLU激活函数，W1表示第一次全连接产生的参数，W2表示第二次全连接产生的参数。全连接表示将每特征层的每一个
节点均与上一特征层的所有结点相连，用于把所有特征综合起来。
[0073] Squeeze操作和Excitation操作属于SE模块(Squeeze-and-Excitation Networks)的功能，SE模块通过显式地建模通道之间的相互依赖关系，自适应地重新校准通道式的特征响应。
[0074] 所述步骤S30具体包括：
[0075] 步骤S31、将一任意尺度图像输入区域候选网络；
[0076] 步骤S32、所述任意尺度图像利用卷积神经网络的卷积共享层产生特征图；所述卷积共享层是卷积神经网络生成的一个特征层，分类和回归同时用到这个特征层，所以叫共享层；
[0077] 步骤S33、在所述特征图上进行多尺度卷积操作选取候选区域，并给每个候选区域分配一用于标注是否是病变区域的二进制标签；
[0078] 步骤S34、区域候选网络输出候选区域的集合。
[0079] 所述步骤S33具体包括：
[0080] 步骤S331、创建一在特征图上随机滑动进行选择特征的滑动窗口；
[0081] 步骤S332、以所述滑动窗口的中心为中心，使用3种尺度和3种长宽比在特征图上映射9种不同尺度的候选区域；
[0082] 步骤S333、给每个候选区域分配一用于标注是否是病变区域的二进制标签；
[0083] 步骤S334、判断候选区域与目标区域的I OU交叠比例，若≥70％，则将所述二进制标签设为正数；若≤30％，则将所述二进制标签设为负数；其余舍弃，因其对是不是病变区域的分类没有帮助。
[0084] 所述步骤S40具体包括：
[0085] 步骤S41、基于所述二进制标签定义一图像损失函数、一分类损失函数以及一回归损失函数；
[0086] 步骤S42、将重分配过的特征层作为归一化指数函数(分类器)的输入，基于回归损失函数对候选区域进行回归计算，基于分类损失函数依据所述分类依据对回归计算后的候选区域进行分类，基于图像损失函数对宫颈病变区域进行标定。
[0087] 所述步骤S41中，所述图像损失函数为：
[0088] 其中i表示选取的候选区域的索引；Pi表示候选区域i是目标区域的概率； 表示二进制标签的值，若候选区域为目标区域，则 否则 ti表示候选区域4个端点的坐标向量；表示真实区域4个端
点的坐标向量；Ncls表示对候选区域进行分类时的化参数；Nreg表示对候选区域进行归一化时的参数；λ表示常量平衡因子；
[0089] 所述分类损失函数为：
[0090]
[0091] 所述回归损失函数为：
[0092]
[0093]
[0094] tx＝(x-xa)/wa，ty＝(y-ya)/ha，tw＝log(w/wa)，th＝log(h/ha)，[0095] 其中x,y表示滑动窗口的中心坐标，w表示滑动窗口的宽，h表示滑动窗口的高；xa,ya表示候选区域的中心坐标，wa表示候选区域的宽，ha表示候选区域的高；x*,y*表示目标区域的中心坐标，w*表示目标区域的宽，h*表示目标区域的高。
[0096] 综上所述，本发明的优点在于：
[0097] 通过卷积神经网络对病变区域进行学习，并通过Squeeze操作更好的表示每个深度特征的重要程度，通过Excitation操作增强有用特征和抑制不必要特征，极大的提高了病变区域的筛查效率，极大的提高了宫颈癌病变区域的检测准确度，有利于医生进一步诊断宫颈病变等级，对于提高宫颈筛查准确性具有重要意义。
[0098] 虽然以上描述了本发明的具体实施方式，但是熟悉
本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的
权利要求所保护的范围内。
