CN107609503A

CN107609503A - 智能癌变细胞识别***及方法、云平台、服务器、计算机

Info

Publication number: CN107609503A
Application number: CN201710792863.0A
Authority: CN
Inventors: 刘宇红; 彭琳钰; 蒋明怀
Original assignee: Individual
Current assignee: Individual
Priority date: 2017-09-05
Filing date: 2017-09-05
Publication date: 2018-01-19

Abstract

本发明属于医疗图像识别技术领域，公开了一种智能癌变细胞识别***及方法、云平台、服务器、计算机，包括：图像采集模块，获取待识别细胞标本图像信息；前端处理模块，用于将获取的待识别细胞标本图像数据进行压缩处理；专家云平台，在云服务端搭建软件平台建立图像分析***，利用深度学***台的同时，提供某较大概率的病状识别参考信息；显示模块，将准确识别的病状结果显示。本发明节省了大量人工时间，进一步减少了漏诊率和降低了人工成本。

Description

智能癌变细胞识别***及方法、云平台、服务器、计算机

技术领域

本发明属于医疗图像识别技术领域，尤其涉及一种智能癌变细胞识别***及方法、云平台、服务器、计算机。

背景技术

在医学上，癌是指起源于上皮组织的恶性肿瘤，是恶性肿瘤中最常见的。据《2015年中国癌症统计》报告指出，自2000年到2011年，男性人群中肿瘤的发病例较稳定，每年约提高0.2％；在女性人群中的发病例则每年约提高2.2％；即在女性人群中呈现逐年显著上升的趋势。国际抗癌联盟认为，1/3的癌症是可以预防的，1/3的癌症如能早期诊断是可以治愈的，1/3的癌症可以减轻痛苦，延长生命。***是妇科最常见的两大恶性肿瘤之一，发病率仅次于乳腺癌，但死亡率却位居女性癌死亡之首，居所有癌症死亡率的第4位。据世界卫生组织国际癌症研究署(International Agency for Research on Cancer,IARC)估计，2008年全球约有52.9万例新发***，其中85％发生在欠发达地区，59％发生在亚洲：死亡病例达27.5万，其中85％死亡病例发生在发展中国家。平均发病年龄52.2岁，年龄分布呈双峰：35-39岁，60-64岁，而发病年龄越趋年轻化。

我国***发病率已高居世界第二位，近20年来，我国***发病率和死亡率均有上升，仅次于智利。据中国科技部所启动的“《中国癌症地图集》编制”项目显示：中国目前每年新发***病例有10万人，占全球病例的1/5。我国***高发区主要集中在中西部地区，农村地区的上升幅度明显高于城市的上升幅度。***发病高低与生活水平、卫生和受教育程度相关，中国高发区:山西、内蒙、陕西、湖北、湖南、江西等。而经临床证明，早期***治愈率可达90％以上。目前关于癌细胞、肿瘤的识别，在国际和国内都以团队或个人进行过研究，但是始终停留在性能检测与可行性论证阶段，至今并未对其进行产品批量化生产；尤其是国内，对智能细胞识别医疗设备的研发更是刚刚处于起步阶段，距大规模产品化，商业化还有很长的一段距离。目前国内对于专门集细胞标本采集、处理、自动阅片的设备少之甚少，相关癌症检测的医疗设备也多数集中在采集，处理的功能，没有直接检测诊断一体化的功能。现有的宫颈细胞识别方法中，多数使用边缘检测方法来识别图像中对象的边缘，这种方法可能无法在特定细胞类型的细胞图像或不感兴趣的细胞类型的细胞图像的对象之间进行区分，此外，对于包括融合(相邻或重叠)的细胞群体的图像中单独的细胞识别可能是无效的。边缘检测方法可能无法将细胞从其他类型的对象中区分开，也可能无法检测包围对象的整个边缘。还有一种常见的分类方法，在对宫颈细胞图像预处理后，采用SVM分类器对宫颈细胞训练样本提取的特征向量进行训练，在细胞图像分类的鲁棒性、识别速度等方面较之前者所述方法有所提高，但采用SVM算法对于大规模训练样本却难以实施，其次，经典的支持向量机算法只给出了二分类的算法，对解决多分类问题存在困难。

综上所述，现有技术存在的问题是：现有宫颈细胞识别方法存在无法在特定细胞类型的细胞图像或不感兴趣的细胞类型的细胞图像的对象之间进行区分，对于包括融合(相邻或重叠)的细胞群体的图像中单独的细胞识别可能是无效的，无法检测包围对象的整个边缘；采用SVM算法对于大规模训练样本却难以实施。

发明内容

针对现有技术存在的问题，本发明提供了一种智能癌变细胞识别***及方法、云平台、服务器、计算机。

本发明是这样实现的，一种智能癌变细胞识别***，所述智能癌变细胞识别***包括：

图像采集模块，获取待识别细胞标本图像信息；

前端处理模块，与图像采集模块连接，用于将获取的待识别细胞标本图像数据进行压缩处理；

专家云平台，与前端处理模块连接，在云服务端搭建软件平台建立图像分析***，利用深度学习卷积神经网络，建立细胞图像训练数据库，将获取的图像信息进行识别，将明确判定的病变细胞识别并输出至显示模块；

诊断建议模块，与前端处理模块、专家云平台连接，用于显示病状结果外，上传至专家云平台的同时，提供某较大概率的病状识别参考信息；

显示模块，与前端处理模块、专家云平台连接，将准确识别的病状结果显示。

进一步，所述前端处理模块包括:

前端图像采集***，通过图像采集模块获取待识别细胞染色标本图像信息，运用图像压缩编码技术对采集的图像进行压缩处理，再通过网络通信模块将采集的图像数据通过TCP/IP网络协议上传至专家云平台进行处理；

诊断显示模块，用于将专家云平台反馈回来的诊断结果进行显示和结果输出；

网络通信模块，将获取的待识别细胞标本图像数据进行压缩处理，运用TCP/IP网络协议将图像数据上传至专家云平台进行处理。

进一步，所述专家云平台包括：

特征提取模块，从获取图像信息中提取特征，其从图像采集模块获取病变细胞的特征信息；

图像信息识别模块，利用病变细胞特征信息进行图像识别处理，对图像信息中所包含的与病变细胞数据库中的识别对象物图像进行识别。

本发明的另一目的在于提供一种所述智能癌变细胞识别***的智能癌变细胞识别方法，所述智能癌变细胞识别方法包括通过图像采集模块采集已经本设备处理、染色后的细胞样本图像，获取的图像通过网络通信模块上传至专家云平台，云平台端搭建的图像分析***通过训练好的模型进行特征匹配与识别，如果无法识别，再通过医疗专家进行在线诊断；采用深度学***台，并提供一定概率的病例参考信息。

进一步，所述智能癌变细胞识别方法用卷积神经网络对输入图像进行随机镜像、翻转、切割、平滑处理和去均值等预处理，然后通过卷积层逐层进行特征提取，学习从底层到高层的特征；训练采用有监督的方式，将数据集打标签，用梯度下降法训练数据集。

进一步，所述训练对数据进行局部响应归一化，将学***台，当阈值低于v2或介于v2～v1时，将原始图像传送至专家云平台供人工诊断。

进一步，所述平滑约束的计算公式为:

残差计算公式为：当前层k为卷积层，k+1层为下一层的子采样层，第k层的第j个特征图的残差公式为：

其中，up(x)是将第k+1层的大小扩展与第k层一样。

本发明的另一目的在于提供一种应用所述智能癌变细胞识别***的云平台。

本发明的另一目的在于提供一种应用所述智能癌变细胞识别***的服务器。

本发明的另一目的在于提供一种应用所述智能癌变细胞识别***的计算机。

本发明的优点及积极效果为：能识别出鳞状细胞癌、子宫内膜腺癌、卵巢癌、直肠癌、恶性混合性中胚叶肿瘤等癌变细胞及肿瘤，识别判断准确率达96％以上，无法判断的样本图像送至专家云平台诊断，降低了病状误判的可能性；采用模板匹配法和深度学***较低的问题；节省了大量人工时间，进一步减少了漏诊率和降低了人工成本。同时也适合偏远地区的普查，给医疗条件简陋，交通不便的地区提供了极大便利。

与国内现有技术相比，本发明是专为医疗人员开发的高效、便捷的医疗辅助设备，利用机器视觉、数字图像处理、深度学***台的自动识别相结合节省了大量人力和时间，并且有效降低或避免了误诊率，具有十分广阔的应用前景。

附图说明

图1是本发明实施例提供的智能癌变细胞识别***结构示意图；

图2是本发明实施例提供的智能癌变细胞识别方法流程图；

图3是本发明实施例提供的CNN实现模型简化图；

图4是本发明实施例提供的智能癌变细胞训练网络简化图；

图5是本发明实施例提供的SoftmaxWithLoss层示意图；

图6是本发明实施例提供的反向传播流程图；

图7是本发明实施例提供的梯度下降法(SGD)下降过程图；

图中：1、图像采集模块；2、前端处理模块；3、专家云平台；4、诊断建议模块；5、显示模块。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的智能癌变细胞识别***包括：图像采集模块1、前端处理模块2、专家云平台3、诊断建议模块4、显示模块5。

图像采集模块1，获取待识别细胞标本图像信息。

前端处理模块2，与图像采集模块1连接，包括:前端图像采集***，通过图像采集模块获取待识别细胞染色标本图像信息，运用图像压缩编码技术对采集的图像进行压缩处理，再通过网络通信模块将采集的图像数据通过TCP/IP网络协议上传至专家云平台进行处理；诊断显示模块，用于将专家云平台3反馈回来的诊断结果进行显示和结果输出；网络通信模块，将获取的待识别细胞标本图像数据进行压缩处理，运用TCP/IP网络协议将图像数据上传至专家云平台进行处理。

专家云平台3，与前端处理模块2连接，在云服务端搭建软件平台建立图像分析***，利用深度学习卷积神经网络，建立细胞图像训练数据库，将上述获取的图像信息进行识别，将明确判定的病变细胞识别并输出至显示模块，如无法识别，再通过医疗专家进行人工在线诊断；特征提取模块，从获取图像信息中提取特征，其从图像采集模1块获取病变细胞的特征信息；图像信息识别模块，利用上述病变细胞特征信息进行图像识别处理，对上述图像信息中所包含的与病变细胞数据库中的识别对象物图像进行识别。

诊断建议模块4，与前端处理模块2、专家云平台3连接，除显示上述确定的病状结果外，上传至专家云平台的同时，提供某较大概率的病状识别参考信息。

显示模块5，与前端处理模块2、专家云平台3连接，将准确识别的病状结果通过此模块显示。

如图2所示，本发明实施例提供的智能癌变细胞识别***及方法、云平台、服务器、计算机包括以下步骤：

通过图像采集模块采集已经本设备处理、染色后的细胞样本图像，获取的图像通过网络通信模块上传至专家云平台，云平台端搭建的图像分析***通过训练好的模型进行特征匹配与识别，如果无法识别，再通过医疗专家进行在线诊断。图像识别***采用深度学***台，并提供一定概率的病例参考信息，以杜绝误诊。

本发明实施例提供的智能癌变细胞识别***获取来自装载在医疗检测设备T上的高清图像采集模块的图像信息，并将采集的图像信息送至前端识别处理(参照图1)；通信模块采用以太网接口或支持4G上网拨号、DHCP或PPPOE的无线上网模块的方式，将采集模块的图像信息传送至专家云平台；在云平台上搭建软件平台建立图像分析***，利用深度学***台端相连，接收通过云平台端识别的结果，输出至显示屏；专家云平台，属于一种云服务平台，基于Hadoop架构构建一个小规模的分布式集群，能接收前端传送的不能识别的原始图像以供专家远程诊断及处理，以防误诊或漏诊；

本发明实施例的图像识别***通过在云平台上搭建软件平台，利用卷积神经网络，建立图像学***滑处理和去均值等预处理，然后通过卷积层逐层进行特征提取，学习从底层到高层的特征。训练采用有监督的方式，将数据集打标签，用梯度下降法(SGD)(训练前期和中期采用AdaDelta法)训练数据集，使用AdaDelta法的学习率是单调递减的，训练后期学习率非常小，其需要手工设置一个全局的初始学习率。

训练过程对数据进行局部响应归一化，用序列化存储可学***台，当阈值低于v2或介于v2～v1时，将原始图像传送至专家云平台供人工诊断。

本发明实施例的识别***采用基于卷积神经网络(CNN)的深度学习搭建，如图3所示。这种网络具有较强的泛化能力，在识别时对输入样本有较高的畸变容忍能力，特征提取时避免了显式特征的抽取，而是隐式地从训练数据中进行学习，再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习。其特点除计算速度快之外，还有：局部互联(局部区域感知)、权值共享、下采样(时间或空间上的采样)及多个卷积层。

CNN中相邻层之间的神经单元不是全连接，而是部分连接，神经元之间的连接来自上一层的部分神经元。本识别***所采用的CNN模型使用了ReLU激活函数(如图4所示)，其属于非饱和激活函数，由于在神经网络进行误差反向传播时，存在梯度消失问题，即每层都要与激活函数的一阶导数相乘，当网络层数较多时，梯度G就会不断衰减直至[0,+∞)消失。ReLU函数表达式为：值域为，此函数收敛速度较快，以减缓梯度的衰减。

为提高模型泛化能力，加入了LRN层(局部响应归一化层)，如图4所示。该层模仿生物神经***的侧抑制机制，对局部神经元的活动创建竞争机制，使得响应比较大的值相对更大，执行一种“侧抑制”操作，对输入数的局部做归一操作，当前层的输出做平滑处理。该层每个输入值都要除以，n为局部尺寸大小：local_size，α为缩放因子，β为指数项，默认值为5，做平滑约束的计算公式即为:

网络中的pooling层以max的模式采用重叠池化，即在计算中选取输入数据一定区域的最大值，记录下最大值在每个小区域中的位置，反向传播时，将残差传递到该最大值位置，其他位置置零。残差计算公式为：

设当前层k为卷积层，k+1层为下一层的子采样层，第k层的第j个特征图的残差公式为：

其中，up(x)是将第k+1层的大小扩展与第k层一样。

经过N层卷积层迭代后，在为防止过拟合，在后几层的pooling层和ReLU层加入dropout层，dropout层随机的让一些节点输出置零，也不更新权重，因此可以避免某些特征只在固定的组合下才生效，有意识的让网络去学习一些普遍的共性，而不是某些训练样本的一些特性。

最后的输出层选用SoftmaxWithLoss分类器，如图5所示。SoftmaxWithLoss实际是Multinomial Logistic Loss Layer(交叉熵代价函数)和Softmax Layer的组合。假设样本数量有m个，每个样本特征数量为b，计算这m个样本在n个类上的概率，计算公式为：

将k维的实向量(a₁,a₂,a₃,...,a_n)映射为(b₁,b₂,b₃,...,b_n)，然后根据b_i的大小来进行多分类任务(取权重最大的一维)。

图像采集模块采用高清摄像头，将待识别图像送入前端，通过卷积神经网络进行前向传播，前向传播基本原理如下：

从输入单元到第一个隐层H1计算为：其中k取值遍历所有输入层节点，z_k是对前一层所有节点的加权和，f(·)为非线性函数，后层以此类推。

输入信息从输入层经隐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态，对于网络输出与期望输出的误差，用输出层的非线性作用函数。对于输入层到隐层的权值w_ij则依然采用BP算法更新权重。输入信息从输入层经隐层处理，具体处理方式为：设置初始权值及门限，将它们都设为较小的随机数。经隐层处理后传向输出层按输入新的输入向量和对应的输出向量传播。

在前向传播阶段，数据源起于数据读取层，经过若干处理层，到达最后一层(损失层或者是特征层)，在此阶段，网络中的权值不发生变化，网路路径是一个有向无环图(DAG)，从最开始的节点出发，经过若干处理层，不存在循环结构，因此数据流会一直向前推进直至终点。

以数据流分析方法对前向传播过程进行研究，即：从输入数据集中取一个样本(X,Y)，其中X为数据，Y为标签。将X送入网络，逐层计算，得到相应的网络处理输出O，网络执行的计算用公式表示为：

O＝F_n(...(F₂(F₁(XW₁)W₂)...)W_n)；

其中，F_i,i-1,2,…,n表示非线性变换，W_i,i＝1,2,…,n表示各个权值层权值。O为网络输出，可以用(Y,O)评估网络质量，理想的网络满足Y＝＝O。

在细胞标本数据集的训练过程中，先经过前向传播将输入信息传递至输出层，对网络输出和误差进行修正，最后一层与目标函数比较得到损失函数，计算误差更新值，再通过反向传播算法按极小化误差的方法，调整权值和偏置，所有权值层在反向传播结束后一起更新。调整隐层至输出层的连接权值为：w_jk＝w_jk-α(y_k-t_k)h_j，α为学习率。

调整输入层至隐层的连接权值：

w_ij＝w_ij-αW_jx_i,其中

反向传播算法基本原理如图6所示，具体如下：

对于m个样本数据集，可定义整体代价函数为：

J(w,b)是一个非凸函数，因此用梯度下降法(SGD)，如图7所示。梯度下降法的第一步是给θ给一个初值，假设随机给的初值是在图7上的三角形点。然后我们将θ按照梯度下降的方向进行调整，就会使得J(θ)往更低的方向进行变化，算法的结束将是在θ下降到无法继续下降为止(如图7中最小值点)。

收敛到局部最优解时，全局误差为：其中为第l个样本输入到网络后得到的输出(j＝1,2,..,p)，为期望输出。单个样本的误差即为：表示第l个样本的误差。

经过反向传播后权值发生变化，采用累计误差BP算法调整w_ij，使E变小，即：

η为学习率，定义误差信号为：

其中，是输出层传递函数的偏微分。

故：

由链式法则得：

其中，分别为前向传播中隐层节点的输出和输出层节点的输出。

因此输出层各神经元的权值调整公式为：

隐层的权值调整公式同理为：

具体训练过程如下：

训练网络时候，图像裁自动裁剪为m*n像素值，数据库由不同病例细胞图像组成，在该识别***模型训练中：

(1)初始学习率设置为0.1～0.01，采用multistep策略逐步减小学习率，gamma设置为0.1，每个stepvalue的学习率减小为：当前学习率*gamma。

(2)训练前阶段采用AdaDelta(自适应学习率调整)方式求解最优值，这是一种“鲁棒的学习率方法”，是基于梯度的优化方法，采用此种方法能提高最后的准确率。

由于图像特征信息较多，数据繁杂，因此训练过程需要反复迭代训练，直到loss收敛，在训练样本的过程中，保持均匀输入，最终能实现较理想的识别率。

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。

Claims

1.一种智能癌变细胞识别***，其特征在于，所述智能癌变细胞识别***包括：

图像采集模块，获取待识别细胞标本图像信息；

2.如权利要求1所述的智能癌变细胞识别***，其特征在于，所述前端处理模块包括:

3.如权利要求1所述的智能癌变细胞识别***，其特征在于，所述专家云平台包括：

4.一种如权利要求1所述智能癌变细胞识别***的智能癌变细胞识别方法，其特征在于，所述智能癌变细胞识别方法包括通过图像采集模块采集已经本设备处理、染色后的细胞样本图像，获取的图像通过网络通信模块上传至专家云平台，云平台端搭建的图像分析***通过训练好的模型进行特征匹配与识别，如果无法识别，再通过医疗专家进行在线诊断；采用深度学***台，并提供一定概率的病例参考信息。

5.如权利要求4所述的智能癌变细胞识别方法，其特征在于，所述智能癌变细胞识别方法用卷积神经网络对输入图像进行随机镜像、翻转、切割、平滑处理和去均值等预处理，然后通过卷积层逐层进行特征提取，学习从底层到高层的特征；训练采用有监督的方式，将数据集打标签，用梯度下降法训练数据集。

6.如权利要求5所述的智能癌变细胞识别方法，其特征在于，所述训练对数据进行局部响应归一化，将学***台，当阈值低于v2或介于v2～v1时，将原始图像传送至专家云平台供人工诊断。

7.如权利要求5所述的智能癌变细胞识别方法，其特征在于，所述平滑约束的计算公式为:

<mrow> <msubsup> <mi>b</mi> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mi>i</mi> </msubsup> <mo>=</mo> <msubsup> <mi>a</mi> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mi>i</mi> </msubsup> <mo>/</mo> <msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>&alpha;</mi> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mi>max</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>,</mo> <mi>i</mi> <mo>-</mo> <mi>n</mi> <mo>/</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow> <mrow> <mi>min</mi> <mrow> <mo>(</mo> <mi>N</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>i</mi> <mo>+</mo> <mi>n</mi> <mo>/</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow> </munderover> <msup> <mrow> <mo>(</mo> <msubsup> <mi>a</mi> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mi>j</mi> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>)</mo> </mrow> <mi>&beta;</mi> </msup> <mo>;</mo> </mrow>

<mrow> <msubsup> <mi>&delta;</mi> <mi>j</mi> <mi>k</mi> </msubsup> <mo>=</mo> <msubsup> <mi>&beta;</mi> <mi>j</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <msup> <mi>f</mi> <mo>&prime;</mo> </msup> <mo>(</mo> <msubsup> <mi>u</mi> <mi>j</mi> <mi>k</mi> </msubsup> <mo>)</mo> <mo>&CenterDot;</mo> <mi>u</mi> <mi>p</mi> <mo>(</mo> <msubsup> <mi>&delta;</mi> <mi>j</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>)</mo> <mo>)</mo> </mrow> <mo>;</mo> </mrow>

其中，up(x)是将第k+1层的大小扩展与第k层一样。

8.一种应用权利要求1～3任意一项所述智能癌变细胞识别***的云平台。

9.一种应用权利要求1～3任意一项所述智能癌变细胞识别***的服务器。

10.一种应用权利要求1～3任意一项所述智能癌变细胞识别***的计算机。