欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 201910265492X
申请人: 南昌航空大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度学习的宫颈癌前病变识别的方法,方法步骤如下:第一步,阴道镜图像中宫颈区域的分割;

第二步,醋酸实验前后宫颈图像的配准和比值;

第三步,经典卷积神经网络VGGNet-16的优化和迁移学习;

其中上述步骤中涉及到对图像数据预处理,在醋酸实验前后两套白光宫颈图像的基础上,对图像数据预处理的技术方案包括四步骤,具体为:(1)从醋酸实验前白光图像中分割出宫颈区域作为感兴趣区域即ROI,醋酸实验前白光图像和醋酸实验后白光图像将通过后续的配准将两者的像素坐标进行统一,从醋酸实验前白光图像中分割出了ROI,醋酸实验后白光图像中的相应区域确定;对所有二幅图像的处理都将局限于ROI中;

(2)对醋酸实验前白光图像和醋酸实验后白光图像进行配准,同时把配准后的醋酸实验前白光图像和醋酸实验后白光图像进行比值操作得到基于醋酸实验前后两套白光宫颈图像的宫颈比值图像;

(3)对反光点进行去除;

(4)送入模型进行训练前还要进行一系列的数据标准化操作流程,分割后经过配准得到的比值图像是不规则的,对其插值缩放。

2.根据权利要求1所述的一种基于深度学习的宫颈癌前病变识别的方法,其特征在于:关于阴道镜图像中宫颈区域的分割,具体步骤为:对于宫颈区域的分割,(1)结合宫颈区域的位置信息和色彩信息采用k-means聚类的分割方法;

(2)构造了如公式(2-1)所示的宫颈区域相似性测度函数:其中(x,y)为任意像素点的横、纵坐标,S(x,y)为该像素点与宫颈区域的相似度,R(x,y)和G(x,y)以及B(x,y)分别为该像素点在RGB空间内的三个分量,Lab_a(x,y)为该像素点在Lab空间内的A分量,Cx和Cy分别为图像中心点的横坐标、纵坐标;

(3)由公式(2-1)计算出每一个像素点的相似性集合,然后利用k-means算法对其进行分类;对聚类之后得到的区域进行空洞填充以及膨胀、腐蚀去除部分零星区域,最终的面积最大区域即宫颈区域。

3.根据权利要求1所述的一种基于深度学习的宫颈癌前病变识别的方法,其特征在于:关于醋酸实验前后宫颈图像的配准和比值,具体步骤为:

第一步,配准,遗传算法展开;

使用其梯度图像进行配准,空间变换模型采用如公式(2-2)所示的二维仿射模型:其中(x,y)和(x*,y*)分别为待配准图像和配准图像对应像素点的坐标,(p1,p2,p3,p4,p5,p6)为两者之间的空间变换系数,最优组合通过遗传算法,寻优求解;

参考图像与待配准图像之间的相似性测度函数采用如公式(2-3)所示的相关系数:其中(x,y)为任意像素点的坐标,Tb(x,y)和Ta(x,y)分别为参考图像和待配准图像中某一像素点的梯度值。 和 分别为待配准图像和参考图像的梯度平均值。C(x,y)为参考图像和待配准图像对应位置的相似度;

第二步,比值,采用结合基于醋酸实验前后宫颈白光图像比值的方式来凸显出宫颈区域醋白的变法;步骤为:首先将醋酸实验前后两种宫颈白光图像的RGB三个通道分别进行归一化到0-255之间,再将两个图像RGB三个通道的进行对比,然后考虑到配准上的误差将三个通道中大于2的值强制设为2,最后生成了一张比值图像,然后再将其归一化到0-255之间。

4.根据权利要求1所述的一种基于深度学习的宫颈癌前病变识别的方法,其特征在于:所述对反光点进行去除,具体步骤为:通过采用去掉灰度较高的部分的方法来剔除反光点;

用灰度图像每个像素点的灰度值与255进行比较,去掉大于0.85的部分。

5.根据权利要求1所述的一种基于深度学习的宫颈癌前病变识别的方法,其特征在于:所述数据标准化,具体步骤为:采用双线性插值法对其进行缩放,通过放大图像,通过内插来构造一些新像素;通过缩小,通过内插间接保持丢失像素的属性。