基于超像素和深度学习的阴道细菌分割与分类系统

暂无

基于超像素和深度学习的阴道细菌分割与分类系统\n技术领域\n[0001] 本发明涉及一种图像分割与分类方法，尤其涉及一种基于超像素和深度学习的阴道细菌分割与分类系统。\n背景技术\n[0002] 由细菌引起的阴道疾病或感染(阴道念珠菌/滴虫，淋球菌，衣原体)是妇女之中最常见的疾病，也导致很高的死亡率。通过细菌类型和计数进行阴道疾病的分级在临床实践中有着非常重要的作用。目前，广泛使用防止阴道疾病的诊断方法是细胞学筛查，此种方法很大程度上取决于临床医生的经验，以此获得准确的诊断结果。为了解决这个问题，设计和开发的自动诊断技术防止阴道疾病，炎症和癌症，吸引了很多人的兴趣，并成为一个热点。\n[0003] 先前有大量的研究工作对细胞核进行分割，但只利用细胞核信息方法的分割性能仍不能令人满意。细胞核的分割方法大致可分为多个细胞核分割阈值选取，Hough变换和watershed方法。然而，这些方法是基于正常情况的细胞核，而不是有疾病或异常的细胞核。\n近日，也有分割有病理和正常细胞，以及混合细胞分割的报道。\n[0004] 如Yeoman,C.J.,Thomas,S.M.,Miller,M.E.B.,Ulanov,A.V.,Torralba,M.,Lucas,S.,Gillis,M.,Cregger,M.,Gomez,A.,Ho,M.,Leigh,S.R.,Stumpf,R.,Creedon,D.J.,Smith,M.A.,Weisbaum,J.S.,Nelson,K.E.,Wilson,B.A.,White,B.A.:AMulti-Omic Systems-Based Approach Reveals Metabolic Markers of Bacterial Vaginosis and Insight into the Disease.PLoS ONE 8(2),e56111(2013)[1]。\n[0005] 细胞从图像中分割出来的工作，当前很多算法都是基于独立的细胞核，而对多种细胞的分割研究较少。基于形状和边缘信息细胞核分割可以分为参数滤波，活动轮廓模型和差异最大化。此外，分割工作已经也因融合先前的知识和局部特征得到了显着的性能。\n[0006] 因此，如何设计出一种基于超像素和深度学习的细菌分割与分类方法及其应用，成为新的研发方向。\n发明内容\n[0007] 本发明针对此问题，提供了一种基于超像素和深度学习的阴道细菌分割与分类系统。\n[0008] 本发明提供的基于超像素和深度学习的阴道细菌分割与分类系统，包括：训练图像集，用于存储阴道细菌的样本图像；深度学习分类器，用于存储基于所述训练图像集所得到的分类标准；预处理模块，用于将测试图像进行预处理，计算超像素、以及计算每个超像素区域的颜色、形状、尺寸特征，利用先验知识对每个超像素区域进行初步滤波，并进行分割以确定候选细菌区域，先验知识包括：细菌区域各RGB通道的数值上、下限，细菌长、宽的上、下限，细菌颜色均值的上、下限，细菌面积、周长的上、下限；特征提取模块，用于对所述候选细菌区域进行特征提取；判断模块，用于将提取的特征与所述深度学习分类器中的分类标准进行对比，按照相似度完成分类；其中，所述阴道细菌包括阳性杆菌、阴性杆菌、阳性球菌和阴性球菌，所述阳性杆菌和阳性球菌呈蓝色，所述阴性杆菌和阴性球菌呈粉红色，所述阳性杆菌和阴性杆菌呈杆状，所述阳性球菌和阴性球菌呈球状；所述深度学习分类器还包括：初始化模块，用于初始化卷积神经网络；接收模块，用于接收来自所述训练图像集的图像样本；调整模块，用于向传递计算实际输出、计算实际输出与目标输出之差、并利用极小化误差方法反向传播调整权值；计数模块，用于判断是否达到预定的训练次数，并当达到后，通知调整模块输出分类标准。\n[0009] 优选地，所述计算超像素是采用线性迭代聚类的算法。\n[0010] 本发明的基于超像素和深度学习的阴道细菌分割与分类系统，通过超像素计算进行分割、以及通过深度学习进行分类，具有高辨识度、低成本、实施简单、且易推广的优点。\n附图说明\n[0011] 图1是本发明中建立深度学习分类器的方法的流程示意图。\n[0012] 图2是本发明基于超像素和深度学习的细菌分割与分类方法的流程示意图。\n[0013] 图3是本发明基于超像素和深度学习的细菌分割与分类系统的结构示意图。\n[0014] 图4是本发明中阴道常见细菌的示意图。\n[0015] 图5是本发明中的基于超像素计算而进行的分割及特征提取的效果示意图。\n[0016] 图6是本发明中典型的阴道图像和对阴道细菌分割分类的结果。\n[0017] 图7是本发明中分割效果的示例图。\n[0018] 图8是本发明中分割比较结果的示例图。\n[0019] 图9是本发明中不同分类器的分类结果比较示例图。\n具体实施方式\n[0020] 本发明提供了一种基于超像素和深度学习的细菌分割与分类方法，可应用于各类细菌的识别和分类，具有快速、准确、成本低廉等优点，具体流程请参阅实施例1，还提供了上述方法在阴道细菌的诊断中的应用，具体系统结构请参阅实施例2。\n[0021] 实施例1\n[0022] 请结合图1与图2，所示，为本发明中基于超像素和深度学习的细菌分割与分类方法。主要包括以下步骤：\n[0023] 一、通过训练图像集建立深度学习分类器；\n[0024] 二、将测试图像与深度学习分类器进行对比，输出分类的结果。\n[0025] 请参阅图1，所示为建立深度学习分类器的步骤，具体包括：\n[0026] 在步骤S101中，初始化卷积神经网络。\n[0027] 在步骤S102中，接收来自所述训练图像集的图像样本。\n[0028] 在步骤S103中，正向传递计算实际输出。\n[0029] 在步骤S104中，计算实际输出与目标输出之差。\n[0030] 在步骤S105中，利用极小化误差方法反向传播调整权值。\n[0031] 在步骤S106中，判断是否达到预定的训练次数。\n[0032] 如果未达到，则返回步骤S102继接收上述图像样本，并调整权值。\n[0033] 如果达到，在步骤S107中，则输出分类标准以及先验知识，并存入所述深度学习分类器中。\n[0034] 请参阅图2，所示为基于超像素和深度学习的细菌分割与分类方法的流程图，该图更侧重的是测试图像的对比步骤，包括：\n[0035] 在步骤S201中，将所述测试图像经过各GRB通道做中值滤波，并去除噪音。\n[0036] 在步骤S202中，计算超像素。\n[0037] 由于超像素算法非常紧凑和灵活的特点，且可以将具有感知意义的原子区域像素聚集在一起，因此，应用于计算机辅助计算中可以降低成本和劳动力。\n[0038] 在步骤S203中，计算每个超像素区域的颜色、形状、尺寸特征。\n[0039] 在步骤S204中，利用先验知识对每个超像素区域进行初步滤波，并进行分割以确定候选细菌区域。\n[0040] 其中，先验知识，包括：细菌区域各RGB通道的数值上、下限，细菌长、宽的上、下限，细菌区域颜色均值的上、下限，细菌面积、周长的上、下限，也就是通过深度学习分类表在对足够样本所做的一个初步统计值。\n[0041] 在步骤S205中，对所述候选细菌区域进行特征提取。\n[0042] 在步骤S206中，将提取的特征与所述分类器中的分类标准进行对比。\n[0043] 在步骤S207中，按照相似度完成分类。\n[0044] 相似度，也就是候选区域的特征经分类器的分类标准进行对比后的得分，测试所得的分数与所属细菌类型的标签的数值越相近，被认为相似度越高，就把该测试区域归为改类型的细菌。\n[0045] 在其他实施方式中，当相似度低于某预设阈值时，根据病情或病理的需要，对相似度过低的候选区域进行放弃或重点关注。\n[0046] 本发明的基于超像素和深度学习的细菌分割与分类方法，通过超像素计算进行分割、以及通过深度学习进行分类，具有高辨识度、低成本、实施简单、且易推广的优点。\n[0047] 实施例2\n[0048] 请参阅图3，所示为本发明中一种基于超像素和深度学习的阴道细菌分割与分类系统。所述系统包括训练图像集10、深度学习分类器20、预处理模块30、特征提取模块40以及判断模块50。\n[0049] 训练图像集10，用于存储阴道细菌的样本图像。\n[0050] 深度学习分类器20，用于存储基于所述训练图像集所得到的分类标准。\n[0051] 在本实施方式中，所述深度学习分类器20，还包括：初始化模块21，用于初始化卷积神经网络；接收模块22，用于接收来自所述训练图像集10的图像样本；调整模块23，用于正向传递计算实际输出、计算实际输出与目标输出之差、并利用极小化误差方法反向传播调整权值；计数模块24，用于判断是否达到预定的训练次数，并当达到后，通知调整模块23输出分类标准。\n[0052] 请参阅图4，所示为阴道细菌的分类标准的描述。从实践得知，阴道细菌分为四种类型：包括阳性杆菌、阴性杆菌、阳性球菌、及阴性球菌。\n[0053] 从颜色区分：阳性的一般呈蓝色、阴性的一般呈粉红色；\n[0054] 从形状区分：杆菌一般呈杆状，球菌一般呈球状，但重叠的情况下会有不同的形态；\n[0055] 从面积区分：阳性杆菌基本都大于250，阴阳杆菌基本都大于150但稍小于阳性的，阳性球菌与阴性球菌的面积一般都小于200。\n[0056] 此外，深度学习分类器20，还用于在调整过程中计算并存储先验知识，包括：细菌区域各RGB通道的数值上、下限，细菌长、宽的上、下限，细菌区域颜色均值的上、下限，细菌面积、周长的上、下限。\n[0057] 预处理模块30，用于将测试图像进行预处理，计算超像素、以及计算每个超像素区域的颜色、形状、尺寸特征，利用先验知识对每个超像素区域进行初步滤波，并进行分割以确定候选细菌区域。\n[0058] 其中，计算超像素，可以利用简单的线性迭代聚类(SLIC)的超像素的算法，为细菌可以提供良好的边界。SLIC算法具有简单、快速和高效的记忆的特点，可以通过一个预处理步骤降低复杂性和提高速度。且具有集群优势和良好性能，非常适合分割细菌。特征提取模块40，用于对所述候选细菌区域进行特征提取。\n[0059] 请参阅图5，所示为预处理模块与特征提取模块基于超像素计算而进行的分割及特征提取的效果图。图5中的特征值分辨力较高，能够快速分离出球菌和杆菌。每个超像素的边界具有真正的图像边界紧密相关。并且，因为图像的边界被保留，超像素的方法对分割非常有效，且保证了其后续的提取的准确性。\n[0060] 判断模块50，用于将提取的特征与所述深度学习分类器中的分类标准进行对比，按照相似度完成分类。\n[0061] 相似度，也就是候选区域的特征经分类器的分类标准进行对比后的得分，测试所得的分数与所属细菌类型的标签的数值越相近，被认为相似度越高，就把该测试区域归为改类型的细菌。\n[0062] 在其他实施方式中，当相似度低于某预设阈值时，根据病情或病理的需要，对相似度过低的候选区域进行放弃或重点关注。\n[0063] 实验结果\n[0064] 一、材料和数据\n[0065] 对于阴道细胞数据的采集来自深圳市南山医院，对18到50岁的妇女，共收集了105个玻片。然后用Olympus BX43显微镜，在物镜放大率为100倍的条件下(油镜，其数值孔径为\n1.25)，对每个玻片至少采集105个比较好的视野作为处理数据，得到的图片为1360*1024的jpg的rgb图像。得到原始数据后，在医生的指导下，以医生在工作中经常遇到的图片为标准，一共选取了319张图片作为算法的测试图片。\n[0066] 二、分割结果\n[0067] 对系统性能的评估的流行方法如准确率、召回率、精确度、灵敏度、特异性、F1测度和Zijdenbos相似性指数(ZSI)等都被采用。基于6种典型的细胞图像中，识别不同细菌的手动和自动分割结果的比较如图6所示。从图6可以看出，基于医生经验的手工操作，自动分割的效果也非常好。对于分割结果的定量分析在图7显示。从图7可以看出分割性能是非常好。\n图8列出了分割结果中的不同方法上的比较。我们可以看到，所提出的分割结果优于背景技术[1]中所用的分割算法。\n[0068] 三、分类结果\n[0069] 利用不同的分类器如深度学习(CNN)、反向传播神经网络(BNN)、概率神经网络(PNN)、支持向量机(SVM)和学习矢量量化(LVQ)对阴道细胞进行分类，并进行性能比较。BNN是基于监督的分类方法，该方法通过使用梯度最小化目标函数调整各层的权重。\n[0070] 图9总结了基于代表性的特征不同的分类器的性能。从图9定量的结果可以看出，CNN的分类方法优于其他分类方法，同时表明了深度学习的方法是非常有效的阴道细菌分类的方法。然而，由于其有限的网络层，BNN的结果相当较差。很显然，对阴道细菌的分类性能已经足够高。从结果可以看出，阴道细胞的分类满足在实际生活中使用的要求。\n[0071] 四、结论\n[0072] 本文对超像素和深学习技术应用与阴道细胞的分割和分类进行了研究，利用这两种技术把阴道细菌分成四类。实验结果表明，超像素分割的算法对阴道细菌的分割非常合适，取得了非常显著的效果。基于深度学习训练超像素标签，并对阴道细菌进行识别，也获得非常好的分类识别结果。所提出的算法获得了显著分割和分类的效果表明，阴道细菌自动分类和识别有助于医生的诊断，且准确率高。\n[0073] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。