一种基于细胞分布归一化的液基薄层细胞检测图像识别方法

摘要: 本发明属于医学图像处理与深度学习,具体涉及一种基于细胞分布归一化(cell-distributionnormalization,cell-norm)的液基薄层细...
一种基于细胞分布归一化的液基薄层细胞检测图像识别方法

本发明属于医学图像处理与深度学习,具体涉及一种基于细胞分布归一化(cell-distribution normalization, cell-norm)的液基薄层细胞检测(thinprepcytologic test, tct)图像识别方法,适用于宫颈癌细胞学筛查中的异常细胞自动检测与分类任务。

背景技术:

1、宫颈癌是全球第四大女性恶性肿瘤,严重威胁女性生命健康。液基薄层细胞检测是宫颈癌筛查的主要手段,其通过显微镜检查细胞形态学异常来实现早期发现与预防。然而,人工细胞学检查过程劳动密集、耗时费力,且存在显著的观察者间差异——不同专家对同一张切片的诊断解释差异明显,文献报道的观察者间一致性kappa值范围为0.16至0.70,假阴性率在不同临床环境中差异较大,存在延迟诊断和治疗的风险。

2、近年来,深度学习技术在医学图像分析领域取得了显著进展。在宫颈细胞学图像分析方面,现有工作可分为两个主要方向:一是在模型架构层面,研究者不断推进检测范式,从早期基于编码器-解码器架构(如u-net及其注意力增强变体)的细胞分割方法,到两阶段检测器(如faster r-cnn家族配合特征金字塔网络fpn),再到最近的transformer架构基础模型(如unicas)。这些工作主要聚焦于设计专用网络模块和比较学习机制来捕获多尺度细胞特征,缓解由细胞重叠、聚集和病变类别模糊导致的特征不匹配问题。二是在数据优化层面,现有研究致力于缓解临床tct样本固有的严重长尾类别不平衡问题,相关方案涵盖代价敏感损失函数设计(如focal loss)、特征空间重采样(如smote)以及基于生成模型(如gan)的样本合成等方法,旨在解决高级别异常细胞样本稀缺和模型对正常细胞类别的预测偏置问题。

3、然而,现有研究普遍忽视了一个根本性问题——tct图像中细胞群体空间分布的不均匀性。如图1所示,不同tct图像中细胞密度、形态、尺度和聚集度存在显著差异。与自然图像不同,医学细胞图像仅包含细胞实体,调整细胞的空间布局不会改变其固有的语义信息。但当前先进方法忽视了tct样本中细胞群体分布的内在不平衡,这种分布差异在传统像素级和图像级数据增强后依然存在,导致训练数据与测试数据之间违背了独立同分布(i.i.d.)的核心假设,从根本上限制了深度学习模型在tct图像分析中的泛化性能。传统数据增强策略仅在图像或像素层面进行操作,无法在细胞实例级别缓解细胞分布不平衡问题,这解释了为何此类方法在细胞学分析任务中带来的性能提升十分有限。

技术实现思路

1、针对现有技术中忽视tct图像内细胞群体空间分布不均匀这一根本性问题,以及由此导致的深度学习模型泛化性能受限的缺陷,本发明提出一种基于细胞分布归一化的液基薄层细胞检测图像识别方法,包括以下步骤:

2、获取原始液基薄层细胞检测图像,并从中提取包含异常细胞的原始感兴趣区域图像;

3、采用细胞实例分割模型对原始感兴趣区域图像进行细胞实例分割,获取每个细胞实例的掩码;

4、对分割后的细胞实例进行提取与分类,将细胞实例区分为异常细胞与正常细胞;

5、执行细胞分布归一化处理,在空白画布上对提取的细胞实例进行随机重采样与非重叠布局排列,生成细胞群体空间分布均匀的标准化液基薄层细胞图像;

6、将标准化液基薄层细胞图像输入预训练的dino-yolo识别模型,得到异常细胞的类型与位置检测结果。

7、与现有技术相比,本发明具有以下有益效果:

8、1、本发明首次识别出tct图像中细胞群体空间分布不均这一长期被忽视的核心问题,揭示了该分布不一致性违背了机器学习中训练数据与测试数据间独立同分布(i.i.d.)的基本假设,是导致深度学习模型泛化性能受限的根本原因。基于此原创性发现,提出的cell-norm方法从细胞实例级别优化空间分布,实现了训练与测试数据的一致分布特性,突破了传统像素级和图像级数据增强仅进行表层变换而无法优化细胞空间布局的固有局限。

9、2、本发明提出的cell-norm细胞分布归一化方法具有两大独特优势:一是标准化所有tct图像中的细胞群体分布,使其严格满足机器学习有效训练的核心i.i.d.假设,从而保障模型学习的稳定性和鲁棒性;二是实现细胞级别的数据集扩展,通过独立随机种子多次运行随机重采样流水线,以有限的额外计算开销产生充足的多样化标准化训练样本。二者协同作用,使得本发明方法能够解决传统像素级和图像级增强流水线所无法解决的数据集固有缺陷问题,本发明方法可作为通用标准化预处理流水线,适用于各类医学细胞图像分析场景,为医学视觉模型的泛化瓶颈提供通用且高效的解决方案。

1.一种基于细胞分布归一化的液基薄层细胞检测图像识别方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于细胞分布归一化的液基薄层细胞检测图像识别方法,其特征在于,细胞实例分割模型采用sam模型,通过在原始感兴趣区域图像上均匀放置提示点,sam模型输出每个提示点的独立分割掩码,再经三阶段过滤流水线筛选高质量掩码,三阶段过滤流水线筛选具体包括以下步骤:

3.根据权利要求1所述的一种基于细胞分布归一化的液基薄层细胞检测图像识别方法,其特征在于,对分割后的细胞实例进行提取与分类的过程包括:

4.根据权利要求1所述的一种基于细胞分布归一化的液基薄层细胞检测图像识别方法,其特征在于,执行细胞分布归一化处理的过程包括:

5.根据权利要求4所述的一种基于细胞分布归一化的液基薄层细胞检测图像识别方法,其特征在于,空白布局画布的背景颜色为原始液基薄层细胞检测图像背景色调的统计均值。

6.根据权利要求4所述的一种基于细胞分布归一化的液基薄层细胞检测图像识别方法,其特征在于,细胞实例在布局排列前经历两次随机几何变换进行增强的过程包括:

7.根据权利要求1所述的一种基于细胞分布归一化的液基薄层细胞检测图像识别方法,其特征在于,dino-yolo识别模型包括yolov12检测框架和dinov3视觉模型,其中yolov12检测框架采用yolov12-large为骨干网络框架,最大通道数限制为512;dinov3视觉模型采用dinov3-vit-b/16规格,且dinov3视觉模型仅用于对中间尺度的特征进行增强。

8.根据权利要求7所述的一种基于细胞分布归一化的液基薄层细胞检测图像识别方法,其特征在于,dino-yolo识别模型对输入的标准化液基薄层细胞图像的处理过程包括:

9.根据权利要求7所述的一种基于细胞分布归一化的液基薄层细胞检测图像识别方法,其特征在于,dino-yolo识别模型在进行训练时,dinov3视觉模型的参数冻结。

10.根据权利要求9所述的一种基于细胞分布归一化的液基薄层细胞检测图像识别方法,其特征在于,dino-yolo识别模型在训练时采用的总损失函数表示为: