基于深度学习的宫颈转化区图像分类识别方法及系统与流程

本技术涉及医学影像分析，具体涉及基于深度学习的宫颈转化区图像分类识别方法及系统。

背景技术：

1、宫颈癌筛查中，对阴道镜下宫颈转化区图像进行准确分类，区分成熟化生、未成熟化生、原始柱状上皮、鳞状上皮等不同亚型，是评估病变风险及制定诊疗方案的关键依据。基于深度学习的图像分类方法为该任务提供了自动化识别手段，然而，由于各转化区亚型在临床数据中的自然分布极不平衡，未成熟化生等罕见亚型样本数量远少于成熟化生或鳞状上皮，导致模型训练时梯度更新被多数类主导，罕见亚型的召回率严重偏低。现有处理类别不平衡的技术，如重采样、代价敏感学习或基于类别频率的静态加权损失函数，往往对所有罕见类施加固定且均匀的权重或采样策略，无法依据各亚型的实际分布状况对损失函数中各亚型的梯度更新幅度进行精细的类别敏感调控，难以在保证多数类分类精度不显著下降的前提下实质性地提升极少数类的召回率。因此，如何根据训练集中高度不平衡的转化区亚型分布，对损失函数中各亚型梯度更新幅度进行类别敏感调控，以解决罕见亚型召回率过低的问题，成为亟待解决的技术问题。

技术实现思路

1、有鉴于此，本公开实施例提供了基于深度学习的宫颈转化区图像分类识别方法，至少部分解决现有技术中存在的问题。

2、一种基于深度学习的宫颈转化区图像分类识别方法，包括：

3、对宫颈转化区图像进行预处理，生成标准化图像数据集；

4、构建深度学习模型，并利用所述标准化图像数据集进行训练；在训练过程中，根据训练集中各转化区亚型的样本数量，对损失函数中各亚型对应的梯度更新幅度进行类别敏感调控；

5、其中，所述类别敏感调控包括：

6、定义每个亚型i的样本数量为ni，计算基础梯度调制系数w_i=(n_ref/ni)^α，n_ref为参考数量，α>0；

7、将所述深度学习模型关于亚型i的损失项反向传播梯度grad_i缩放为grad_i×w_i^β，β为幅度调节因子，β>0；

8、并且，对于ni小于预设阈值n_th的亚型，将所述梯度进一步乘以额外补偿因子δ_i=n_th/ni；

9、利用训练完成的深度学习模型对新的宫颈转化区图像进行特征提取和分类预测，输出最终的转化区亚型分类标签。

10、优选的，所述基础梯度调制系数取α=1，使得w_i=1/ni；

11、所述梯度缩放表示为：

12、grad_update_i=grad_i×w_i^β×γ_i

13、其中，γ_i=n_th/ni（当ni

14、且β取值范围设定为5≤β≤2。

15、优选的，所述类别敏感调控进一步包括：

16、计算每个亚型的样本占比pi=ni/n_total，n_total为总样本数；

17、定义类别权重wi=log(1+k/pi)，k为类别平衡系数；

18、将损失函数梯度乘以wi，即grad_update_i=grad_i×wi；

19、当某一亚型的pi小于预设占比阈值p_th时，将该亚型对应的梯度调制系数调整为α·wi，其中α>1。

20、优选的，

21、定义类别先验权重wi=(1-pi)^γ，pi为亚型i的样本占比，γ为聚焦因子；

22、将归一化权重w'_i=wi/σ_jwj作为损失函数中各类别的乘性因子，实现对相应梯度的缩放；

23、且设置γ为动态参数，在训练初期取较小值，随类别分布差异变化逐步增大，最大不超过5。

24、优选的，所述类别敏感调控通过构建加权多类别损失实现：

25、l_total=σ[l_i×wi]，l_i为亚型i的交叉熵损失，

26、wi=a/(1+e^{-β(p_ref-pi)})，其中a>1为最大权重系数，p_ref为参考类别分布比例，β为灵敏度系数；

27、使得当亚型样本占比pi小于p_ref时wi趋近于a，从而提升稀有亚型的学习优先级。

28、优选的，所述类别敏感调控基于改进的diceloss实现：

29、定义各亚型的dice损失dice_loss_i=1-(2×tp_i+ε)/(tp_i+fp_i+fn_i+ε)，tp_i、fp_i、fn_i为亚型i的真阳性、假阳性、假阴性，ε为平滑常量；

30、计算类别敏感权重ki=log(1+1/pi)；

31、最终损失为l_total=σ(ki×dice_loss_i)，使稀有亚型的损失被放大，梯度更新获得优先引导。

32、优选的，还引入注意力权重形成混合加权结构：

33、定义注意力权重w_att,i=1/(1+e^{σ(pi-p_ideal)})，其中σ为梯度变化速度调节参数，p_ideal为理想均匀分布比例；

34、将最终损失修改为l_total=σ(w_att,i×ki×dice_loss_i)，使得罕见类动态获得更高关注。

35、优选的，所述类别敏感调控包括：

36、计算每个亚型的出现率fi=ni/n_total及平均出现率f_mean；

37、定义相对稀缺指数ri_i=f_mean/fi；

38、权重设为wi=exp(α×ri_i)，α为惩罚系数；

39、若ri_i大于预设阈值，则在损失函数中对亚型i加入二次修正项δl_i，增强其学习效果。

40、优选的，在每个训练批次中利用贝叶斯置信区间自适应调整：

41、估计亚型i出现率的置信区间，取其上限fi_upper计算修正的稀缺指数ri'_i=f_mean/fi_upper，并重新确定权重wi；

42、维护历史平均稀缺指数avg_ri，设定动态阈值rth=2×avg_ri；

43、当ri'_i>rth时，将亚型i的梯度权重额外扩大γ倍，γ>1，以实施强化监督。

44、一种基于深度学习的宫颈转化区图像分类识别系统，包括：

45、数据采集模块，对宫颈转化区图像进行预处理，生成标准化图像数据集；

46、模型构建模块，构建深度学习模型，并利用所述标准化图像数据集进行训练；在训练过程中，根据训练集中各转化区亚型的样本数量，对损失函数中各亚型对应的梯度更新幅度进行类别敏感调控；

47、其中，所述类别敏感调控包括：

48、定义每个亚型i的样本数量为ni，计算基础梯度调制系数w_i=(n_ref/ni)^α，n_ref为参考数量，α>0；

49、将所述深度学习模型关于亚型i的损失项反向传播梯度grad_i缩放为grad_i×w_i^β，β为幅度调节因子，β>0；

50、并且，对于ni小于预设阈值n_th的亚型，将所述梯度进一步乘以额外补偿因子δ_i=n_th/ni；

51、分类模块，利用训练完成的深度学习模型对新的宫颈转化区图像进行特征提取和分类预测，输出最终的转化区亚型分类标签。

52、本发明针对宫颈转化区图像各亚型样本分布高度不平衡导致的罕见亚型召回率过低问题，通过在深度学习模型训练过程中对损失函数中各亚型梯度更新幅度进行类别敏感调控，依据各类别的样本数量或占比动态计算梯度缩放系数，对未成熟化生等极端罕见类施加强化梯度，对成熟化生等多数类适当抑制，并结合动态参数调整、贝叶斯自适应修正及基于评估指标的反馈机制，在显著提升罕见亚型召回率的同时，仅带来可忽略的多数类精度损失，使得模型在整体分类性能和临床实用性上均得到实质性改善，有效克服了传统静态加权或重采样方法无法精细适配不同不平衡程度的技术缺陷。