宫颈图像多层次智能分析方法和系统与流程

本公开涉及宫颈图像多层次智能分析，尤其涉及一种宫颈图像多层次智能分析方法和系统。

背景技术：

1、宫颈癌是威胁全球女性健康的最常见的恶性病灶之一，占据女性生殖系统病灶发病率与死亡率首位，严重威胁广大女性同志的健康。在临床上，宫颈癌多发于年龄在40至55岁之间的妇女，但近几年的统计结果显示，宫颈癌的新发病例有越来越年轻化的趋势。宫颈癌对广大女性同志造成了严重的危害。

2、在目前人类所有癌症中，宫颈癌是唯一可以通过早期预防和治疗进行完全治愈的癌症。宫颈癌存在一个较长的、可逆转的癌前病变期，从普通宫颈炎症发展到宫颈浸润癌，一般需要10年至15年甚至20年的时间。如果能在癌前病变时期得到及时诊治，就能避免病变发展为威胁生命的浸润性癌。国家癌症中心2018年发表数据显示，2014年我国宫颈癌新增病例约10万人，80%的患者确诊时已是浸润癌，预后较差。治疗的关键在于及早发现宫颈癌前的病变，减弱并阻止其向宫颈癌的发展。因此，有效的早期筛查对宫颈癌的早期预防和治疗尤为重要。

3、基于深度学习与机器学习的人工智能技术已成为疾病诊疗的重要工具，并有望应用于宫颈癌的早期筛查。深度学习算法充分挖掘海量诊疗数据中隐含的深层关系，通过对深度网络的学习获得具有高判别能力的更抽象、更高层的特征表示，提高疾病诊断的正确率。机器学习算法基于计算机系统对数据的自我学习，在最小化人为干预的情况下，做出高精度的预测和决策。基于深度学习与机器学习双驱动的宫颈癌早期智能筛查方法，模拟病理医生读片过程，辅助医生诊断，大幅提升病理医生效率。

4、基于上述，本项目组依托黑龙江省自然科学基金《基于显微组学及深度卷积特征的宫颈癌早期智能多层次筛查方法研究》（lh2024f044），前期已经提出了宫颈图像的处理方法及系统（202510806369x）及宫颈癌智能筛查方法及系统（2025108063721）对应的技术方案。其中，提出的一种宫颈图像的处理方法及系统对应的技术方案，以解决由于宫颈液基显微图像中的宫颈细胞核一般处于团簇的重叠状态，在对团簇重叠状态的宫颈细胞核进行宫颈细胞核像素时，宫颈细胞核团簇重叠的状态会导基于致宫颈细胞核像素计算相应像素特征不准确的技术问题，进而提升后续宫颈癌智能筛查模型对宫颈癌的筛查准确性。其中，提出的一种宫颈癌智能筛查方法及系统对应的技术方案，以解决目前的宫颈分类模型分类效果有限，其深层次原因是因为没有深度挖掘多模态宫颈图像及深度卷积特征的技术问题。

5、尽管本项目组前期已经提出了上述对应的技术方案，依托机器学习宫颈异常显微组学特征信息提取，采用数据驱动方式，训练深度网络模型，实现宫颈癌早筛智能化。然而，现有的技术方案仍然存在以下至少一个技术问题：（1）、现有技术方案缺乏宫颈癌筛查预警对应的技术方案，这不利于对宫颈癌早期的诊疗，以提升宫颈癌的早期诊疗水平；（2）现有技术方案缺乏从筛查预警到宫颈癌分级、宫颈癌转移预测的全流程的诊疗过程，这不利全临床流程的宫颈癌多层次智能诊疗分析；（3）难以提宫颈癌分级和/或宫颈癌转移预测性能对应的技术问题。

技术实现思路

1、本公开提出了一种宫颈图像多层次智能分析方法和系统的技术方案。

2、根据本公开的一方面，提供了一种宫颈图像多层次智能分析方法，包括：利用预设宫颈癌目标检测模型，对宫颈图像进行宫颈癌目标检测；若所述预设宫颈癌目标检测模型检测到所述宫颈图像存在宫颈癌病灶，则存在宫颈癌；若所述预设宫颈癌目标检测模型未检测到所述宫颈图像存在宫颈癌病灶，则提取所述宫颈图像对应的宫颈特征；利用预设宫颈癌早期筛查模型及所述宫颈特征，进行宫颈癌筛查预警。

3、优选地，确定所述预设宫颈癌目标检测模型，包括：利用预设数目的宫颈癌训练图像及其对应的宫颈癌标签训练图像，对预设深度学习目标检测网络进行训练，得到基于深度学习目标检测网络构建的预设特征目标检测模型。

4、优选地，确定预设宫颈癌早期筛查模型，包括：利用预设数目的宫颈癌训练图像对应的宫颈特征及所述宫颈特征对应的宫颈癌病理结果标签，对预设深度学习分类网络或预设机器学习分类器进行训练，得到预设宫颈癌早期筛查模型。

5、优选地，在所述对预设深度学习分类网络或预设机器学习分类器进行训练之前，包括：对所述宫颈特征对应的应的分类特征进行编码，得到宫颈癌病灶编码定量特征；对所述宫颈特征对应的应的数值进行标准化或归一化处理，得到宫颈癌病灶处理定量特征。

6、优选地，所述宫颈图像多层次智能分析方法，若存在宫颈癌，还包括：对所述宫颈图像的宫颈癌病灶进行分割，得到宫颈癌病灶图像；对所述宫颈癌病灶图像中的宫颈癌病灶进行定量特征提取，得到宫颈癌病灶定量特征；利用所述宫颈癌病灶定量特征，进行宫颈癌分级或宫颈癌转移预测。

7、优选地，所述对所述宫颈图像的宫颈癌病灶进行分割，包括：构建宫颈癌训练图像集中每套宫颈癌训练图像的宫颈及在所述宫颈内宫颈癌病灶对应的二元混合位置掩码训练图像；利用所述二元混合位置掩码训练图像、所述宫颈癌病灶对应的宫颈癌病灶边缘掩码训练图像及对应的宫颈癌训练图像，对所述预设深度学习分割网络进行训练，得到宫颈癌病灶分割模型；基于所述宫颈癌病灶分割模型，对待分割宫颈图像进行宫颈癌病灶分割。

8、优选地，所述宫颈癌病灶定量特征配置为宫颈癌病灶是否存在分叶征；其中，确定所述宫颈癌病灶是否存在分叶征，包括：对所述宫颈图像对应的宫颈癌病灶掩码图像进行腐蚀操作，得到宫颈癌病灶掩码腐蚀图像；将所述宫颈癌病灶掩码图像减去所述宫颈癌病灶掩码腐蚀图像，得到宫颈癌病灶掩码处理图像；对所述宫颈癌病灶掩码处理图像中的宫颈癌病灶形态进行判断；若所述宫颈癌病灶形态不规则，则基于所述宫颈癌病灶掩码处理图像确定是否存在宫颈癌病灶分叶征。

9、优选地，所述宫颈癌病灶定量特征配置为宫颈癌病灶的边界是否清晰；其中，确定所述宫颈癌病灶的边界是否清晰，包括：对所述宫颈图像对应的宫颈癌病灶掩码图像进行腐蚀操作，得到宫颈癌病灶掩码腐蚀图像；将所述宫颈癌病灶掩码图像减去所述宫颈癌病灶掩码腐蚀图像，得到宫颈癌病灶掩码处理图像；将所述宫颈癌病灶掩码处理图像中宫颈癌病灶位置坐标映射至所述宫颈图像；分别在所述宫颈图像中计算所述宫颈癌病灶位置坐标对应的多个梯度；若所述多个宫颈癌病灶对应的梯度模值大于或等于预设梯度模值，则大于或等于所述预设梯度模值对应的宫颈癌病灶边界确定为清晰；否者，所述宫颈癌病灶边界确定为不清晰。

10、优选地，所述宫颈癌病灶定量特征配置为宫颈癌病灶的平均灰度值、宫颈癌病灶的最大横截面积的长径、宫颈癌病灶的最大横截面积的短径、宫颈癌病灶的最大横截面积的长径及短径的比值、宫颈癌病灶在宫颈上的位置、宫颈癌病灶的形态、宫颈癌病灶是否存在棘突征、宫颈癌病灶是否存在空泡征、宫颈癌实性病灶占宫颈癌病灶的占比的一种或几种。

11、优选地，利用所述宫颈癌病灶定量特征进行宫颈癌分级，包括：分别确定宫颈图像训练集对应的预设分类器池中的每个预设分类器的对应的分级模型及所述宫颈图像训练集的子训练集对应的所述每个预设分类器的对应的子分级模型；利用所述子分级模型及所述宫颈图像训练集的子验证集，确定在所述子验证集上的子分级概率值集；利用所述分级模型及所述宫颈图像训练集对应的宫颈图像验证集，确定在所述验证集上的分级概率值集；利用所述子分级概率值集对应的融合权重，对所述分级概率值集进行优化，得到对应的用于宫颈癌分级的融合概率集，完成宫颈癌分级。

12、优选地，利用所述宫颈癌病灶定量特征进行宫颈癌转移预测，包括：分别确定宫颈图像训练集对应的预设预测器池中的每个预设预测器的对应的预测模型及所述宫颈图像训练集的子训练集对应的所述每个预设预测器的对应的子预测模型；利用所述子预测模型及所述宫颈图像训练集的子验证集，确定在所述子验证集上的子预测概率值集；利用所述预测模型及所述宫颈图像训练集对应的宫颈图像验证集，确定在所述验证集上的预测概率值集；利用所述子预测概率值集对应的融合权重，对所述预测概率值集进行优化，得到对应的用于宫颈癌预测的融合概率集，完成宫颈癌转移预测。

13、根据本公开的一方面，提供了一种宫颈图像多层次智能分析系统，包括：检测单元，用于利用预设宫颈癌目标检测模型，对宫颈图像进行宫颈癌目标检测；判断单元，用于若所述预设宫颈癌目标检测模型检测到所述宫颈图像存在宫颈癌病灶，则存在宫颈癌；若所述预设宫颈癌目标检测模型未检测到所述宫颈图像存在宫颈癌病灶，则提取所述宫颈图像对应的宫颈特征；筛查单元，用于利用预设宫颈癌早期筛查模型及所述宫颈癌特征，进行宫颈癌筛查预警。

14、根据本公开的一方面，提供了一种宫颈图像多层次智能分析系统，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述宫颈图像多层次智能分析方法。

15、根据本公开的一方面，提供了一种宫颈图像多层次智能分析系统，包括：计算机可读存储介质，其上存储有计算机程序/指令和比特流，该计算机程序/指令被处理器执行时实现上述宫颈图像多层次智能分析方法生成所述比特流。

16、根据本公开的一方面，提供了一种宫颈图像多层次智能分析系统，包括：计算机程序产品，所述计算机程序产品配置有计算机程序/指令，该计算机程序/指令被处理器执行时实现上述宫颈图像多层次智能分析方法。

17、在本公开实施例中，本公开提出了一种宫颈图像多层次智能分析方法和系统的技术方案，以解决以下至少一个技术问题：（1）现有技术方案缺乏宫颈癌筛查预警对应的技术方案，这不利于对宫颈癌早期的诊疗，以提升宫颈癌的早期诊疗水平；（2）现有技术方案缺乏从筛查预警到宫颈癌分级、宫颈癌转移预测的全流程的诊疗过程，这不利全临床流程的宫颈癌多层次智能诊疗分析；（3）难以提宫颈癌分级和/或宫颈癌转移预测性能对应的技术问题。

18、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

19、根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。