宫颈脱落细胞玻片识别方法、装置、设备和介质与流程

1.本发明实施例涉及医学图像处理技术领域，尤其涉及一种宫颈脱落细胞玻片识别方法、装置、设备和介质。


背景技术：

2.薄层细胞学检测系统(thinprep cytologic test，tct)或液基细胞学检查(liquid-based cytology test，lct)是进行宫颈癌筛查的方法之一。目前，宫颈脱落细胞玻片的识别多通过人工进行识别。但是，人工识别宫颈脱落细胞玻片效率低，不仅耗时，而且识别结果依赖于医生的经验。


技术实现要素：

3.本发明实施例提供了一种宫颈脱落细胞玻片识别方法、装置、设备和介质，解决了宫颈脱落细胞玻片人工识别效率低的问题，实现了细胞的快速定位，提高了宫颈脱落细胞玻片识别的准确率和效率。
4.第一方面，本发明实施例提供了一种宫颈脱落细胞玻片识别方法，该方法包括：
5.获取基于第一预设分辨率采集的第一宫颈脱落细胞玻片图像，识别并分割第一宫颈脱落细胞玻片图像中的第一预设分辨率单细胞图像和第一预设分辨率细胞团图像；
6.分别对第一预设分辨率单细胞图像和第一预设分辨率细胞团图像进行细胞分类与预测，得到不同类别阳性细胞预测结果；
7.获取基于不同类别阳性细胞预测结果以第二预设分辨率采集的第二宫颈脱落细胞玻片图像，识别并分割第二宫颈脱落细胞玻片图像中的第二预设分辨率细胞团图像，其中，第二预设分辨率高于第一预设分辨率；
8.将第二预设分辨率细胞团图像输入到经过预训练的级联细胞分类模型中，得到目标宫颈脱落细胞玻片识别结果。
9.第二方面，本发明实施例还提供了一种宫颈脱落细胞玻片识别装置，该装置包括：
10.第一图像分割模块，用于获取基于第一预设分辨率采集的第一宫颈脱落细胞玻片图像，识别并分割第一宫颈脱落细胞玻片图像中的第一预设分辨率单细胞图像和第一预设分辨率细胞团图像；
11.第一图像分类模块，用于分别对第一预设分辨率单细胞图像和第一预设分辨率细胞团图像进行细胞分类与预测，得到不同类别阳性细胞预测结果；
12.第二图像分割模块，用于获取基于不同类别阳性细胞预测结果以第二预设分辨率采集的第二宫颈脱落细胞玻片图像，识别并分割第二宫颈脱落细胞玻片图像中的第二预设分辨率细胞团图像，其中，第二预设分辨率高于第一预设分辨率；
13.第二图像分类模块，用于将第二预设分辨率细胞团图像输入到经过预训练的级联细胞分类模型中，得到目标宫颈脱落细胞玻片识别结果。
14.第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：
15.一个或多个处理器；
16.存储器，用于存储一个或多个程序；
17.当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本发明任一实施例所提供的宫颈脱落细胞玻片识别方法。
18.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所提供的宫颈脱落细胞玻片识别方法。
19.本发明实施例的技术方案，通过获取基于第一预设分辨率采集的第一宫颈脱落细胞玻片图像，识别并分割第一宫颈脱落细胞玻片图像中的第一预设分辨率单细胞图像和第一预设分辨率细胞团图像；分别对第一预设分辨率单细胞图像和第一预设分辨率细胞团图像进行细胞分类与预测，得到不同类别阳性细胞预测结果；获取基于不同类别阳性细胞预测结果以第二预设分辨率采集的第二宫颈脱落细胞玻片图像，识别并分割第二宫颈脱落细胞玻片图像中的第二预设分辨率细胞团图像，其中，第二预设分辨率高于第一预设分辨率；将第二预设分辨率细胞团图像输入到经过预训练的级联细胞分类模型中，得到目标宫颈脱落细胞玻片识别结果。本发明实施例的技术方案，解决了宫颈脱落细胞玻片人工识别效率低的问题，实现了细胞的快速定位，提高了宫颈脱落细胞玻片识别的准确率和效率。
附图说明
20.图1是本发明实施例提供的一种宫颈脱落细胞玻片识别方法的流程图；
21.图2是本发明实施例提供的又一种宫颈脱落细胞玻片识别方法的流程图；
22.图3是一种对第一预设分辨率单细胞图像进行细胞分类与预测的流程图；
23.图4是一种对第一预设分辨率细胞团图像进行细胞分类与预测的流程图；
24.图5是本发明实施例提供的另一种宫颈脱落细胞玻片识别方法的流程图；
25.图6是一种宫颈脱落细胞玻片识别方法的流程图；
26.图7是10倍镜下宫颈脱落细胞玻片识别方法的流程图；
27.图8是20倍镜下宫颈脱落细胞玻片识别方法的流程图；
28.图9是本发明实施例提供的一种宫颈脱落细胞玻片识别装置的结构框图；
29.图10是本发明实施例提供的一种计算机设备的结构框图。
具体实施方式
30.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
31.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任
何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
32.图1是本发明实施例提供的一种宫颈脱落细胞玻片识别方法的流程图，本实施例可适用于宫颈脱落细胞图像识别的场景中，特别的，本实施例更适用于tct或lct型制片方式的宫颈脱落细胞玻片识别的情况。该方法可以由宫颈脱落细胞玻片识别装置执行，该装置可以由软件和/或硬件的方式来实现，集成于具有应用开发功能的计算机设备中。
33.如图1所示，本实施例的宫颈脱落细胞玻片识别方法包括以下步骤：
34.s110、获取基于第一预设分辨率采集的第一宫颈脱落细胞玻片图像，识别并分割第一宫颈脱落细胞玻片图像中的第一预设分辨率单细胞图像和第一预设分辨率细胞团图像。
35.其中，第一预设分辨率是预先设定的采集宫颈脱落细胞玻片图像的分辨率。例如，可以是高通量全自动玻片扫描仪的分辨率，通过设置分辨率，获取该分辨率下的宫颈脱落细胞玻片图像作为第一宫颈脱落细胞玻片图像。
36.可选的，宫颈脱落细胞玻片图像是以tct或lct方式制片的宫颈脱落细胞玻片图像。
37.具体的，获取以预先设定分辨率的采集的宫颈脱落细胞玻片图像，作为第一宫颈脱落细胞玻片图像，对第一宫颈脱落细胞玻片图像采用低通滤波、高通滤波、二值化和形态学计算等方式提取细胞核，然后计算细胞核的面积特征、核质比和细胞核光学密度等特征，最终依据上述特征，设定对应的阈值区分宫颈脱落细胞玻片图像中的单细胞和细胞团，得到对应的第一预设分辨率单细胞图像和第一预设分辨率细胞团图像。
38.s120、分别对第一预设分辨率单细胞图像和第一预设分辨率细胞团图像进行细胞分类与预测，得到不同类别阳性细胞预测结果。
39.可以理解的是，需要通过分类与预测算法分别对第一预设分辨率单细胞图像和第一预设分辨率细胞团图像进行处理，得到各单细胞和细胞团对应的阳性细胞类型，即不同类别阳性细胞预测结果。
40.常用的分类与预测算法包括：nbc(naive bayesian classifier，朴素贝叶斯分类)算法、lr(logistic regress，逻辑回归)算法、id3算法、svm(support vector machine，支持向量机)算法、knn(k-nearest neighbor，k最邻近)算法和ann(artificial neural network，人工神经网络)等算法，用于宫颈脱落细胞玻片识别的分类，识别出不同类别的阳性细胞。
41.可选的，阳性细胞分类预测结果包括：高级别鳞状上皮病变类型、低级别鳞状上皮内病变类型、不能排除高级别鳞状上皮内病变的非典型鳞状上皮细胞类型和不明确的非典型鳞状细胞类型等用于描述宫颈脱落细胞阳性的筛查结果。
42.s130、获取基于不同类别阳性细胞预测结果以第二预设分辨率采集的第二宫颈脱落细胞玻片图像，识别并分割第二宫颈脱落细胞玻片图像中的第二预设分辨率细胞团图像，其中，第二预设分辨率高于第一预设分辨率。
43.具体的，对上述第一宫颈脱落细胞玻片图像的不同类别阳性细胞预测结果，可以根据置信度选取前几个各类别的阳性细胞和细胞团，例如，可以是前五个各类别的对应的
阳性细胞和细胞团，可以根据选取的不同类别阳性细胞和细胞团的坐标或其他用于确定阳性细胞和细胞团位置的信息，以更高的分辨率采集阳性细胞的宫颈脱落细胞玻片图像，作为第二宫颈脱落细胞玻片图像，缩小了图像采集的范围，使自动识别与分类的过程更加高效；识别并分割第二宫颈脱落细胞玻片图像中的第二预设分辨率细胞团图像的细胞核。其中，第二预设分辨率高于第一预设分辨率，高低分辨率结合，提高宫颈脱落细胞玻片识别的准确率和效率。
44.s140、将第二预设分辨率细胞团图像输入到经过预训练的级联细胞分类模型中，得到目标宫颈脱落细胞玻片识别结果。
45.可以理解的是，级联细胞分类模型是将各个分类子模型级联起来，所以，首先需要基于医生标记的不同类型的阳性细胞团及阴性细胞团对各个分类子模型进行预训练，然后将第二预设分辨率细胞团图像输入到经过预训练的级联细胞分类模型，最后将级联细胞分类模型的分类结果作为目标宫颈脱落细胞玻片识别结果。
46.本发明实施例的技术方案，通过获取基于第一预设分辨率采集的第一宫颈脱落细胞玻片图像，识别并分割第一宫颈脱落细胞玻片图像中的第一预设分辨率单细胞图像和第一预设分辨率细胞团图像；分别对第一预设分辨率单细胞图像和第一预设分辨率细胞团图像进行细胞分类与预测，得到不同类别阳性细胞预测结果；获取基于不同类别阳性细胞预测结果以第二预设分辨率采集的第二宫颈脱落细胞玻片图像，识别并分割第二宫颈脱落细胞玻片图像中的第二预设分辨率细胞团图像，其中，第二预设分辨率高于第一预设分辨率；将第二预设分辨率细胞团图像输入到经过预训练的级联细胞分类模型中，得到目标宫颈脱落细胞玻片识别结果。本发明实施例的技术方案，解决了宫颈脱落细胞玻片人工识别效率低的问题，实现了细胞的快速定位，提高了宫颈脱落细胞玻片识别的准确率和效率。
47.图2是本发明实施例提供的又一种宫颈脱落细胞玻片识别方法的流程图，本实施例与上述实施例中的宫颈脱落细胞玻片识别方法属于同一个发明构思，在上述实施例的基础上进一步的描述了对第一预设分辨率单细胞图像和第一预设分辨率细胞团图像进行细胞分类与预测的过程，该方法可以由宫颈脱落细胞玻片识别装置执行，该装置可以由软件和/或硬件的方式来实现，集成于具有应用开发功能的计算机设备中。
48.s210、获取基于第一预设分辨率采集的第一宫颈脱落细胞玻片图像，识别并分割第一宫颈脱落细胞玻片图像中的第一预设分辨率单细胞图像和第一预设分辨率细胞团图像。
49.s220、对第一预设分辨率单细胞图像进行细胞分类与预测，得到不同类别阳性细胞预测结果。
50.图3是一种对第一预设分辨率单细胞图像进行细胞分类与预测的流程图，如图3所示，对第一预设分辨率单细胞图像进行细胞分类与预测，得到不同类别阳性细胞预测结果，包括以下步骤：
51.s2201、提取第一预设分辨率单细胞图像中的至少一个预设图像特征。
52.预设图像特征可以包括：hog(histogram of oriented gradient，方向梯度直方图)特征、lbp(local binary pattern，局部二值模式)纹理特征、形态学特征、灰度直方图和灰度统计特征等特征。
53.其中，hog特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述
子。hog特征通过计算和统计图像局部区域的梯度方向直方图来构成特征，对图像平移、旋转和光照有很好的不变性。
54.hog特征的具体提取步骤：
55.1、色彩和伽马归一化：为了减少光照因素的影响，首先需要将整个图像进行规范化(归一化)。在图像的纹理强度中，局部的表层曝光贡献的比重较大，所以，这种压缩处理能够有效地降低图像局部的阴影和光照变化。
56.2、计算图像梯度：计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值。常用的方法是：使用一个一维的离散微分模板在一个方向上或者同时在水平和垂直两个方向上对图像进行处理。
57.3、构建方向的直方图细胞单元中的每一个像素点都为某个基于方向的直方图通道投票。投票是采取加权投票的方式，即每一票都是带有权值的，这个权值是根据该像素点的梯度幅度计算出来。可以采用幅值本身或者它的函数来表示这个权值，也可以选择幅值的函数来表示，比如幅值的平方根、幅值的平方、幅值的截断形式等。细胞单元可以是矩形的，也可以是星形的。直方图通道是平均分布在0-1800(无向)或0-3600(有向)范围内。
58.4、将细胞单元组合成大的区间：由于局部光照的变化以及前景-背景对比度的变化，使得梯度强度的变化范围非常大，需要对梯度强度做归一化，归一化能够进一步地对光照、阴影和边缘进行压缩。具体的，把各个细胞单元组合成大的、空间上连通的区间。这样，hog描述符就变成了由各区间所有细胞单元的直方图成分所组成的一个向量。
59.5、收集hog特征：把提取的hog特征输入到svm(support vector machine，支持向量机)分类器中，寻找一个超平面作为决策函数。svm是一类按监督学习方式对数据进行二元分类的广义线性分类器。
60.lbp是一种用来描述图像局部纹理特征的算法，反映的是图像像素点周围纹理变化情况，具有旋转不变性、灰度不变性(光照变化无影响)和计算复杂度低等优点。
61.lbp特征的具体提取步骤：将图像划分为n*n的窗口，以窗口中心像素值为该窗口的像素阈值，将与该窗口中心相邻的子窗口的像素值与该窗口的像素阈值进行比较，若子窗口的像素值大于该窗口的像素阈值，则该子窗口的位置被标记为1，否则为0，各子窗口的1和0组合产生对应的n*n的窗口的二进制数，通常转换为十进制数，该十进制数即为该窗口中心像素点的lbp值，用lbp值反映该图像的纹理特征。
62.形态学特征为细胞核的形态特征，因为宫颈癌细胞的细胞核形态会发生改变，例如，可以是细胞核大，核浆比例增大、核畸形、拉长、核边呈锯齿状、核有凹形、长芽、分叶状、桑椹状或弯月形等形状，因此，基于细胞核的分割，提取细胞核的面积、周长或圆形度等特征作为形态学特征。
63.其中，细胞核的分割包括：
64.1、坐标系变化：将图像的坐标系由图像坐标系变换到极坐标系，例如，可以是由直角坐标系变换到极坐标系。
65.2、计算图像的梯度：图像的梯度计算是图像变化的速度，对于图像的边缘部分，其灰度值变化较大，梯度值也较大；对于图像中比较平滑的部分，其灰度值变化较小，相应的梯度值也较小。严格来讲，图像梯度计算需要求导数，但是图像梯度一般通过计算像素值的差来得到梯度的近似值(近似导数值)。
66.3、基于动态规划的最短路径计算：首先要找到图中的拓扑排序顺序，作为递推的顺序，对于图中拓扑所有节点，可以得出一条最短路径且子路径都是最短路径，由于动态规划是全局匹配算法，将同一极线上的像素进行优化求解，提取细胞核的边界，避免了因噪声等导致的因不连续边缘而带来的影响。
67.4、将最短路径反向映射到图像坐标系，得到原图中的一封闭区域，该区域就是细胞核的分割区域：将最短路径从极坐标系反向映射到图像坐标系，得到图像中的封闭区域，即为细胞核区域，并对该区域进行分割，得到细胞核。
68.灰度直方图特征：灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。具体的，以细胞核为中心，将图像划分成左上、左下、右上、右下和细胞核五个区域，分别统计灰度直方图，并组合形成最终的灰度直方图，用于描述细胞核和细胞质的分布特征。
69.灰度统计特征：灰度统计特征反映图像灰度的分布情况，例如，可以是灰度均值、灰度方差、灰度偏度、灰度峰度、灰度能量和灰度熵等灰度统计特征。例如，可以是通过阈值分割方式，分割出可能的细胞核、细胞质和背景区域。具体的，分别计算灰度均值和灰度方差，针对细胞核和细胞质的灰度均值和灰度方差设定阈值，用于区分细胞核和细胞质；针对细胞质和背景区域的灰度均值和灰度方差设定阈值，用于区分细胞质和背景区域。
70.s2202、基于至少一个预设图像特征进行细胞过滤，得到疑似阳性细胞图像。
71.具体的，使用级联模型提取一个或多个预设图像特征，输入到对应的svm分类器中，进行细胞过滤，依次过滤不同类型的细胞，得到疑似阳性细胞图像。
72.进一步的，将至少一个预设图像特征分别输入到对应的级联细胞过滤支持向量机分类器中，包括以下步骤：
73.首先，将至少一个预设图像特征中的梯度直方图特征和灰度统计特征输入到第一支持向量机分类器中，得到第一分类结果。
74.然后，将第一分类结果中各图像的纹理特征输入到在第一支持向量机分类器基础上训练得到的第二支持向量机分类器中，得到第二分类结果。
75.最后，将第二分类结果中各图像的形态特征和灰度直方图特征输入到在第二支持向量机分类器基础上训练得到的第三支持向量机分类器中。
76.具体的，计算梯度直方图和灰度统计特征，输入到第一支持向量机分类器，过滤血细胞；然后计算纹理特征，输入到与第一支持向量机分类器组合的第二支持向量机分类器，过滤杂质和剩余血细胞；最后，计算细胞核的形态特征和灰度直方图特征，输入到与第二支持向量机分类器组合的第三支持向量机分类器，过滤阴性细胞、剩余杂质和剩余血细胞，从而得到疑似阳性细胞图像。
77.s2203、将疑似阳性细胞图像输入到预设单细胞图像级联分类模型中，得到不同类别阳性细胞预测结果。
78.预设单细胞图像级联分类模型是一种级联模型，用于对疑似阳性细胞图像进行分类，得到不同类型的阳性细胞，例如，可以是使用cnn(convolutional neural network，卷积神经网络)对疑似阳性细胞图像进行分类。
79.其中，cnn是一种人工神经网络，结构可以分为3层：卷积层用于提取特征；池化层用于实现下采样；全连接层用于分类。cnn由一个或多个卷积层和顶端的全连接层组成，同时也包括关联权重和池化层。
80.每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级特征如边缘、线条和角等层级特征，更多层的网路能从低级特征中迭代提取复杂特征。
81.池化实际上是一种形式的降采样。有多种不同形式的非线性池化函数，其中最大池化是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。池化层会不断地减小数据的空间大小，因此参数的数量和计算量也会下降，这在一定程度上也控制了过拟合。通常来说，cnn的卷积层之间都会周期性地插入池化层。池化层通常会分别作用于每个输入的特征并减小其大小。除了最大池化之外，池化层也可以使用其他池化函数，例如“平均池化”等。
82.全连接层的每一个神经元都与上一层的所有神经元相连，用于把前边提取到的特征综合起来。由于其全相连的特性，一般全连接层的参数也是最多的。在cnn(convolutional neural networks，卷积神经网络)结构中，经多个卷积层和池化层后，连接着1个或1个以上的全连接层。全连接层用于整合卷积层或者池化层中具有类别区分性的局部信息。为了提升cnn网络性能，全连接层每个神经元的激励函数一般采用relu函数(linear rectification function，线性整流函数)。最后一层全连接层的输出值被传递给一个输出，可以是softmax层，采用softmax逻辑回归进行分类。
83.其中，归一化指数函数，或称softmax函数，是有限项离散概率分布的梯度对数归一化。softmax函数在包括多项逻辑回归，多项线性判别分析，朴素贝叶斯分类器和人工神经网络等的多种基于概率的多分类问题方法中都有着广泛应用，多用于多分类问题中，该函数能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测。
84.具体的，预设单细胞图像级联分类模型对疑似阳性细胞图像进行识别与分类的过程，包括以下步骤：
85.首先，将疑似阳性细胞图像输入到预设单细胞图像级联分类模型的单细胞二分类子模型，得到阳性细胞图像。
86.具体的，基于医生标记的阳性单细胞及阴性细胞对预设单细胞图像级联分类模型的单细胞二分类子模型进行训练，将疑似阳性细胞图像输入到训练过的预设单细胞图像级联分类模型的单细胞二分类子模型，过滤出阴性细胞，得到阳性细胞图像。
87.然后，将阳性细胞图像输入到与单细胞二分类子模型级联的第一细胞类型分类子模型中，得到第一类型细胞分类结果和第二类型、第三类型及第四类型组合分类结果。
88.第一类型可以是hsil(high-grade squamous intraepithelial lesion，高级别鳞状上皮病变)类型；第二类型可以是lsil(low-grade squamous intraepithelial lesion，低级别鳞状上皮内病变)类型；第三类型可以是ash(atypical squamous cells,cannot exclude high-grade squamous intraepithelial lesion，不能排除高级别鳞状上皮内病变的非典型鳞状上皮细胞类型；第四类型可以是asu(atypical squamous cells of undp.termined significance，不明确的非典型鳞状细胞)类型，指既不能诊断为感染、炎症或反应性改变，也不能诊断为癌前病变的鳞状上皮细胞。
89.具体的，将第一类型细胞作为一类，第二类型细胞、第三类型细胞和第四类型细胞作为一类，将上述类型阳性细胞图像输入到与单细胞二分类子模型级联的第一细胞类型分类子模型，过滤出第一类型细胞，得到第二类型细胞、第三类型细胞和第四类型细胞的图像。
90.最后，将第二类型、第三类型及第四类型组合分类结果输入到与第一细胞类型分类子模型级联的第二细胞类型分类子模型中，分别得到第二类型、第三类型及第四类型三分类结果。
91.具体的，通过第二类型细胞、第三类型细胞和第四类型细胞的图像对与第一细胞类型分类子模型级联的第二细胞类型分类子模型进行训练，然后将第二类型细胞、第三类型细胞和第四类型细胞的图像输入到训练过第二细胞类型分类子模型，得到第二类型细胞、第三类型细胞和第四类型细胞的分类结果。
92.s230、将第一预设分辨率细胞团图像输入到预设细胞团图像级联分类模型中，得到不同类别阳性细胞预测结果。
93.具体的，基于医生标记的阳性细胞团及阴性细胞对预设细胞团图像级联分类模型进行训练，将第一预设分辨率细胞团图像输入到训练过的预设细胞团图像级联分类模型中，得到阳性细胞hsil类型细胞、lsil类型细胞、ash类型细胞和asu类型细胞预测结果。
94.图4是一种对第一预设分辨率细胞团图像进行细胞分类与预测的流程图，如图4所示，对第一预设分辨率细胞团图像进行细胞分类与预测，得到不同类别阳性细胞预测结果包括以下步骤：
95.s2301、将第一预设分辨率细胞团图像输入到预设细胞团图像级联分类模型的第一细胞团二分类子模型，得到第一预设分辨率阳性细胞团图像。
96.具体的，基于医生标记的阳性细胞团及阴性细胞对预设细胞团图像级联分类模型进行训练，将第一预设分辨率细胞团图像输入到训练过的预设细胞团图像级联分类模型中，过滤出阴性细胞团，得到第一预设分辨率阳性细胞团图像。
97.s2302、将第一预设分辨率阳性细胞团图像输入到与第一细胞团二分类子模型级联的第二细胞团二分类子模型，得到第一类型与第三类型的第一组合分类结果，以及第二类型与第四类型的第二组合分类结果。
98.具体的，将第一类型和第三类型作为一类，为第一组合，将第二类型和第四类型作为一类，为第一组合，将上述两种组合对应的阳性细胞团图像输入到与第一细胞团二分类子模型级联的第二细胞团二分类子模型对模型进行训练，然后将第一预设分辨率阳性细胞团图像输入到训练过的第二细胞团二分类子模型，得到第一类型与第三类型的第一组合分类对应的阳性细胞团图像，作为第一组合分类结果，以及第二类型与第四类型的第二组合分类对应的阳性细胞团图像，作为第二组合分类结果。
99.s2303、将第一组合分类结果输入到与第二细胞团二分类子模型级联的第三细胞团二分类子模型，分别得到第一类型与第三类型的二分类结果，并将第二组合分类结果输入到与第二细胞团二分类子模型级联的第四细胞团二分类子模型，分别得到第二类型与第四类型二分类结果。
100.具体的，通过第一类型与第三类型的第一组合分类对应的阳性细胞团图像对与第二细胞团二分类子模型级联的第三细胞团二分类子模型进行训练，然后将第一组合分类结
果输入到训练过第三细胞团二分类子模型，得到第一类型与第三类型细胞团的分类结果；同时，通过第二类型与第四类型的第二组合分类对应的阳性细胞团图像对与第二细胞团二分类子模型级联的第四细胞团二分类子模型进行训练，然后将第二组合分类结果输入到训练过第四细胞团二分类子模型，得到第二类型与第四类型细胞团的分类结果。
101.s240、获取基于不同类别阳性细胞预测结果以第二预设分辨率采集的第二宫颈脱落细胞玻片图像。
102.首先，根据不同类别阳性细胞预测结果中的分类置信度选取不同类别的预设数量的细胞。
103.具体的，获取基于不同类别阳性细胞预测结果以第二预设分辨率采集的第二宫颈脱落细胞玻片图像，将上述第一宫颈脱落细胞玻片图像的不同类别阳性细胞预测结果中，将每个类型阳性细胞和/或细胞团图像按对应的分类置信度由高到低排序，选取每个类型阳性细胞图像置信度排序中，前预设数量的细胞或细胞团，例如，可以是前5个细胞，得到四种类型阳性细胞对应的20个细胞；也可以是前1个细胞团，得到四种类型阳性细胞对应的4个细胞团。
104.然后，分别在预设数量的各细胞位置处聚焦采集分辨率为第二预设分辨率的一组z-stack图像。
105.具体的，读取上述预设数量的各细胞和细胞团的位置，例如可以是坐标等用于描述细胞和细胞团位置的信息，在预设数量的各细胞和预设数量的细胞团位置处聚焦采集分辨率为第二预设分辨率的一组z-stack图像。
106.其中，z-stack为一种景深融合算法，对显微镜头连续变焦时采集的非平面物体的图像序列进行分析，提取序列里每一帧图像中清晰聚焦的区域，然后对这些区域按其对应位置进行聚焦，采集一组z-stack图像，例如，可以是一个阳性细胞对应位置同一坐标下的24张z-stack图像。
107.最后，将各组z-stack图像进行融合得到第二宫颈脱落细胞玻片图像，其中，第二宫颈脱落细胞玻片图像与预设数量一致。
108.具体的，将预设数量的各细胞和预设数量的细胞团位置处聚焦采集分辨率为第二预设分辨率的一组z-stack图像，进行像素级的图像融合，形成预设数量的各细胞和预设数量的细胞团位置处的融合图像，作为第二宫颈脱落细胞玻片图像。
109.s250、识别并分割第二宫颈脱落细胞玻片图像中的第二预设分辨率细胞团图像，其中，第二预设分辨率高于第一预设分辨率。
110.s260、将第二预设分辨率细胞团图像输入到经过预训练的级联细胞分类模型中，得到目标宫颈脱落细胞玻片识别结果。
111.其中，级联细胞分类模型包括预设模块数量个稠密连接模块、一个第一尺寸卷积层、一个最大池化层、一个最大全局平均池化层及一个全连接层，并在各稠密连接模块间设置有第一预设网络层数量的第二尺寸卷积层和第二预设网络层数量的平均池化层。
112.可选的，目标宫颈脱落细胞玻片识别结果包括：第一类型、第二类型、第三类型和第四类型的分类结果。
113.具体的，基于医生标记的不同类型的阳性单细胞及阴性细胞对级联细胞分类模型进行训练，将疑似阳性细胞图像输入到训练过的级联细胞分类模型，过滤出阴性细胞，得到
阳性细胞图像和目标宫颈脱落细胞玻片的第一类型、第二类型、第三类型和第四类型的分类结果。
114.本发明实施例的技术方案，通过获取基于第一预设分辨率采集的第一宫颈脱落细胞玻片图像，识别并分割第一宫颈脱落细胞玻片图像中的第一预设分辨率单细胞图像和第一预设分辨率细胞团图像；对第一预设分辨率单细胞图像进行细胞分类与预测，得到不同类别阳性细胞预测结果，同时将第一预设分辨率细胞团图像输入到预设细胞团图像级联分类模型中，得到不同类别阳性细胞预测结果。获取基于不同类别阳性细胞预测结果以第二预设分辨率采集的第二宫颈脱落细胞玻片图像。识别并分割第二宫颈脱落细胞玻片图像中的第二预设分辨率细胞团图像，其中，第二预设分辨率高于第一预设分辨率。将第二预设分辨率细胞团图像输入到经过预训练的级联细胞分类模型中，得到目标宫颈脱落细胞玻片识别结果。本发明实施例的技术方案，解决了宫颈脱落细胞玻片人工识别效率低的问题，实现了细胞的快速定位，进一步提高了宫颈脱落细胞玻片识别的准确率和效率。
115.图5是本发明实施例提供的另一种宫颈脱落细胞玻片识别方法的流程图，本实施例与上述实施例中的宫颈脱落细胞玻片识别方法属于同一个发明构思，在上述实施例的基础上进一步的描述了级联细胞分类模型对第二预设分辨率细胞团图像进行识别与分类的过程。该方法可以由宫颈脱落细胞玻片识别装置执行，该装置可以由软件和/或硬件的方式来实现，集成于具有应用开发功能的计算机设备中。
116.如图5所示，宫颈脱落细胞玻片识别方法包括以下步骤：
117.s310、获取基于第一预设分辨率采集的第一宫颈脱落细胞玻片图像，识别并分割第一宫颈脱落细胞玻片图像中的第一预设分辨率单细胞图像和第一预设分辨率细胞团图像。
118.s320、分别对第一预设分辨率单细胞图像和第一预设分辨率细胞团图像进行细胞分类与预测，得到不同类别阳性细胞预测结果。
119.s330、获取基于不同类别阳性细胞预测结果以第二预设分辨率采集的第二宫颈脱落细胞玻片图像，识别并分割第二宫颈脱落细胞玻片图像中的第二预设分辨率细胞团图像，其中，第二预设分辨率高于第一预设分辨率。
120.s340、将第二预设分辨率细胞团图像输入到级联细胞分类模型的第一二分类子模型，得到第二预设分辨率阳性细胞团图像。
121.具体的，第一二分类子模型可以用于区分阳性细胞团和阴性细胞团，需要基于阴性细胞团的图像对第一二分类子模型进行预训练；将第二预设分辨率细胞团图像输入到经过预训练的第一分类子模型，得到并输出第二预设分辨率的阴性细胞团图像和第二预设分辨率的阳性细胞团图像。
122.s350、将第二预设分辨率阳性细胞团图像输入到与第一二分类子模型级联的第二二分类子模型，得到第一类型与第三类型组成的第一分类结果，和第二类型与第四类型组成的第二分类结果。
123.具体的，基于医生标记的第一类型与第三类型的第一组合分类的阳性细胞团图像和第二类型与第四类型组成的第二组合分类的阳性细胞团图像对第二二分类子模型进行训练，将第二预设分辨率的阳性细胞团图像输入到训练过的与第一二分类子模型级联的第二二分类子模型，得到并输出第一类型与第三类型对应的阳性细胞团图像组成的第一分类
结果，和第二类型与第四类型对应的阳性细胞团图像组成的第二分类结果。
124.s360、将第一分类结果输入到与第二二分类子模型级联的第三二分类子模型，分别得到第一类型与第三类型二分类结果，并将第二分类结果输入到与第二二分类子模型级联的第四二分类子模型，分别得到第二类型与第四类型二分类结果。
125.具体的，基于医生标记的第一类型与第三类型对应的的阳性细胞团图像对第三二分类子模型进行训练，将第二预设分辨率的第一分类结果输入到训练过的与第二二分类子模型级联的第三二分类子模型，得到并输出第一类型与第三类型的二分类结果；同时，基于医生标记的第二类型与第四类型对应的阳性细胞团图像对第四二分类子模型进行训练，将第二预设分辨率的第二分类结果输入到训练过的与第二二分类子模型级联的第四二分类子模型，得到并输出第二类型与第四类型的二分类结果。同时对第一分类结果和第二分类结果进行二分类，加快宫颈脱落细胞玻片识别的速度，提高宫颈脱落细胞玻片识别的效率。
126.s370、将上述第一类型与第三类型二分类结果和第二类型与第四类型二分类结果，作为目标宫颈脱落细胞玻片识别结果。
127.本发明实施例的技术方案，通过获取基于第一预设分辨率采集的第一宫颈脱落细胞玻片图像，识别并分割第一宫颈脱落细胞玻片图像中的第一预设分辨率单细胞图像和第一预设分辨率细胞团图像，分别对第一预设分辨率单细胞图像和第一预设分辨率细胞团图像进行细胞分类与预测，得到不同类别阳性细胞预测结果，获取基于不同类别阳性细胞预测结果以第二预设分辨率采集的第二宫颈脱落细胞玻片图像，识别并分割第二宫颈脱落细胞玻片图像中的第二预设分辨率细胞团图像，其中，第二预设分辨率高于第一预设分辨率，通过级联细胞分类模型对第二预设分辨率细胞团图像进行识别与分类，得到第一类型与第三类型二分类结果和第二类型与第四类型二分类结果，作为目标宫颈脱落细胞玻片识别结果。本发明实施例的技术方案，解决了宫颈脱落细胞玻片人工识别效率低的问题，实现了细胞的快速定位，进一步提高了宫颈脱落细胞玻片识别的准确率和效率。
128.在一个具体的实施例中，图6是一种宫颈脱落细胞玻片识别方法的流程图，图7是10倍镜下宫颈脱落细胞玻片识别方法的流程图，图8是20倍镜下宫颈脱落细胞玻片识别方法的流程图。
129.具体的宫颈脱落细胞玻片识别方法包括以下步骤：
130.1、基于高通量全自动玻片扫描仪，采集10倍镜下tct型或lct型制片方式的宫颈脱落细胞玻片图像。
131.2、对细胞图像进行预处理及分割。为提高图像对比度，并有效分割细胞，采用低通滤波、高通滤波、二值化、形态学计算等方式提取细胞核，然后计算细胞核的面积特征、核质比、细胞核光学密度等，最终依据上述提取的特征，设定合适的阈值区分单细胞和细胞团。属于单细胞的进入步骤3，属于细胞团的进入步骤5。
132.3、使用级联模型，依次过滤细胞。首先计算梯度直方图和灰度统计特征，选择最有效的少量特征作为svm过滤器1，过滤血细胞；然后计算纹理特征与svm过滤器1组合为svm过滤器2，过滤杂质；组后计算细胞核的形态特征和灰度直方图特征，并与svm过滤器2组合为svm过滤器3，过滤剩余的血细胞、杂质和阴性细胞，最终将疑似阳性细胞输出至单细胞cnn预测模块。
133.3.1、hog特征
134.hog是一种用来描述图像结构特征的算子，对图像平移、旋转和光照有很好的不变性。本发明设计了一种多尺度的hog特征，具体方法如下：
135.1)对于输入的细胞图像，以细胞核中心为中心点，截取中间32*32的区域，先计算一遍hog特征为h1。
136.2)同样的方式，截取细胞图像64*64的区域，同时为了加速计算，将图像缩小到32*32，再次计算hog特征为h2。
137.3)融合h1和h2组合成最终的hog特征。
138.这种多尺度设计加强了中间细胞核的作用，同时又兼顾了细胞质的影响，可以更好的过滤血细胞。
139.3.2、lbp特征
140.lbp纹理特征向量，一般以图像的分块lbp直方图表示，具体步骤如下：
141.1)将图像划分为3*3的图像子块，计算每个子块中的每个像素的lbp值。
142.2)对每个子块进行直方图统计，得到3*3个图像子块的直方图。
143.3)组合3*3个子块的直方图，得到最终的图像纹理特征。
144.3.3、基于细胞核分割的形态学特征
145.细胞核的形态对于细胞是否阳性的判断是个很重要的因素，所以基于细胞核的分割，提取了细胞核面积、周长、圆形度等特征。
146.细胞核的分割方法如下：
147.1)变换图像坐标系到极坐标系；
148.2)计算图像的梯度信息；
149.3)基于动态规划的最短路径计算；
150.4)将最短路径反向映射到图像坐标系，得到原图中的一封闭区域，该区域就是细胞核的分割区域。
151.3.4、灰度直方图特征
152.将图像划分成左上、左下、右上、右下核中间五个区域，分别统计灰度直方图，并组合形成最终的直方图。
153.3.5、灰度统计特征
154.灰度统计特征通过阈值分割方式，分割出可能的细胞核、细胞质和背景区域，分别计算它们的均值和方差，该特征不受细胞核大小、位置影响，可以作为上述特征的补充。
155.4、基于tensorflow框架搭建81层稠密连接网络(densenet-81)分类模型。
156.densenet-81网络包含38个稠密连接块(dense block)，每个稠密连接块包含1个1x1卷积层(convolution layer)和1个3x3卷积层，稠密连接块之间由3个1x1卷积层和3个2x2平均池化层(average pooling)过渡。此外，densenet-81还包含1个7x7卷积层，1个3x3最大池化层(max pooling)，1个7x7全局平均池化层(global average pooling)和1个全连接层(fully connected layer)，每个卷积层含32个卷积核，输出均采用relu函数作为激活函数，全连接层后由归一化指数函数(softmax)作为激活函数输出分类。
157.针对10倍单细胞训练联级cnn预测模型，且每一层级的分类任务均采用改进的densenet-81网络，训练数为64*64的单通道图像。
158.4.1、基于医生标记阳性单细胞及阴性细胞训练二分类模型即单细胞cnn模型1，过
滤出阴性细胞，输出阳性细胞进入下一流程。
159.4.2、将阳性细胞hsil作为一类，lsil、ash、asu作为一类，训练二分类模型即单细胞cnn模型2，过滤出hsil类型细胞，输出lsil、ash、asu类型细胞进入下一流程，最后训练lsil、ash、asu三分类模型即单细胞cnn模型3，对其进行进一步分类。
160.4.3、将上述预测出的四类阳性细胞，每一类都按置信度由高到低排序，选取每一类中置信度最高的前5个细胞，同时记录细胞的位置信息等，最终将20个单细胞的位置信息输出至20倍细胞预测模块。
161.5、针对10倍细胞团训练联级cnn预测模型，且每一层级的分类任务均采用改进的densenet-81网络，训练数为128*128的单通道图像。
162.5.1、基于医生标记阳性细胞团及阴性细胞训练二分类模型即细胞团cnn模型1，过滤出阴性细胞(others)，输出阳性细胞。
163.5.2、将hsil与ash作为一类，lsil与asu作为一类，训练二分类模型即细胞团cnn模型2，将上述阳性细胞团分为两类；最后分别训练两个二分类模型，区分hsil和ash的模型即细胞团cnn模型3，区分lsil和asu的模型即细胞团cnn模型4，最终对阳性细胞团进行进一步分类。
164.5.3、将上述预测出的四类阳性细胞团，每一类都按置信度由高到低排序，选取每一类置信度最高的1个细胞团，同时记录细胞团的位置信息等，最终将4个细胞团的位置信息输出至20倍细胞预测模块。
165.6、扫描仪系统自动获取步骤4和步骤5传入的20个细胞和4个细胞团的位置信息，并切换至20倍镜采集宫颈脱落细胞玻片图像。
166.6.1、每个位置可获取一组相同视野下的24张z-stack图像，然后将每组z-stack图像进行像素级融合，共获取24张高分辨率图像。然后利用步骤2中的预处理及分割方法对20倍镜采集宫颈脱落细胞玻片图像进行分割处理。
167.7、针对步骤6输出的20倍的细胞团图像，训练联级cnn预测模型，且每一层级的分类任务均采用改进的densenet-81网络，训练数为160*160的单通道图像。
168.7.1、基于医生标记阳性细胞及阴性细胞图像训练二分类模型即20倍cnn模型1，过滤出阴性细胞，输出阳性细胞图像。
169.7.2、将阳性细胞hsil与ash作为一类，lsil与asu作为一类，训练二分类模型即20倍cnn模型2，将上述阳性细胞分为两类。
170.7.3、分别训练两个二分类模型，区分hsil和ash的模型即20倍cnn模型3，区分lsil和asu的模型即20倍cnn模型4，最终对阳性细胞进行进一步分类。
171.7.4、将上述预测出的每类阳性细胞都按置信度由高到低排序，选取每一类置信度最高的前5个细胞，作为阳性细胞推荐给医生。
172.图9是本发明实施例提供的一种宫颈脱落细胞玻片识别装置的结构框图，本实施例可适用于宫颈脱落细胞图像识别的场景中，特别的，本实施例更适用于tct或lct型制片方式的宫颈脱落细胞玻片识别的情况。该装置可以由软件和/或硬件的方式来实现，集成于具有应用开发功能的计算机设备中。
173.如图9所示，宫颈脱落细胞玻片识别装置包括：第一图像分割模块310、第一图像分类模块320、第二图像分割模块330和第二图像分类模块340。
174.其中，第一图像分割模块310，用于获取基于第一预设分辨率采集的第一宫颈脱落细胞玻片图像，识别并分割第一宫颈脱落细胞玻片图像中的第一预设分辨率单细胞图像和第一预设分辨率细胞团图像；第一图像分类模块320，用于分别对第一预设分辨率单细胞图像和第一预设分辨率细胞团图像进行细胞分类与预测，得到不同类别阳性细胞预测结果；第二图像分割模块330，用于获取基于不同类别阳性细胞预测结果以第二预设分辨率采集的第二宫颈脱落细胞玻片图像，识别并分割第二宫颈脱落细胞玻片图像中的第二预设分辨率细胞团图像，其中，第二预设分辨率高于第一预设分辨率；第二图像分类模块340，用于将第二预设分辨率细胞团图像输入到经过预训练的级联细胞分类模型中，得到目标宫颈脱落细胞玻片识别结果。
175.本发明实施例的技术方案，通过获取基于第一预设分辨率采集的第一宫颈脱落细胞玻片图像，识别并分割第一宫颈脱落细胞玻片图像中的第一预设分辨率单细胞图像和第一预设分辨率细胞团图像；分别对第一预设分辨率单细胞图像和第一预设分辨率细胞团图像进行细胞分类与预测，得到不同类别阳性细胞预测结果；获取基于不同类别阳性细胞预测结果以第二预设分辨率采集的第二宫颈脱落细胞玻片图像，识别并分割第二宫颈脱落细胞玻片图像中的第二预设分辨率细胞团图像，其中，第二预设分辨率高于第一预设分辨率；将第二预设分辨率细胞团图像输入到经过预训练的级联细胞分类模型中，得到目标宫颈脱落细胞玻片识别结果。本发明实施例的技术方案，解决了宫颈脱落细胞玻片人工识别效率低的问题，实现了细胞的快速定位，提高了宫颈脱落细胞玻片识别的准确率和效率。
176.可选的，第一图像分类模块320用于：
177.提取第一预设分辨率单细胞图像中的至少一个预设图像特征；
178.基于至少一个预设图像特征进行细胞过滤，得到疑似阳性细胞图像；
179.将疑似阳性细胞图像输入到预设单细胞图像级联分类模型中，得到不同类别阳性细胞预测结果。
180.可选的，第一图像分类模块320还用于：将至少一个预设图像特征分别输入到对应的级联细胞过滤支持向量机分类器中，进行细胞过滤。
181.可选的，第一图像分类模块320还用于：
182.将至少一个预设图像特征中的梯度直方图特征和灰度统计特征输入到第一支持向量机分类器中，得到第一分类结果；
183.将第一分类结果中各图像的纹理特征输入到在第一支持向量机分类器基础上训练得到的第二支持向量机分类器中，得到第二分类结果；
184.将第二分类结果中各图像的形态特征和灰度直方图特征输入到在第二支持向量机分类器基础上训练得到的第三支持向量机分类器中。
185.可选的，第一图像分类模块320还用于：将第一预设分辨率细胞团图像输入到预设细胞团图像级联分类模型中，得到不同类别阳性细胞预测结果。
186.可选的，第二图像分割模块330用于：
187.根据不同类别阳性细胞预测结果中的分类置信度选取不同类别的预设数量的细胞；
188.分别在预设数量的各细胞位置处聚焦采集分辨率为第二预设分辨率的一组z-stack图像；
189.将各组z-stack图像进行融合得到第二宫颈脱落细胞玻片图像，其中，第二宫颈脱落细胞玻片图像与所预设数量一致。
190.可选的，第一图像分类模块320还用于：
191.将疑似阳性细胞图像输入到预设单细胞图像级联分类模型的单细胞二分类子模型，得到阳性细胞图像；
192.将阳性细胞图像输入到与单细胞二分类子模型级联的第一细胞类型分类子模型中，得到第一类型细胞分类结果和第二类型、第三类型及第四类型组合分类结果；
193.将第二类型、第三类型及第四类型组合分类结果输入到与第一细胞类型分类子模型级联的第二细胞类型分类子模型中，分别得到第二类型、第三类型及第四类型三分类结果。
194.可选的，第一图像分类模块320还用于：
195.将第一预设分辨率细胞团图像输入到预设细胞团图像级联分类模型的第一细胞团二分类子模型，得到第一预设分辨率阳性细胞团图像；
196.将第一预设分辨率阳性细胞团图像输入到与第一细胞团二分类子模型级联的第二细胞团二分类子模型，得到第一类型与第三类型的第一组合分类结果，以及第二类型与第四类型的第二组合分类结果；
197.将第一组合分类结果输入到与第二细胞团二分类子模型级联的第三细胞团二分类子模型，分别得到第一类型与第三类型的二分类结果，并将第二组合分类结果输入到与第二细胞团二分类子模型级联的第四细胞团二分类子模型，分别得到第二类型与第四类型二分类结果。
198.可选的，第二图像分类模块330还用于：
199.将第二预设分辨率细胞团图像输入到级联细胞分类模型的第一二分类子模型，得到第二预设分辨率阳性细胞团图像；
200.将第二预设分辨率阳性细胞团图像输入到与第一二分类子模型级联的第二二分类子模型，得到第一类型与第三类型组成的第一分类结果，和第二类型与第四类型组成的第二分类结果；
201.将第一分类结果输入到与第二二分类子模型级联的第三二分类子模型，分别得到第一类型与第三类型二分类结果，并将第二分类结果输入到与第二二分类子模型级联的第四二分类子模型，分别得到第二类型与第四类型二分类结果。
202.本发明实施例所提供的宫颈脱落细胞玻片识别装置可执行本发明任一实施例所提供的宫颈脱落细胞玻片识别方法，具备执行方法相应的功能模块和有益效果。
203.图10是本发明实施例提供的一种计算机设备的结构框图，示出了可以用来实施本发明的实施例的计算机设备10的结构框图。
204.计算机设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。计算机设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
205.如图10所示，计算机设备10包括至少一个处理器11，以及与至少一个处理器11通
信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储计算机设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
206.计算机设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许计算机设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
207.处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个宫颈脱落细胞玻片识别方法和处理，其中方法包括：
208.获取基于第一预设分辨率采集的第一宫颈脱落细胞玻片图像，识别并分割第一宫颈脱落细胞玻片图像中的第一预设分辨率单细胞图像和第一预设分辨率细胞团图像；
209.分别对第一预设分辨率单细胞图像和第一预设分辨率细胞团图像进行细胞分类与预测，得到不同类别阳性细胞预测结果；
210.获取基于不同类别阳性细胞预测结果以第二预设分辨率采集的第二宫颈脱落细胞玻片图像，识别并分割第二宫颈脱落细胞玻片图像中的第二预设分辨率细胞团图像，其中，第二预设分辨率高于第一预设分辨率；
211.将第二预设分辨率细胞团图像输入到经过预训练的级联细胞分类模型中，得到目标宫颈脱落细胞玻片识别结果。
212.在一些实施例中，宫颈脱落细胞玻片识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到计算机设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的宫颈脱落细胞玻片识别方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行宫颈脱落细胞玻片识别方法。
213.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
214.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合
来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
215.在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
216.为了提供与用户的交互，可以在计算机设备上实施此处描述的系统和技术，该计算机设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
217.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
218.计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
219.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
220.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。