一种基于人工智能的宫颈涂片图像诊断方法与流程

1.本发明涉及医疗信息处理中的诊断方法技术领域，具体为一种基于人工智能的宫颈涂片图像诊断方法。


背景技术：

2.颈癌是女性第二常见的癌症，仅次于乳腺癌。全球每年新增病例60万，死于宫颈癌的妇女每年可达20万。早期宫颈癌可以完全治愈，所以早诊断早治疗是应对癌症爆发的有效手段。宫颈病变有三种筛查方法：液基薄层细胞检测(thinprep cytologic test,tct)、阴道镜、病理学诊断。其中，tct是临床医学最值得信赖和有效的细胞学检查方式，对癌前病变的检出率可达90％以上。
3.传统的病理诊断耗时、耗力，无法满足宫颈癌的普查要求，近年来，人工智能、大数据技术被成功用于病理学中，智能辅助诊断系统就此诞生。但是目前大部分诊断方式仅能筛选出异常细胞，无法了解癌变程度、患者病情的严重程度，不能给医生提供更为全面的诊断参考信息。


技术实现要素：

4.(一)解决的技术问题
5.针对现有技术的不足，本发明提供了一种基于人工智能的宫颈涂片图像诊断方法，解决了上述背景技术中提出的问题。
6.(二)技术方案
7.为实现上述目的，本发明提供如下技术方案：一种基于人工智能的宫颈涂片图像诊断方法，包括以下操作步骤：
8.s1、采用阴道窥器通过从宫颈的鳞状上皮和柱状上皮交界处刮取细胞，在显微镜下进行细胞学检查；
9.s2、对涂片识别细胞
10.(1)、利用卷积神经网络进行图像处理；
11.(2)、通过彩超检查子宫内膜厚度；
12.(3)、判断风险系数；
13.s3、通过着色判断细胞核是否存在，有着色，存在细胞核，在没有着色，无细胞核；
14.s4、不存在细胞核时，为空泡；
15.s5、有细胞核时，一个细胞中存在两个着色，判断为双核，同理，一个细胞中仅有一个着色位置，判断为单核，并通过颜色深浅判断细胞染色程度；
16.s6、有大于一个细胞核或染色程度低于正常细胞，或者是空泡均为癌变细胞，大于一个细胞核或染色程度低于正常细胞，或者是空泡数量越多，癌变细胞比例越大。
17.优选的，所述步骤s6中，判断细胞癌变的分级，癌变细胞比例≤10％为正常细胞，癌变细胞比例在10％-80％之间为可疑细胞，其中，10％-30％之间为一级可疑，30-50％为
二级可疑，50％-80％为三级可疑，癌变细胞比例≥80％为癌症。
18.优选的，所述步骤s2中，风险系数是事件发生的频率、严重程度和检测等级三者乘积，数值越大，风险系数越大。
19.优选的，所述步骤s2中，卷积神经网络包括卷积层、池化层、激活函数层、归一化层、全连接层。
20.优选的，所述卷积层由参数可学习的卷积核组成，卷积核的宽度和长度可改变，深度必须与输入层的通道数一致，归一化层是batch normalization，能使训练速度大大加快，激活函数层常用的激活函数有sigmoid，relu，tanh,leakyrelu。
21.(三)有益效果
22.(1)本发明提供了一种基于人工智能的宫颈涂片图像诊断方法，具备以下有益效果：
23.(2)、本发明中，采用阴道窥器通过从宫颈的鳞状上皮和柱状上皮交界处刮取细胞，在显微镜下进行细胞学检查；对涂片识别细胞；通过着色判断细胞核是否存在，有着色，存在细胞核，在没有着色，无细胞核；不存在细胞核时，为空泡；有细胞核时，通过颜色深浅判断细胞染色程度；有大于一个细胞核或染色程度低于正常细胞，或者是空泡均为癌变细胞；通过层层深入设计的图像诊断方法直观性更强，能够判断细胞病变，了解细胞癌变状况，能够给医生提供更为全面的诊断参考信息，具有诊断准确的特点。
附图说明
24.图1为本发明的流程图。
具体实施方式
25.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，都属于本发明保护的范围。
26.如图1所示，本发明提供一种技术方案：一种基于人工智能的宫颈涂片图像诊断方法，包括以下操作步骤：
27.s1、采用阴道窥器通过从宫颈的鳞状上皮和柱状上皮交界处刮取细胞，在显微镜下进行细胞学检查；
28.s2、对涂片识别细胞
29.(1)、利用卷积神经网络进行图像处理，卷积神经网络包括卷积层、池化层、激活函数层、归一化层、全连接层，卷积层由参数可学习的卷积核组成，卷积核的宽度和长度可改变，深度必须与输入层的通道数一致，归一化层是batch normalization，能使训练速度大大加快，激活函数层常用的激活函数有sigmoid，relu，tanh,leakyrelu；
30.(2)、通过彩超检查子宫内膜厚度；
31.(3)、判断风险系数，风险系数是事件发生的频率、严重程度和检测等级三者乘积，数值越大，风险系数越大；
32.s3、通过着色判断细胞核是否存在，有着色，存在细胞核，在没有着色，无细胞核；
33.s4、不存在细胞核时，为空泡；
34.s5、有细胞核时，一个细胞中存在两个着色，判断为双核，同理，一个细胞中仅有一个着色位置，判断为单核，并通过颜色深浅判断细胞染色程度；
35.s6、由于正常细胞染色深度存有一个区间，通过观察染色程度判断是浅染色还是正常染色，有大于一个细胞核或染色程度低于正常细胞，或者是空泡均为癌变细胞，大于一个细胞核或染色程度低于正常细胞，或者是空泡数量越多，癌变细胞比例越大，判断细胞癌变的分级，癌变细胞比例≤10％为正常细胞，癌变细胞比例在10％-80％之间为可疑细胞，其中，10％-30％之间为一级可疑，30-50％为二级可疑，50％-80％为三级可疑，癌变细胞比例≥80％为癌症。
36.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
37.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。


技术特征：
1.一种基于人工智能的宫颈涂片图像诊断方法，其特征在于，包括以下操作步骤：s1、采用阴道窥器通过从宫颈的鳞状上皮和柱状上皮交界处刮取细胞，在显微镜下进行细胞学检查；s2、对涂片识别细胞(1)、利用卷积神经网络进行图像处理；(2)、通过彩超检查子宫内膜厚度；(3)、判断风险系数；s3、通过着色判断细胞核是否存在，有着色，存在细胞核，在没有着色，无细胞核；s4、不存在细胞核时，为空泡；s5、有细胞核时，一个细胞中存在两个着色，判断为双核，同理，一个细胞中仅有一个着色位置，判断为单核，并通过颜色深浅判断细胞染色程度；s6、有大于一个细胞核或染色程度低于正常细胞，或者是空泡均为癌变细胞，大于一个细胞核或染色程度低于正常细胞，或者是空泡数量越多，癌变细胞比例越大。2.根据权利要求1所述的一种基于人工智能的宫颈涂片图像诊断方法，其特征在于，所述步骤s6中，判断细胞癌变的分级，癌变细胞比例≤10％为正常细胞，癌变细胞比例在10％-80％之间为可疑细胞，其中，10％-30％之间为一级可疑，30-50％为二级可疑，50％-80％为三级可疑，癌变细胞比例≥80％为癌症。3.根据权利要求1所述的一种基于人工智能的宫颈涂片图像诊断方法，其特征在于，所述步骤s2中，风险系数是事件发生的频率、严重程度和检测等级三者乘积，数值越大，风险系数越大。4.根据权利要求1所述的一种基于人工智能的宫颈涂片图像诊断方法，其特征在于，所述步骤s2中，卷积神经网络包括卷积层、池化层、激活函数层、归一化层、全连接层。5.根据权利要求4所述的一种基于人工智能的宫颈涂片图像诊断方法，其特征在于，所述卷积层由参数可学习的卷积核组成，卷积核的宽度和长度可改变，深度必须与输入层的通道数一致，归一化层是batch normalization，能使训练速度大大加快，激活函数层常用的激活函数有sigmoid，relu，tanh,leakyrelu。

技术总结
本发明涉及医疗信息处理中的诊断方法技术领域，且公开了一种基于人工智能的宫颈涂片图像诊断方法，包括以下操作步骤：S1、采用阴道窥器通过从宫颈的鳞状上皮和柱状上皮交界处刮取细胞，在显微镜下进行细胞学检查；S2、对涂片识别细胞，(1)、利用卷积神经网络进行图像处理；(2)、通过彩超检查子宫内膜厚度；(3)、判断风险系数；S3、通过着色判断细胞核是否存在，有着色，存在细胞核，在没有着色，无细胞核；S4、不存在细胞核时，为空泡；本发明中，设计的图像诊断方法直观性更强，能够判断细胞病变，了解细胞癌变状况，能够给医生提供更为全面的诊断参考信息，具有诊断准确的特点。具有诊断准确的特点。具有诊断准确的特点。


技术研发人员：王景真
受保护的技术使用者：王景真
技术研发日：2021.12.09
技术公布日：2022/3/29