姚超等：基于深度学习的宫颈癌异常细胞快速检测方法 1143 2.2滑动交叠裁剪 黑色框和绿色框所裁剪下的图像切割了部分异常 通过“滑动交叠裁剪”方式从TCT图像上获 细胞，在模型进行推理时，经过非极大值抑制 得TCT图像局部区域的图像，构成TCT图像子 (Non-maximum suppression,NMS)后处理，蓝色框 集.“滑动交叠裁剪”方式如图2所示，“滑动交叠 所裁图像的检测结果会覆盖黑色框和绿色框所裁 裁剪”方式是以局部区域边长（本文以2000像 图像的检测结果，这样即可解决图像边缘的异常 素×2000像素尺寸作为裁剪局部区域尺寸)的一半 细胞检测问题 作为步长在TCT图像上滑动裁剪，能够解决异常 2.3宫颈细胞图像异常局部区域识别 细胞处于图像边缘时，裁剪下的图像内异常细胞 TCT图像上的细胞簇之间的呈稀疏排列分布 显示不完整的情况 的特点，导致TCT图像上存在大量不包含细胞簇 的背景图像，这些背景图像会在目标检测模型中 产生较长的模型推理耗时，影响识别效率.因为图 像分类网络的推理时间要远小于目标检测网络的 推理时间，所以，在输入目标检测网络之前，采用 图像分类方法将背景图像筛除，只将含有细胞簇 的图像输入到目标检测网络，能够极大减少整体 推理时间.通过后续实验，综合准确率与模型复杂 图2“滑动交叠裁剪”示例 度考虑，Resnet:50l模型的综合性能高，所以本文 Fig.2 Example of "sliding overlap clipping'" 采用Resnet.50l4作为图像分类网络模型. 图中红色框内是真实标注的异常细胞，从左 2.4局部区域内宫颈异常细胞定位与识别 到右黑色、蓝色及绿色框是采用1000像素为步长 经过图像分类网络后，可获得只含有细胞簇 裁剪的3个TCT子区域图像，交叠裁剪能够让蓝 的T℃T图像，并作为目标检测模型的输入，由目标 色框所裁剪下的图像包含完整的异常细胞.因为 检测模型对异常细胞进行精确识别.本文采用 最终检测结果需要映射到TCT全景图像上，即使 YoloV5作为目标检测模型，模型结构如图3所示 Focus Bottleneck BottleneckCSP BottleneckCSP SPP BottleneckCSP Conv2d Coordinates Category Coordinates Category Upsampling concat Conv+BottleneckCSP Conv2d Coordinates Category Upsampling concat Conv+BottleneckCSP Conv2d 图3 YoloV5网络结构 Fig.3 YoloV5 network structure 3实验 时，医生首先使用专门的采样器采集宫颈脱落细 3.1实验条件 胞，其次，将脱落细胞盛有保存液的小瓶中，再次， (1)数据制备 将小瓶放人ThinPrep全自动制片仪，自动完成制 采用的数据集是经由专业医生进行异常细胞 片，随后进行巴氏染色，最后将染色后的玻片放置 标注的650例患者的T℃T图像.在采集数据样本 显微镜上进行观测2.2    滑动交叠裁剪 通过“滑动交叠裁剪”方式从 TCT 图像上获 得 TCT 图像局部区域的图像，构成 TCT 图像子 集. “滑动交叠裁剪”方式如图 2 所示，“滑动交叠 裁 剪 ” 方式是以局部区域边长 （本文 以 2000 像 素×2000 像素尺寸作为裁剪局部区域尺寸）的一半 作为步长在 TCT 图像上滑动裁剪，能够解决异常 细胞处于图像边缘时，裁剪下的图像内异常细胞 显示不完整的情况. 图 2    “滑动交叠裁剪”示例 Fig.2    Example of “sliding overlap clipping” 图中红色框内是真实标注的异常细胞，从左 到右黑色、蓝色及绿色框是采用 1000 像素为步长 裁剪的 3 个 TCT 子区域图像，交叠裁剪能够让蓝 色框所裁剪下的图像包含完整的异常细胞. 因为 最终检测结果需要映射到 TCT 全景图像上，即使 黑色框和绿色框所裁剪下的图像切割了部分异常 细胞 ，在模型进行推理时 ，经过非极大值抑制 （Non-maximum suppression, NMS）后处理，蓝色框 所裁图像的检测结果会覆盖黑色框和绿色框所裁 图像的检测结果，这样即可解决图像边缘的异常 细胞检测问题. 2.3    宫颈细胞图像异常局部区域识别 TCT 图像上的细胞簇之间的呈稀疏排列分布 的特点，导致 TCT 图像上存在大量不包含细胞簇 的背景图像，这些背景图像会在目标检测模型中 产生较长的模型推理耗时，影响识别效率. 因为图 像分类网络的推理时间要远小于目标检测网络的 推理时间，所以，在输入目标检测网络之前，采用 图像分类方法将背景图像筛除，只将含有细胞簇 的图像输入到目标检测网络，能够极大减少整体 推理时间. 通过后续实验，综合准确率与模型复杂 度考虑，Resnet50[14] 模型的综合性能高，所以本文 采用 Resnet50[14] 作为图像分类网络模型. 2.4    局部区域内宫颈异常细胞定位与识别 经过图像分类网络后，可获得只含有细胞簇 的 TCT 图像，并作为目标检测模型的输入，由目标 检测模型对异常细胞进行精确识别. 本文采用 YoloV5 作为目标检测模型，模型结构如图 3 所示. Focus Bottleneck BottleneckCSP BottleneckCSP BottleneckCSP Conv2d SPP Upsampling concat Conv+BottleneckCSP Conv2d Upsampling concat Conv+BottleneckCSP Conv2d Coordinates Category Coordinates Category Coordinates Category Input 图 3    YoloV5 网络结构 Fig.3    YoloV5 network structure 3    实验 3.1    实验条件 （1）数据制备. 采用的数据集是经由专业医生进行异常细胞 标注的 650 例患者的 TCT 图像. 在采集数据样本 时，医生首先使用专门的采样器采集宫颈脱落细 胞，其次，将脱落细胞盛有保存液的小瓶中，再次， 将小瓶放入 ThinPrep 全自动制片仪，自动完成制 片，随后进行巴氏染色，最后将染色后的玻片放置 显微镜上进行观测. 姚    超等： 基于深度学习的宫颈癌异常细胞快速检测方法 · 1143 ·