本发明涉及宫颈癌细胞图像分类领域。
背景技术：
1、宫颈细胞筛查作为早期诊断和预防宫颈癌及其癌前病变最常见、最有效的手段，在宫颈细胞病变的诊断和预防中发挥着重要作用，是提高宫颈癌筛查能力，减少癌症发病率和挽救生命的最佳工具。
2、早期的宫颈细胞筛查主要凭借医师的经验对宫颈细胞切片进行判断，但这种方法通常比较耗时、效率低。近些年，人工智能发展迅速，大量学者研究和提出关于宫颈细胞分类的有关方法，包括传统的机器学习方法和深度学习方法。与传统的机器学习方法相比，深度学习方法不需要人为提取特征等复杂的过程，可以实现端到端的病变识别，提高医生筛查与诊断的效率。运用深度学习方法对宫颈细胞进行分类，将会在很大程度上减少诊断医生工作量，提高诊断效率及准确性，有利于宫颈癌前病变的及早发现与治疗。但是，宫颈细胞分类在宫颈细胞筛查中还存在一些问题。比如：宫颈细胞图像数据少且不均衡；模型鲁棒性及泛化能力较差等。这些问题会影响到分类的速度与准确度等，需要研究更优的基于深度学习的计算机辅助诊断方法，提高筛查效率，降低诊断错误率。
技术实现思路
1、本发明针对现有技术中宫颈细胞图像数据少且分类不均衡；模型鲁棒性及泛化能力较差的问题，为解决上述技术问题本发明是通过以下技术方案实现的：
2、本发明提出了一种宫颈癌细胞图像分类方法，所述图像分类方法包括以下步骤：
3、步骤一、获取herlev数据集的宫颈癌细胞图像，对所述宫颈癌细胞图像进行预处理；
4、步骤二、采用改进的densenet121网络模型对步骤一中预处理后的宫颈细胞图像进行分类；
5、步骤三、对步骤二分类后的宫颈癌细胞图像融入se注意力模块，完成对宫颈癌细胞图像分类。
6、进一步的，提供一种优选实施方式，步骤一中还包括对所述herlev数据集进行翻转、旋转以及扩增的步骤。
7、进一步的，提供一种优选实施方式，所述改进的densenet121网络模型包括对所述densenet121网络模型的构建、训练、验证、测试四个步骤。
8、进一步的，提供一种优选实施方式，所述构建densenet121网络模型包括以下步骤：
9、s1.1、输入的任意大小的特征图像；
10、s1.2、定义一个自适应平均池化层，将s1.1所输入的任意大小的特征图像进行自适应的平均池化，最终输出固定大小的特征图像；
11、s1.3、对s1.2中输出的特征图像进行归一化处理；
12、s1.4、对归一化处理的特征图像进行压缩；
13、s1.5、调用defdensenet121函数完成对densenet121模型的构建。
14、进一步的，提供一种优选实施方式，所述densenet121网络模型训练包括以下步骤：
15、s2.1、导入densenet121模型所需要的数据库；
16、s2.2、使用数据库加载宫颈癌细胞图像；
17、s2.3、使用if语句选择使用的设备，基于创建的改进的densenet12模型将其移动到选择使用的设备上；
18、s2.4、创建一个学习率调度器，用于保存正确的准确率；并定义两个空列表用于存储每个epoch的训练损失和验证损失；
19、s2.5、使用for循环对于每一个epoch空列表进行循环，用于统计训练过程中损失值、正确预测数量和样本总数的变量；
20、计算每个epoch空列表下的训练集准确率，将所述epoch的训练准确率添加到存储训练准确率的列表中，完成训练。
21、进一步的，提供一种优选实施方式，所述densenet121网络模型验证包括以下步骤：
22、s3.1、获取验证数据集，使用for循环对验证集数据进行遍历，将验证集输入数据移动选定的设备上；将验证集输入数据输入densenet121网络模型中，得到输出结果；计算所述模型在验证集上的损失值；并统计验证集中样本的总数；
23、s3.2、计算并得到epoch空列表下的验证集准确率，即正确预测的输入数据数量占总输入数据数量的比例；
24、s3.3、使用if语句，比较验证集准确率是否超过正确准确率；如果验证集准确率超过正确准确率，则更新正确准确率值，完成验证。
25、进一步的，提供一种优选实施方式，所述densenet121网络模型测试包括以下步骤：
26、s4.1、获取测试数据集，使用for循环遍历测试数据集图片和标签，将图像和标签移动到设备上进行计算；
27、s4.2、计算测试数据集的准确率、精确度、灵敏度、特异和f1分数，并计算加权平均值，得到最终分类结果。
28、方案二、一种宫颈癌细胞图像分类系统，所述图像分类系统包括：
29、预处理模块，用于获取herlev数据集的宫颈癌细胞图像，对所述宫颈癌细胞图像进行预处理；
30、预分类模块，用于采用改进的densenet121网络模型对预处理后的宫颈细胞图像进行分类；
31、分类模块，用于对分类后的宫颈癌细胞图像融入se注意力模块，完成对宫颈癌细胞图像分类。
32、方案三、电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如方案一中任一项所述的宫颈癌细胞图像分类方法。
33、方案四、计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如方案一中任一项所述的宫颈癌细胞图像分类方法。
34、本发明的有益之处在于：
35、本发明采用翻转、旋转等方法对数据集进行扩增，将图像尺寸统一为224×224，对图像进行归一化处理，然后利用改进的densenet121网络对处理后的图像进行分类。
36、本发明在herlev数据集上进行了模型验证，并将其与herlev-cnet、dsrnet50等先进方法进行比较，结果显示本发明所述的模型对宫颈癌细胞图像分类的效果更好，并且可以有效预防宫颈癌的发生。
37、本发明还适用于宫颈癌疾病图像处理领域中。
1.一种宫颈癌细胞图像分类方法，其特征在于，所述图像分类方法包括以下步骤：
2.根据权利要求1所述的宫颈癌细胞图像分类方法，其特征在于，步骤一中还包括对所述herlev数据集进行翻转、旋转以及扩增的步骤。
3.根据权利要求1所述的宫颈癌细胞图像分类方法，其特征在于，所述改进的densenet121网络模型包括对所述densenet121网络模型的构建、训练、验证、测试四个步骤。
4.根据权利要求3所述的宫颈癌细胞图像分类方法，其特征在于，所述构建densenet121网络模型包括以下步骤：
5.根据权利要求3所述的宫颈癌细胞图像分类方法，其特征在于，所述densenet121网络模型训练包括以下步骤：
6.根据权利要求3所述的宫颈癌细胞图像分类方法，其特征在于，所述densenet121网络模型验证包括以下步骤：
7.根据权利要求3所述的宫颈癌细胞图像分类方法，其特征在于，所述densenet121网络模型测试包括以下步骤：
8.一种宫颈癌细胞图像分类系统，其特征在于，所述图像分类系统包括：
9.计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行权利要求1-7任意一项所述的方法。
10.计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法的步骤。
