[發(fā)明專利]一種基于深度反卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞計數(shù)方法

有效

• 申請?zhí)枺?/td>: 201610988776.8
• 申請日: 2016-11-10
• 公開（公告）號: CN106600577B
• 公開（公告）日: 2019-10-18
• 發(fā)明（設(shè)計）人: 劉樹杰;楊豐;季飛;袁紹鋒
• 申請（專利權(quán)）人: 華南理工大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 何淑珍

1.一種基于深度反卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞計數(shù)方法，包括步驟：

步驟1、構(gòu)造深度反卷積神經(jīng)網(wǎng)絡(luò)，即包括7個卷積層和4個反卷積層以及一個均方誤差層的深度反卷積神經(jīng)網(wǎng)絡(luò)，輸入層為原始細(xì)胞圖，輸出層和原始圖像大小一樣，里面的每一個高斯核代表原始圖像特定位置上的一個細(xì)胞；

步驟2、細(xì)胞圖像預(yù)處理，對于每張訓(xùn)練圖，我們用每個像素點減去均值然后除以標(biāo)準(zhǔn)差對該像素點進行歸一化處理，并進行對比度提升；對原始細(xì)胞圖像進行對比度提升和灰度歸一化處理操作：

其中：L(x,y)是原始細(xì)胞灰度直方圖,L_max和L_min分別是L(x,y)的最大和最小灰度，α>0是對比度提升的增益參數(shù)，β是對比度提升的偏移參數(shù)；f(x,y)是對比度提升和歸一化之后的圖像的灰度直方圖，G_max和G_min是歸一化之后圖像的直方圖的最大和最小灰度級；

步驟3、訓(xùn)練網(wǎng)絡(luò)模型，通過構(gòu)建反卷積神經(jīng)網(wǎng)絡(luò)，把細(xì)胞計數(shù)問題，轉(zhuǎn)化為一個端到端的從細(xì)胞到高斯核的回歸問題；將歸一化之后的細(xì)胞圖像作為訓(xùn)練樣本，采用無監(jiān)督的訓(xùn)練方法逐步逐層提取細(xì)胞圖像的特征和位置信息，并利用反向傳播和隨機梯度下降算法有監(jiān)督地最小化損失函數(shù)，從而獲得優(yōu)化的網(wǎng)絡(luò)連接權(quán)重；訓(xùn)練深度反卷積神網(wǎng)絡(luò)所使用的損失函數(shù)：

該損失函數(shù)是歐氏距離損失函數(shù)，其中φ₀為目標(biāo)標(biāo)簽值，φ(x)為輸入圖像；

步驟4、測試模型，先將待測試的細(xì)胞圖像歸一化處理，然后輸入到步驟3訓(xùn)練好的網(wǎng)絡(luò)中，得到原始細(xì)胞圖像的高斯核熱圖；

步驟5、后期處理，對步驟4中得到的高斯核熱圖進行閾值處理，過濾掉其中的非細(xì)胞雜點，然后計算閾值處理后圖像中剩余連通塊的數(shù)目即為原始細(xì)胞的個數(shù)。

2.如權(quán)利要求1所述的一種基于深度反卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞計數(shù)方法，其特征在于步驟1中構(gòu)造的深度反卷積神經(jīng)網(wǎng)絡(luò)，以原始細(xì)胞圖像作為數(shù)據(jù)輸入，以7個卷積層和兩個最大值池化層作為圖像特征提取結(jié)構(gòu)，并以兩個反池化層和四個反卷積層來重建與原始輸入圖像一樣的形狀。

3.如權(quán)利要求1所述的一種基于深度反卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞計數(shù)方法，其特征在于，步驟5中的后期處理方法，先通過閾值處理過濾掉 干擾點，再計算剩余連通區(qū)域的數(shù)量，即可得到細(xì)胞的數(shù)目。