[發(fā)明專利]一種基于深度反卷積神經(jīng)網(wǎng)絡(luò)的細胞計數(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
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 何淑珍

本發(fā)明公開了一種基于深度反卷積神經(jīng)網(wǎng)絡(luò)的細胞計數(shù)方法。該方法包括：步驟1、構(gòu)造深度反卷積神經(jīng)網(wǎng)絡(luò)；步驟2、細胞圖像預(yù)處理；步驟3、訓(xùn)練網(wǎng)絡(luò)模型；步驟4、首先設(shè)置閾值去除雜點，然后計算圖像中剩余連通塊的個數(shù)即為細胞的個數(shù)；步驟5，首先將已經(jīng)過預(yù)處理的非訓(xùn)練細胞圖像輸入到已優(yōu)化好網(wǎng)絡(luò)連接權(quán)重的反卷積神經(jīng)網(wǎng)絡(luò)中，得到原始細胞圖像的高斯核熱圖，再經(jīng)過后期處理得到最終的計數(shù)值。本方法利用反卷積深度學習網(wǎng)絡(luò)來挖掘和提取細胞圖像的特征和空間信息，并使輸出層圖像恢復(fù)到和輸入層圖像一樣的尺寸大小，訓(xùn)練一個端到端的網(wǎng)絡(luò)，可以保證較高的計數(shù)準確率。

技術(shù)領(lǐng)域

本發(fā)明涉及模式識別和機器學習領(lǐng)域，特別涉及一種基于反卷積神經(jīng)網(wǎng)絡(luò)的顯微鏡下細胞圖像計數(shù)方法。

背景技術(shù)

在生物學樣本的功能多樣性研究和臨床病理學研究中，細胞計數(shù)都有極其重要的意義，顯微鏡下獲取的細胞圖像具有多種不同的形態(tài)，包括孤立細胞和粘連細胞等，孤立細胞計數(shù)相對容易，而對于粘連的細胞重疊度較高的情況，傳統(tǒng)的方法一般都是基于分割的方法，分割之后再進行計數(shù)，而對于重疊度較高的細胞圖像，很難得到較好的分割效果，進而難得到準確的計數(shù)結(jié)果。

近年來，深度學習已經(jīng)應(yīng)用到圖像處理的各個領(lǐng)域，醫(yī)學圖像作為與人類生活最密切的一個領(lǐng)域，深度學習的方法也越來越受到醫(yī)學圖像領(lǐng)域研究人員的關(guān)注。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于深度反卷積神經(jīng)網(wǎng)絡(luò)的顯微鏡下細胞圖像計數(shù)方法，本發(fā)明把細胞計數(shù)問題看成從原始細胞圖像到輸出高斯核熱力圖像的回歸問題，解決了傳統(tǒng)方法對于細胞重疊度高導(dǎo)致難以分割的情況。本發(fā)明可以實現(xiàn)對顯微鏡下細胞圖像較為準確的計數(shù)。

一種基于深度反卷積神經(jīng)網(wǎng)絡(luò)的細胞計數(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胞；

步驟2、細胞圖像預(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準差對該像素點進行歸一化處理，并進行對比度提升；

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)，把細胞計數(shù)問題，轉(zhuǎn)化為一個端到端的從細胞到高斯核的回歸問題；將歸一化之后的細胞圖像作為訓(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；

步驟4、測試模型，先將待測試的細胞圖像歸一化處理，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)目即為原始細胞的個數(shù)。

進一步地，步驟1中構(gòu)建的深度反卷積網(wǎng)絡(luò)模型，以原始細胞圖像作為數(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。

進一步地，步驟2中對原始細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。

進一步地，步驟3中訓(xùn)練深度反卷積神網(wǎng)絡(luò)所使用的損失函數(shù)：