[發(fā)明專利]細胞視野圖的檢測方法及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202010075316.2
• 申請日: 2020-01-22
• 公開（公告）號: CN111310611B
• 公開（公告）日: 2023-06-06
• 發(fā)明（設(shè)計）人: 張立箎;王乾;周明
• 申請（專利權(quán)）人: 上海交通大學
• 主分類號: G06V20/69
• 分類號: G06V20/69;G06V10/774;G06V10/764;G06N3/084;G06N3/0464;G06N3/048
• 代理公司: 上海世圓知識產(chǎn)權(quán)代理有限公司 31320
• 代理人: 陳穎潔;王佳妮

1.一種細胞視野圖的檢測方法，其特征在于，包括：

獲取步驟，獲取細胞視野圖，并制作樣本集；

訓練步驟，輸入所述樣本集以及分類標簽，訓練一級聯(lián)網(wǎng)絡(luò)得到級聯(lián)模型，所述級聯(lián)網(wǎng)絡(luò)由Retinanet網(wǎng)絡(luò)以及CNN網(wǎng)絡(luò)組成，所述Retinanet網(wǎng)絡(luò)用以通過訓練得到檢測模型，并輸出視野圖的區(qū)域判定結(jié)果；所述CNN網(wǎng)絡(luò)用以通過訓練得到分類模型，并輸出視野圖的分類結(jié)果；以及

分類步驟，將待識別視野圖輸入至訓練好的級聯(lián)網(wǎng)絡(luò)中得到整張視野圖的分類結(jié)果以及該視野圖的區(qū)域判定結(jié)果；

其中，所述訓練步驟包括Retinanet網(wǎng)絡(luò)訓練步驟，具體包括：

劃分步驟，將所述樣本集分為訓練集與測試集；

第一訓練步驟，輸入所述訓練集，訓練Retinanet網(wǎng)絡(luò)得到一第一網(wǎng)絡(luò)模型以及多個特征圖；

第一輸出步驟，將所述測試集輸入至所述第一網(wǎng)絡(luò)模型得到第一判定結(jié)果；以及

第一優(yōu)化步驟，比對所述第一判定結(jié)果與正確結(jié)果，計算二者的差異值并反向傳遞，優(yōu)化第一網(wǎng)絡(luò)模型得到所述檢測模型；

其中，所述訓練步驟包括CNN網(wǎng)絡(luò)訓練步驟，具體包括：

第二訓練步驟，將所述特征圖與分類標簽輸入，訓練CNN網(wǎng)絡(luò)得到第二網(wǎng)絡(luò)模型；

第二輸出步驟，輸入所述測試集并輸出第二判定結(jié)果；

第二優(yōu)化步驟，比對所述第二判定結(jié)果與正確結(jié)果，計算二者的差異值并反向傳遞，優(yōu)化第二網(wǎng)絡(luò)模型的到所述分類模型，所述分類模型與所述檢測模型組成一級聯(lián)模型。

2.如權(quán)利要求1所述的細胞視野圖的檢測方法，其特征在于，

所述Retinanet網(wǎng)絡(luò)包括卷積層，池化層以及激活層。

3.如權(quán)利要求1所述的細胞視野圖的檢測方法，其特征在于，

所述CNN網(wǎng)絡(luò)包括卷積層、池化層、激活層以及全連接層。

4.如權(quán)利要求1所述的細胞視野圖的檢測方法，其特征在于，

所述分類步驟中，

所述視野圖區(qū)域判定結(jié)果包括多個異常標記框的位置和標記框類別信息。

5.如權(quán)利要求1所述的細胞視野圖的檢測方法，其特征在于，

所述第一訓練步驟中，所述特征圖由所述Retinanet網(wǎng)絡(luò)的特征提取網(wǎng)絡(luò)訓練得到。

6.如權(quán)利要求5所述的細胞視野圖的檢測方法，其特征在于

所述特征提取網(wǎng)絡(luò)包括特征金字塔網(wǎng)絡(luò)。

7.如權(quán)利要求1所述的細胞視野圖的檢測方法，其特征在于，

所述CNN網(wǎng)絡(luò)包括Resnet網(wǎng)絡(luò)以及稠密型網(wǎng)絡(luò)；

所述分類標簽包括正常視野圖或異常視野圖。

8.一種存儲介質(zhì)，該存儲介質(zhì)存儲一計算機程序，該計算機程序用以執(zhí)行如權(quán)利要求1~7任一項所述的視野圖的異常檢測方法。