[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)的卵巢卵泡自動計數(shù)的方法

有效

• 申請?zhí)枺?/td>: 202010418981.7
• 申請日: 2020-05-18
• 公開（公告）號: CN111709911B
• 公開（公告）日: 2023-05-05
• 發(fā)明（設(shè)計）人: 蔡輝煌;程雨夏;吳卿
• 申請（專利權(quán)）人: 杭州電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/187;G06V10/26;G06V10/50;G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 楊舟濤

本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)的卵巢卵泡自動計數(shù)的方法，本發(fā)明將所有的數(shù)據(jù)圖像采用隨機種子的方式每次生成不同的訓練集、驗證集和測試集；通過神經(jīng)網(wǎng)絡(luò)的訓練對網(wǎng)絡(luò)參數(shù)進行不斷的更新，并通過驗證集的IOU進行驗證從而保留網(wǎng)絡(luò)模型的最優(yōu)參數(shù)；將神經(jīng)網(wǎng)絡(luò)輸出的預測圖經(jīng)過閾值化處理、噪聲處理將預測圖進行中的噪聲去除并將圖片轉(zhuǎn)換成灰度圖像；之后利用距離轉(zhuǎn)換和分水嶺算法將相互接觸的卵泡分離開；最后用連通區(qū)域分析法統(tǒng)計卵泡的個數(shù)實現(xiàn)卵巢卵泡的計數(shù)功能。

技術(shù)領(lǐng)域

本發(fā)明涉及分水嶺算法(Watershed)與CNN(Convolutional?Neural?Network)的深度學習領(lǐng)域，具體涉及一種對老鼠的卵巢卵泡進行自動計數(shù)的方法。

背景技術(shù)

卵巢是一種復雜的內(nèi)分泌器官，是女性生殖的重要性腺器官，主要有排卵和分泌女性激素的功能。其中，卵泡在卵巢中扮演著至關(guān)重要的部分，卵泡是由一個卵母細胞和許多小型卵泡細胞所組成。根據(jù)卵泡發(fā)育過程中形態(tài)和功能的變化，可以將卵巢中的卵泡分成六種類型：原始卵泡、初級卵泡、次級卵泡、竇前卵泡、竇狀卵泡和三級卵泡。在沒有任何藥物的作用下，可在卵巢內(nèi)發(fā)現(xiàn)正常的女性一個月都會有小卵泡逐漸長大發(fā)育形成不同階段的卵泡，并且在排卵期中排出一個發(fā)育成熟的卵泡。然而基因突變、毒素和一些特定的藥物對卵泡有影響。為了確定這些影響對于卵泡的排卵是促進還是抑制作用，卵泡計數(shù)這是非常重要的。

卷積神經(jīng)網(wǎng)絡(luò)是由多個卷積層和全連接層(對應(yīng)經(jīng)典的神經(jīng)網(wǎng)絡(luò))組成，同時也包括激活層和池化層。與其他深度學習結(jié)構(gòu)相比，卷積神經(jīng)網(wǎng)絡(luò)在圖像分割與識別方面能夠給出更好的結(jié)果。

分水嶺算法是基于地理形態(tài)的分析的圖像分割算法，模仿地理結(jié)構(gòu)(比如山川、溝壑，盆地)來實現(xiàn)對不同物體的分割。

由于這一重要性，目前現(xiàn)階段主要是針對老鼠卵巢的顯微鏡圖像。通過對老鼠的卵巢進行染色并標記從而獲取數(shù)據(jù)集，然后通過研究老鼠的生殖系統(tǒng)中卵泡的發(fā)育情況并測定其各種卵泡類型的數(shù)量。

發(fā)明內(nèi)容

本發(fā)明針對現(xiàn)有技術(shù)的不足，提出了一種基于神經(jīng)網(wǎng)絡(luò)的卵巢卵泡自動計數(shù)的方法。

為了解決這一問題，本發(fā)明通過以下技術(shù)方案予以實現(xiàn)：

一種基于神經(jīng)網(wǎng)絡(luò)與分水嶺算法的卵泡計數(shù)的方法，包括如下步驟：

步驟一：將所有的數(shù)據(jù)利用隨機種子的方式，將數(shù)據(jù)集劃分成訓練集、驗證集和測試集。每一次的神經(jīng)網(wǎng)絡(luò)輸入的數(shù)據(jù)包含原始圖片和標記圖片；

步驟二：在訓練網(wǎng)絡(luò)模型時對訓練集使用數(shù)據(jù)增強的方法對預輸入的圖片進行處理，并將圖片數(shù)據(jù)轉(zhuǎn)化成向量形式；

步驟三：加載預訓練模型的參數(shù)初始化神經(jīng)網(wǎng)絡(luò)，執(zhí)行前向傳播計算網(wǎng)絡(luò)參數(shù)，并將得到的輸出向量Oⁱ經(jīng)過Log_Softmax函數(shù)得到每一個像素點分類結(jié)果向量yⁱ；此向量yⁱ中權(quán)重最大的值便是網(wǎng)絡(luò)對于每一個像素點預測的最終分類結(jié)果，具體公式為yⁱ＝log_softmax(Oⁱ))；得到的分類結(jié)果yⁱ和當前正確的標簽值分別作為NLLloss損失函數(shù)的兩個輸入，計算損失值；將誤差信號傳遞到每一層的輸出，再通過每一層的函數(shù)對網(wǎng)絡(luò)參數(shù)的導數(shù)，求得網(wǎng)絡(luò)參數(shù)的梯度；再通過隨機梯度下降法優(yōu)化器更新和計算影響模型訓練和模型輸出的網(wǎng)絡(luò)參數(shù)，使其逼近或達到最優(yōu)值，從而最小化或最大化損失函數(shù)。

步驟四：每一次訓練結(jié)束之后，計算驗證集的交并比并保存IOU最大的模型參數(shù)，當訓練次數(shù)達到一定次數(shù)停止訓練，并加載IOU最大的模型參數(shù)得到神經(jīng)網(wǎng)絡(luò)的最終模型，其中為真實值，y為預測值；