[發明專利]基于組合視圖的顯微圖像細胞計數與姿態識別方法及系統

在審

• 申請號: 202010587175.2
• 申請日: 2020-06-24
• 公開（公告）號: CN111724379A
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 云新;張天為;譚威;陳長勝
• 申請（專利權）人: 武漢互創聯合科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06K9/32;G06T7/13;G06T7/60;G06T7/70
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 楊采良

1.一種基于組合視圖的顯微圖像細胞計數與姿態識別方法，其特征在于，所述基于組合視圖的顯微圖像細胞計數與姿態識別方法包括：

獲取目標在不同焦段下拍攝的多張圖像，通過人工觀察，標注每張圖像中包含的細胞個數，將標注細胞個數的圖像作為訓練樣本，訓練一個深度神經網絡細胞個數預測模型；

對獲取的圖像進行去噪、對比度增強預處理，并在每張圖像上利用深度卷積神經網絡得到的特征檢測邊緣；

在每張圖像上根據邊緣擬合橢圓，將所有圖像上的橢圓收集起來作為候選集合；

在多張圖像的組合上對候選橢圓進行驗證和篩選。

2.如權利要求1所述基于組合視圖的顯微圖像細胞計數與姿態識別方法，其特征在于，基于組合視圖的顯微圖像細胞計數與姿態識別方法包括以下步驟：

步驟一，利用霍夫曼調制相襯系統顯微鏡間隔一段時間拍攝一組目標在不同焦段下的圖像，并對獲取的圖像進行去噪和對比度增強處理；

步驟二，通過檢測每幅圖像中鏡筒邊緣的圓環進行感興趣區域提取，經過裁剪得到僅包含細胞區域的感興趣圖像；選取一部分圖像，并通過人工觀察標注選取的圖像中包含的細胞個數，作為訓練數據；

步驟三，構建一個深度神經網絡細胞個數預測模型，并利用構建的模型提取圖像的高維特征，同時基于機器學習的方法利用步驟三得到的訓練數據對所述細胞個數預測模型進行訓練，利用訓練后的細胞個數預測模型對圖像中包含的細胞個數進行預測；

步驟四，采用基于深度學習的方法為每個像素學習一個高維的邊緣屬性特征，提取完整清晰的邊緣信息；

步驟五，基于圖像組合策略進行初始橢圓的擬合，并得到初始橢圓集；對獲得的初始橢圓集進行篩選。

3.如權利要求2所述基于組合視圖的顯微圖像細胞計數與姿態識別方法，其特征在于，步驟一中，所述利用霍夫曼調制相襯系統顯微鏡間隔一段時間拍攝一組目標在不同焦段下的圖像包括：

利用霍夫曼調制相襯系統顯微鏡拍攝圖像，間隔15分鐘拍攝一組；每組為不同的焦距段拍攝出的7張圖像，分別記為I₁，I₂，I₃，I₄，I₅，I₆，I₇，對應的是-15,-30,-45,0,15,30,45焦距。

4.如權利要求2所述基于組合視圖的顯微圖像細胞計數與姿態識別方法，其特征在于，步驟四中，所述深度學習的方法為基于深度卷積特征的RCF邊緣預測方法或基于U-Net的眼底圖像血管分割算法。

5.如權利要求2所述基于組合視圖的顯微圖像細胞計數與姿態識別方法，其特征在于，步驟五中，所述基于圖像組合策略進行初始橢圓的擬合包括：

(1)確定圖片組合策略：確定某一時刻多張圖像上的邊緣圖像為e₁，e₂，e₃，e₄，e₅，e₆，e₇，分別對應-15,-30,-45,0,15,30,45焦距值；確定組合策略為將不同焦距段的邊緣圖像進行組合；

(2)對于得到的待疊加邊緣圖像數據e_s找到由連通的邊緣點構成的弧段，利用最小二乘法估計出由這些弧段可能構成的所有的初始橢圓集E_initial；

(3)以得到的e_m邊緣圖像作為評價參照對得到的初始橢圓集E_initial中每個橢圓進行評分。