[發(fā)明專利]一種基于雙段區(qū)塊卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010889738.3
• 申請(qǐng)日: 2020-08-28
• 公開(kāi)（公告）號(hào): CN112036298A
• 公開(kāi)（公告）日: 2020-12-04
• 發(fā)明（設(shè)計(jì)）人: 關(guān)明;曾昭沛;陳錕;黃若凡;徐天陽(yáng);馮振華;宋曉寧
• 申請(qǐng)（專利權(quán)）人: 復(fù)旦大學(xué)附屬華山醫(yī)院北院;第牛（上海）健康科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08
• 代理公司: 南京禹為知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 32272
• 代理人: 朱寶慶

1.一種基于雙段區(qū)塊卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞檢測(cè)方法，其特性在于，包括：

基于深度學(xué)習(xí)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型；

利用所述神經(jīng)網(wǎng)絡(luò)模型提取輸入數(shù)據(jù)在高維非線性空間中的表征，輸入雙段區(qū)塊網(wǎng)絡(luò)；

利用所述雙段區(qū)塊網(wǎng)絡(luò)構(gòu)建區(qū)域塊提案網(wǎng)絡(luò)，分類和篩選一段區(qū)塊；

基于所述一段區(qū)塊分類和擬合學(xué)習(xí)所述雙段區(qū)塊網(wǎng)絡(luò)的二段區(qū)塊，并利用注意力機(jī)制調(diào)節(jié)；

根據(jù)調(diào)節(jié)結(jié)果，利用高性能分類器輸出所述高置信的細(xì)胞檢測(cè)結(jié)果，完成檢測(cè)。

2.如權(quán)利要求1所述的基于雙段區(qū)塊卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞檢測(cè)方法，其特征在于：所述卷積神經(jīng)網(wǎng)絡(luò)模型包括，

{I₁,I₂,I₃,I₄}＝Aug(I)

其中，I表示RGB三通道的輸入圖像，Aug表示基于細(xì)胞數(shù)據(jù)的數(shù)據(jù)擴(kuò)充方法；

x＝f_backbone(I)

其中，f_backbone表示所使用的特征提取網(wǎng)絡(luò)。

3.如權(quán)利要求1或2所述的基于雙段區(qū)塊卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞檢測(cè)方法，其特征在于：所述細(xì)胞數(shù)據(jù)的數(shù)據(jù)擴(kuò)充方法包括，

水平翻折、垂直翻折、平面內(nèi)旋轉(zhuǎn)和顏色增強(qiáng)、削弱。

4.如權(quán)利要求3所述的基于雙段區(qū)塊卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞檢測(cè)方法，其特征在于：所述特征提取網(wǎng)絡(luò)包括，

多個(gè)卷積層、激活函數(shù)、歸一層、池化層。

5.如權(quán)利要求4所述的基于雙段區(qū)塊卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞檢測(cè)方法，其特征在于：所述區(qū)域塊提案網(wǎng)絡(luò)包括，

z_PRN＝f_RPN(x)

其中，x表示輸入的多通道特征圖，f_RPN表示區(qū)塊提案網(wǎng)絡(luò)，z_RPN表示對(duì)應(yīng)的網(wǎng)絡(luò)輸出。

6.如權(quán)利要求5所述的基于雙段區(qū)塊卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞檢測(cè)方法，其特征在于：所述分類和擬合學(xué)習(xí)二段區(qū)塊包括，

z_ROI＝f_ROI(z_RPN)

其中，z_RPN表示篩選后的區(qū)塊特征輸入，f_ROI表示二段區(qū)塊分類和擬合網(wǎng)絡(luò)，z_ROI表示輸出的候選特征圖。

7.如權(quán)利要求6所述的基于雙段區(qū)塊卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞檢測(cè)方法，其特征在于：所述高性能分類器包括，

S_ROI,Pred_ROI＝f_Final(z_ROI)

其中，z_ROI表示輸入的候選特征圖，f_Final表示全連接網(wǎng)絡(luò)分類器，S_ROI表示分類器輸出的類別得分，Pred_ROI表示檢測(cè)位置的矩形框預(yù)測(cè)。

8.如權(quán)利要求7所述的基于雙段區(qū)塊卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞檢測(cè)方法，其特征在于：所述網(wǎng)絡(luò)學(xué)習(xí)階段包括，

同時(shí)定義所述一段和二段區(qū)塊卷積網(wǎng)絡(luò)對(duì)應(yīng)的分類誤差和定位誤差，即相交叉熵函數(shù)和基于位置四變量的l₁范數(shù)誤差。

9.如權(quán)利要求8所述的基于雙段區(qū)塊卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞檢測(cè)方法，其特征在于：所述細(xì)胞檢測(cè)損失函數(shù)包括，

其中,表示一段區(qū)域提案網(wǎng)絡(luò)的分類誤差，表示一段區(qū)域提案網(wǎng)絡(luò)的回歸誤差，表示二段網(wǎng)絡(luò)的分類誤差，表示二段網(wǎng)絡(luò)的回歸誤差。

10.如權(quán)利要求1所述的基于雙段區(qū)塊卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞檢測(cè)方法，其特征在于：所述訓(xùn)練模型包括，

數(shù)據(jù)庫(kù)模型包括訓(xùn)練數(shù)據(jù)、測(cè)試數(shù)據(jù)和庫(kù)外數(shù)據(jù)；

檢測(cè)算法模型包括訓(xùn)練模型和測(cè)試模型。