[發明專利]一種基于深度學習的多細胞球識別與分類方法

在審

• 申請號: 202011152120.5
• 申請日: 2020-10-26
• 公開（公告）號: CN112017208A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 李冬冬;訾紅彥;戴仕奎;周飛
• 申請（專利權）人: 南京英瀚斯生物科技有限公司
• 主分類號: G06T7/136
• 分類號: G06T7/136;G06K9/62;G06N3/04;G06N3/08;G06T7/194
• 代理公司: 南京蘇創專利代理事務所(普通合伙) 32273
• 代理人: 王華

1.一種基于深度學習的多細胞球識別與分類方法，其特征在于包括以下步驟：

S1：通過激光掃描共聚焦顯微鏡獲取大樣本的多細胞球培養顯微圖像，并轉化成灰度圖像；

S2，對灰度圖像中多細胞球進行人工標注形成訓練數據集，然后通過深度學習目標算法對RCNN算法模型進行訓練得到最優RCNN檢測模型；

S3，通過訓練好的最優RCNN檢測模型對灰度圖像中的目標多細胞球進行識別和定位，提取圖像中多細胞球的子圖像；

S4，多細胞球的分割：采用基于直方圖分割閾值的算法，從圖像背景中對目標細胞進行分離：

首先，將多細胞球的子圖像的最大灰度和最小灰度的中值作為初始閾值，遍歷灰度圖像中所有像素點并根據閾值劃分為兩個區域U1和U2；

然后，計算兩個區域U1和U2的區域弧度平均值TU1和TU2，以TU1和TU2的平均值T1更新原閾值，并重復上述步驟直到，為誤差系數，最終得到最優的分割閾值；

最后，并根據最優的分割閾值對多細胞球的子圖像進行二值化分割標定，并進行存儲；

S5，提取分割后的多細胞圖像經過人工分類，利用卷積神經網絡算法搭建細胞分類模型，并通過人工分類后的大樣本多細胞子圖像進行訓練，得到最優細胞分類模型；

S6，利用訓練好的最優細胞分類模型對步驟S4得到的二值化圖像進行細胞分類。

2.根據權利要求1所述基于深度學習的多細胞球識別與分類方法，其特征在于：步驟S1中多細胞球培養顯微圖像經過灰度轉化后，還需經過缺省值處理：缺省值處理按照與該數據最相近的若干個非空鄰居幀的加權平均值進行設置，缺省數據的加權平均值通過式（1）計算：

（1）

為缺省數據的加權平均值，為缺失數據值所在幀的序號，為相近非空鄰居幀的序號，為序號為的灰度數值, 為非空鄰居幀的數量。

3.根據權利要求2所述基于深度學習的多細胞球識別與分類方法，其特征在于：所述最相近的若干個非空鄰居幀的數量為3或5。

4.根據權利要求1所述基于深度學習的多細胞球識別與分類方法，其特征在于：對所述RCNN算法模型和細胞分類模型進行訓練時，均采用圖像增強處理；所述數據增強處理包括對圖片的空間變化處理、比例縮放處理、圖片的亮度或色彩調整處理。

5.根據權利要求1所述基于深度學習的多細胞球識別與分類方法，其特征在于：步驟S5中所述細胞分類模型的卷積神經網絡包括圖像預處理層、多個卷積層、全連接層和SOFTMAX層，其中：

圖像預處理層，對輸入神經網絡的圖像進行歸一化處理；

卷積層，對經過歸一化處理的圖像進行卷積和下采樣操作，并逐級提取圖像中的目標特征；

全連接層，將神經網絡末端卷積層提取的目標特征進行分類；

SOFTMAX層，將全連接層的分類信息轉化成每個分類的概率分數。

6.根據權利要求5所述基于深度學習的多細胞球識別與分類方法，其特征在于：所述卷積層包含3x3和1x1兩種尺寸的卷積核，通過對上一層卷積層傳入的二值化圖像數據進行特征提取計算，得到的結果進行疊加形成總結果，并經過線性整流單元ReLU激活處理，并作為下一層卷積層輸入值。