[發(fā)明專利]一種基于全卷積回歸網(wǎng)絡(luò)的細(xì)胞計(jì)數(shù)方法

在審

• 申請?zhí)枺?/td>: 202011152914.1
• 申請日: 2020-10-26
• 公開（公告）號: CN112465745A
• 公開（公告）日: 2021-03-09
• 發(fā)明（設(shè)計(jì)）人: 康清波;劉振;王宇;石一磊;蘭曉莉;邢東明
• 申請（專利權(quán)）人: 脈得智能科技（無錫）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/60;G06T5/30;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京正聯(lián)知識產(chǎn)權(quán)代理有限公司 32243
• 代理人: 陳斐

1.一種基于全卷積回歸網(wǎng)絡(luò)的細(xì)胞計(jì)數(shù)方法，其特征在于：基于全卷積網(wǎng)絡(luò)來完成密度估計(jì)，具體操作步驟如下：

S1：圖像預(yù)處理；

S2：模型架構(gòu)及訓(xùn)練；

S3：多尺度塊輸入及融合。

2.根據(jù)權(quán)利要求1所描述的基于全卷積回歸網(wǎng)絡(luò)的細(xì)胞計(jì)數(shù)方法，其特征在于：S1中圖像預(yù)處理的具體操作為：需要將標(biāo)記的細(xì)胞點(diǎn)圖通過高斯濾波操作轉(zhuǎn)換為密度圖,在細(xì)胞標(biāo)記點(diǎn)圖中，每一個點(diǎn)代表了一個細(xì)胞，其大小為一個像素，將細(xì)胞標(biāo)記點(diǎn)作為高斯核的中心，使用高斯濾波算法生成密度圖，其公式定義為：

；

其中，為所有細(xì)胞標(biāo)記點(diǎn)的集合，為高斯分布的均值點(diǎn)位置，表示處的二維高斯分布值，為高斯分布的協(xié)方差矩陣，就為處所對應(yīng)的密度值。

3.根據(jù)權(quán)利要求1所描述的基于全卷積回歸網(wǎng)絡(luò)的細(xì)胞計(jì)數(shù)方法，其特征在于：S2中模型架構(gòu)及訓(xùn)練中所使用的模型架構(gòu)為CNN模型架構(gòu)圖，CNN模型屬于一個端到端的深度學(xué)習(xí)模型，該模型的輸入為原始細(xì)胞圖像及其不同尺寸的降采樣圖像，而輸出則為細(xì)胞密度圖，其主要包含三個部分，即編碼器，解碼器以及處于中間的多尺度塊。

4.根據(jù)權(quán)利要求3所描述的基于全卷積回歸網(wǎng)絡(luò)的細(xì)胞計(jì)數(shù)方法，其特征在于：CNN模型架構(gòu)圖的左半部分為編碼器，其反復(fù)利用交叉間隔的密集塊及最大池化操作來提取細(xì)胞圖像的圖像特征，同時圖像特征的分辨率逐漸降低，密集塊有四個不同的版本，即DB-1到DB-4，分別代表著其包含不同數(shù)量的卷積塊，從DB-1到DB-4，這四個階段的圖像特征分辨率也從原始的細(xì)胞圖像大小逐次降低為原始大小的1/8，采用多尺度輸入方式，即將原始圖像的四個不同尺度輸入到網(wǎng)絡(luò)模型中，這四個尺度分別為：

；

其中和分別為原始細(xì)胞圖像的高和寬，通過這種多尺度輸入的方式，使得模型可以很好地提取到不同尺寸大小的細(xì)胞的圖像特征，從而實(shí)現(xiàn)最終的精確計(jì)數(shù)。

5.根據(jù)權(quán)利要求3所描述的基于全卷積回歸網(wǎng)絡(luò)的細(xì)胞計(jì)數(shù)方法，其特征在于：CNN模型架構(gòu)圖的右半部分為解碼器，其反復(fù)利用交叉間隔的密集塊及反卷積操作來進(jìn)一步提取細(xì)胞圖像的圖像特征，同時逐漸恢復(fù)原始的輸入圖像尺寸，處于編碼期與解碼器中間的為多尺度塊，在此處，利用多分支結(jié)構(gòu)帶有不同膨脹因子的膨脹卷積來進(jìn)一步提取圖像的多尺度特征，類似U-Net，編碼器與解碼器之間具有相同尺度的特征通過跳躍連接進(jìn)行相連，從而提高特征的復(fù)用率以及緩解梯度爆炸/消失問題；

在細(xì)胞圖像被輸入到網(wǎng)絡(luò)模型前，需要進(jìn)行標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化操作，即：

；

其中，為標(biāo)準(zhǔn)化前的細(xì)胞圖像，為標(biāo)準(zhǔn)化后的細(xì)胞圖像，為所有訓(xùn)練細(xì)胞圖像的均值，則為所有訓(xùn)練細(xì)胞圖像的標(biāo)準(zhǔn)差。

6.根據(jù)權(quán)利要求3所描述的基于全卷積回歸網(wǎng)絡(luò)的細(xì)胞計(jì)數(shù)方法，其特征在于：CNN模型的輸出層包含一個的卷積，且CNN模型取消掉了最后的Sigmoid層或Softmax層，從而使得本模型執(zhí)行的是一個逐像素回歸任務(wù)，模型在該像素點(diǎn)的輸出回歸值即為該像素點(diǎn)在細(xì)胞密度圖中的值，通過對模型輸出的輸出回歸值進(jìn)行求和計(jì)算，就可以得到該圖像的細(xì)胞數(shù)量，采用均方誤差作為網(wǎng)絡(luò)模型訓(xùn)練的損失函數(shù)，其定義為：

；

其中，代表網(wǎng)絡(luò)模型中所有能被訓(xùn)練的參數(shù)的集合，為輸入網(wǎng)絡(luò)模型的標(biāo)準(zhǔn)化后的細(xì)胞圖像，表示所有訓(xùn)練細(xì)胞圖像的個數(shù)，表示所對應(yīng)的真實(shí)細(xì)胞密度圖，為模型預(yù)測的細(xì)胞密度圖。

7.根據(jù)權(quán)利要求3所描述的基于全卷積回歸網(wǎng)絡(luò)的細(xì)胞計(jì)數(shù)方法，其特征在于：CNN模型使用基于反向傳播的優(yōu)化算法或者其變種進(jìn)行網(wǎng)絡(luò)參數(shù)的更新訓(xùn)練。