[發明專利]一種基于全卷積回歸網絡的細胞計數方法

在審

• 申請號: 202011152914.1
• 申請日: 2020-10-26
• 公開（公告）號: CN112465745A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 康清波;劉振;王宇;石一磊;蘭曉莉;邢東明
• 申請（專利權）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: 南京正聯知識產權代理有限公司 32243
• 代理人: 陳斐

本發明涉及醫學圖像技術領域，具體為一種基于全卷積回歸網絡的細胞計數方法，基于全卷積網絡來完成密度估計，具體操作步驟如下：S1：圖像預處理；S2：模型架構及訓練；S3：多尺度塊輸入及融合。本發明基于深度學習，設計了一個利用全卷積回歸網絡來解決密度估計問題的CNN模型，解決了細胞計數問題基于密度估計的方法其圖像特征提取算法性能局限性比較大，精度有限且泛化性能較弱的問題，本發明引入了DenseNet中的密集連接來加強原始U?Net中的基本構造模塊，可提高U?Net中模型的特征表達能力以及更有效地訓練模型。

技術領域

本發明涉及醫學圖像技術領域，具體為一種基于全卷積回歸網絡的細胞計數方法。

背景技術

在醫學圖像研究領域，細胞顯微圖像是指通過將細胞制作成涂片，并借助顯微鏡等輔助工具所成的圖像。其中，精確計量圖像中細胞的個數是一個重要且關鍵的任務，其實際應用主要體現在醫學檢測、環境與食品安全和臨床分析等方面。例如在醫學檢測方面，大多數血液疾病的早期癥狀都可以通血紅細胞的數量的變化初步診斷出來。在臨床分析方面，通過分析視網膜細胞密度可以診斷出視網膜脫離和復位之間的病理關系，通過白細胞數目的變化可以初步判斷人體是否遭受病菌入侵等。因此，細胞數量的準確計量直接關系到后續圖像分析任務的準確性和可重復性。

目前，有兩種最常使用的細胞計數方式：人工技術和計算機自動計數。人工計數需要耗費大量的人工和精力，且計數精度嚴重依賴于不同的人的技巧和經驗，可重復性差。在過去幾十年以來，隨著顯微成像技術和圖像處理算法的發展，借助計算機進行自動細胞計數越來越成為一種趨勢。

按照計數原理的不同，細胞計數方法可以分為三類，即：基于檢測的方法，基于回歸的方法，基于密度估計的方法。基于檢測的方法通過最直觀的檢測細胞的具體位置，然后進行統計得到細胞的總數。這種方法有很多缺陷，例如只適用于單一的細胞類型，多數算法都需要人工協助，具有很大的局限性。基于回歸的方法通過對圖像分塊提取到目標細胞特征，然后利用回歸建模，最后實現計數。其缺點是不適用于圖像背景比較復雜，細胞形態差異較大的情形。基于密度估計的方法通過預測一張細胞密度圖將計數問題轉換為密度估計問題，其利用高斯濾波將標注的細胞點圖轉換為密度圖，然后提取圖像特征并訓練回歸模型來完成原始細胞圖像到密度圖的映射。這種方法相較前兩種可以實現比較優良的計數精度，但其性能嚴重依賴于圖像特征提取算法的性能。總之，以上大多數方法都依賴于通過傳統的圖像處理算法來提取特征來實現，但人工設計的特征局限性比較大，精度有限且泛化性能較弱。鑒于此，我們提出一種基于全卷積回歸網絡的細胞計數方法。

發明內容

為了彌補以上不足，本發明提供了一種基于全卷積回歸網絡的細胞計數方法。

本發明的技術方案是：

一種基于全卷積回歸網絡的細胞計數方法，基于全卷積網絡來完成密度估計，具體操作步驟如下：

S1：圖像預處理；

S2：模型架構及訓練；

S3：多尺度塊輸入及融合。

作為本發明優選的技術方案，S1中圖像預處理的具體操作為：需要將標記的細胞點圖通過高斯濾波操作轉換為密度圖。在細胞標記點圖中，每一個點代表了一個細胞，其大小為一個像素，將細胞標記點作為高斯核的中心，使用高斯濾波算法生成密度圖，其公式定義為：

；

其中，為所有細胞標記點的集合，為高斯分布的均值點位置，表示處的二維高斯分布值，為高斯分布的協方差矩陣，就為處所對應的密度值。

作為本發明優選的技術方案，S2中模型架構及訓練中所使用的模型架構為CNN模型架構圖，CNN模型屬于一個端到端的深度學習模型，該模型的輸入為原始細胞圖像及其不同尺寸的降采樣圖像，而輸出則為細胞密度圖，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。