[發(fā)明專利]一種細胞檢測的方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110483051.4
• 申請日: 2021-04-30
• 公開（公告）號: CN113111879A
• 公開（公告）日: 2021-07-13
• 發(fā)明（設計）人: 范偉亞
• 申請（專利權）人: 上海睿鈺生物科技有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都七星天知識產(chǎn)權代理有限公司 51253
• 代理人: 楊永梅

本申請實施例公開了一種細胞檢測方法和系統(tǒng)，所述方法包括：獲取待檢測的細胞圖像；利用目標識別模型對所述細胞圖像進行處理，確定所述細胞圖像的識別結果；所述目標識別模型至少包括可分離殘差卷積網(wǎng)絡、區(qū)域生成網(wǎng)絡、感興趣區(qū)域池化層和多個全連接層。

技術領域

本說明書涉及圖像處理技術領域，特別涉及一種細胞檢測的方法和系統(tǒng)。

背景技術

生物醫(yī)學圖像分析分為宏觀圖像分析和微觀圖像分析，宏觀圖像分析是應用醫(yī)學成像技術制造的醫(yī)療儀器設備，包括X射線、CT、MRI(核磁共振)、超聲多譜勒等。微觀圖像分析是指通過顯微鏡與計算機連接，將顯微鏡下的細胞、組織圖像用計算機進行處理和分析。細胞檢測是生物醫(yī)學圖像分析中一項重要的研究內(nèi)容，通過細胞檢測可實現(xiàn)細胞計數(shù)，精準的細胞計數(shù)能夠檢測潛在疾病與相關病變。

為此，希望提供一種細胞檢測的方法和系統(tǒng)，能提高細胞檢測的準確性。

發(fā)明內(nèi)容

本說明書實施例之一提供一種細胞檢測方法，所述方法包括：獲取待檢測的細胞圖像；利用目標識別模型對所述細胞圖像進行處理，確定所述細胞圖像的識別結果；所述目標識別模型至少包括可分離殘差卷積網(wǎng)絡、區(qū)域生成網(wǎng)絡、感興趣區(qū)域池化層和多個全連接層，所述目標識別模型的處理包括：利用所述可分離殘差卷積網(wǎng)絡對所述細胞圖像進行處理，確定第一特征圖像；利用所述區(qū)域生成網(wǎng)絡對所述第一特征圖像進行處理，確定候選區(qū)域；利用所述感興趣區(qū)域池化層對所述候選區(qū)域和所述第一特征圖像進行處理，確定第二特征圖像；利用所述多個全連接層分別對所述第二特征圖像進行處理，得到多個第三特征圖像；所述多個全連接層具備不同的神經(jīng)元數(shù)量；對所述多個第三特征圖像進行融合處理，得到第四特征圖像；對所述第四特征圖像進行分類處理和回歸處理，確定所述識別結果。

在一些實施例中，所述多個全連接層包括三個全連接層，所述三個全連接層的神經(jīng)元數(shù)量分別為2048、512和128。

在一些實施例中，所述利用所述區(qū)域生成網(wǎng)絡對所述第一特征圖像進行處理，確定候選區(qū)域，包括：利用滑動窗口在所述第一特征圖像上進行滑動處理，確定多個第一中心點；基于所述多個第一中心點在所述細胞圖像上進行映射處理，確定多個第二中心點；基于預設尺寸的錨框在所述多個第二中心點中每個的位置處，生成多個候選錨框；所述預設尺寸的錨框基于所述目標識別模型的訓練數(shù)據(jù)得到；基于所述多個第二中心點中每個的所述多個候選錨框，確定所述候選區(qū)域。

在一些實施例中，所述預設尺寸的錨框基于聚類算法對所述訓練數(shù)據(jù)中的標注框的尺寸數(shù)據(jù)進行處理得到。在一些實施例中，所述聚類算法包括但不限于以下的一種或多種：K均值聚類算法、均值漂移算法和基于密度的聚類算法。在一些實施例中，所述預設尺寸的錨框為面積包括8*8和16*16，且長寬比包括1:1、1:1.5和2:1所對應的錨框。

在一些實施例中，所述目標識別模型還包括隨機失活層；所述對所述第四特征圖像進行分類處理和回歸處理，確定所述識別結果，包括：利用所述隨機失活層對所述第四特征圖像進行處理，確定第五特征圖像；對所述第五特征圖像進行所述分類處理和所述回歸處理，確定所述識別結果。

本說明書實施例之一提供一種細胞檢測系統(tǒng)，所述系統(tǒng)包括：獲取模塊，用于獲取待檢測的細胞圖像；處理模塊，用于利用目標識別模型對所述細胞圖像進行處理，確定所述細胞圖像的識別結果；所述目標識別模型至少包括可分離殘差卷積網(wǎng)絡、區(qū)域生成網(wǎng)絡、感興趣區(qū)域池化層和多個全連接層，所述目標識別模型的處理包括：利用所述可分離殘差卷積網(wǎng)絡對所述細胞圖像進行處理，確定第一特征圖像；利用所述區(qū)域生成網(wǎng)絡對所述第一特征圖像進行處理，確定候選區(qū)域；利用所述感興趣區(qū)域池化層對所述候選區(qū)域和所述第一特征圖像進行處理，確定第二特征圖像；利用所述多個全連接層分別對所述第二特征圖像進行處理，得到多個第三特征圖像；所述多個全連接層具備不同的神經(jīng)元數(shù)量；對所述多個第三特征圖像進行融合處理，得到第四特征圖像；對所述第四特征圖像進行分類處理和回歸處理，確定所述識別結果。