[發明專利]一種基于深度學習的衰老細胞顯微圖像識別方法

在審

• 申請號: 202211148637.6
• 申請日: 2022-09-21
• 公開（公告）號: CN115457549A
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 陳同生;賀思琪
• 申請（專利權）人: 華南師范大學
• 主分類號: G06V20/69
• 分類號: G06V20/69;G06V10/30;G06V10/34;G06V10/44;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李君

1.一種基于深度學習的衰老細胞顯微圖像識別方法，其特征在于，所述方法包括：

將待識別多細胞圖像分割成待識別單細胞圖像，其中，所述待識別多細胞圖像為明場圖像類型和核通道圖像類型其中之一；

將待識別單細胞圖像輸入衰老細胞識別網絡模型，得到衰老識別結果，其中，所述衰老細胞識別網絡模型通過并聯的多種分類網絡模型提取特征。

2.根據權利要求1所述的衰老細胞顯微圖像識別方法，其特征在于，所述分類網絡模型為三種，分別為第一分類網絡模型、第二分類網絡模型和第三分類網絡模型；

所述第一分類網絡模型基于Resnet34進行構建；

所述第二分類網絡模型基于Resnext50進行構建；

所述第三分類網絡模型基于Swin Transformer進行構建。

3.根據權利要求2所述的衰老細胞顯微圖像識別方法，其特征在于，所述第一分類網絡模型包括依次連接的第一卷積層、第一最大池化層、殘差結構、第二最大池化層、全連接層；

所述第一卷積層的卷積核大小為7×7，步長為2；

所述第一最大池化層、第二最大池化層的卷積核大小為3×3；所述第一最大池化層、第二最大池化層，用于進行下采樣；

所述殘差結構由多個第一殘差塊組成。

4.根據權利要求2所述的衰老細胞顯微圖像識別方法，其特征在于，所述第二分類網絡模型包括第二殘差塊；

所述第二殘差塊中，采用組卷積進行優化；

所述組卷積為至少三十二組，每組所述組卷積包括第二卷積層，所述第二卷積層的通道數為4，所述第二卷積層的卷積核大小為3×3。

5.根據權利要求2所述的衰老細胞顯微圖像識別方法，其特征在于，所述第三分類網絡模型包括依次連接的Swin-T編碼結構、Linear Embedding層、模塊組、softmax層；

所述模塊組包括依次連接的至少四個Swin Transformer Block模塊。

6.根據權利要求1所述的衰老細胞顯微圖像識別方法，其特征在于，所述將待識別多細胞圖像分割成待識別單細胞圖像，具體包括：

獲取待識別二值化模板圖像；

根據待識別二值化模板圖像，對待識別多細胞圖像進行分割，得到待識別單細胞圖像；

其中，所述待識別二值化模板圖像的獲取過程，具體包括：

對待識別多細胞核通道圖像進行背景校正和二值化處理，得到二值化后的圖像；

運用開操作的方式對二值化后的圖像進行消除噪點；

在消除噪點后的圖像中，設定約束條件，剔除不屬于單個細胞的連通域，得到待識別二值化模板圖像。

7.根據權利要求1所述的衰老細胞顯微圖像識別方法，其特征在于，所述衰老細胞識別網絡模型的獲取過程，具體包括：

利用數據集對多種分類網絡模型進行多次訓練，所述數據集包括多張單細胞明場圖像或多張單細胞核通道圖像；

采用voting算法對訓練后的多種分類網絡模型進行融合，進而得到多個融合網絡模型；

若數據集由多張單細胞明場圖像構成，則采用平均融合方式計算融合網絡模型的識別準確率；

若數據集由多張單細胞核通道圖像構成，則采用加權融合方式計算融合網絡模型的識別準確率；

將表現最優的融合網絡模型作為衰老細胞識別網絡模型。

8.一種基于深度學習的衰老細胞顯微圖像識別系統，其特征在于，所述系統包括：

分割單元，用于將待識別多細胞圖像分割成待識別單細胞圖像，其中，所述待識別多細胞圖像為明場圖像類型和核通道圖像類型其中之一；

識別單元，用于將待識別單細胞圖像輸入衰老細胞識別網絡模型，得到衰老識別結果，其中，所述衰老細胞識別網絡模型通過并聯的多種分類網絡模型提取特征。

9.一種計算機設備，包括處理器以及用于存儲處理器可執行程序的存儲器，其特征在于，所述處理器執行存儲器存儲的程序時，實現權利要求1-7任一項所述的衰老細胞顯微圖像識別方法。

10.一種存儲介質，存儲有程序，其特征在于，所述程序被處理器執行時，實現權利要求1-7任一項所述的衰老細胞顯微圖像識別方法。