[发明专利]一种基于多列深浅卷积神经网络的细胞计数方法

说明书

本发明公开了一种基于多列深浅卷积神经网络的细胞计数方法。本发明实现步骤如下：步骤(1)训练多列深浅卷积神经网络；步骤(2)将细胞图像输入训练好的深度神经网络，输出对应图像的密度图；步骤(3)对模型输出的细胞密度图积分，统计出细胞数量输出；本发明利用多列深浅卷积神经网络计数对细胞图像进行分析，通过非人工干预的手段识别不同呈现形式的细胞图像，并输出细胞密度图，再进行积分求出细胞个数，这种方法具有更好的鲁棒性和自适应能力。

技术领域

本发明属于细胞图像处理技术领域,涉及图像计数方法，具体来讲是一种基于多列深浅卷积神经网络的细胞计数方法。

背景技术

通过显微镜，利用目视方法定性的分析细胞图像，给出细胞数量，细胞浓度，细胞密度等被广泛的应用在临床应用中。该方法耗时长并有一定主观性，且图像模糊，噪声污染，细胞之间边界不清，相互遮挡，相互粘连等都有可能影响分析和判断。针对这种情况，目前主要的细胞计数的处理方法主要有基于边缘检测，阀值分割，区域分割等方法然后进行细胞计数工作。但是这些方法难免出现分割效果不佳，特征提取困难等。所以较好的处理方法是建立端对端的处理方法，通过深度学习建立从输入到输出，让模型自动学习细胞图像特征，从而给出准确的计数。

发明内容

本发明针对细胞图像计数过程中对图像中细胞数量计数不准确的问题，公开一种基于多列深浅卷积神经网络的细胞计数方法。一种能够自行识别处理细胞图像的深度学习的细胞图像计数方法。

为实现以上的技术目的，本发明将采取以下的技术方案：

步骤(1)训练多列深浅卷积神经网络；

步骤(2)将细胞图像输入训练好的深度神经网络，输出对应图像的密度图；

步骤(3)对模型输出的细胞密度图积分，统计出细胞数量输出；

步骤(1)所述的训练多列深浅卷积神经网络，具体实现如下：

1-1.对采集到的每张细胞图像进行二值化和数据增强等图像预处理；

1-2.构建多列深浅卷积神经网络框架，确定网络框架的列数、层数、训练方式；

1-3.特征提取，将步骤1-1处理的细胞图像送入多列深浅卷积神经网络中卷积池化提取图像特征；

1-4.神经网络模型建立，利用步骤1-3提取的图像特征，训练出深度神经网络模型。

进一步的，步骤1-1具体为：

从显微镜设备中随机采样M张细胞图像，其中M≧1000；将细胞图像集中的每一张细胞图像，随机提取成n*n像素的小块，选取小块中的原则是小块包含类别的特征；提取好的小块图片，用matlab图像处理的方式进行细胞中心位置和像素值标注，标注好的小块图片按照初始整张细胞图像为单位，进行归类存储；

进一步的，步骤1-2中：

所述多列深浅卷积神经网络模型列数设置为三列，采用不同深浅的层次进行训练，三列网络训练过程的层次分别为3层、4层、5层，三类均采用改进的VGG16网络架构，迭代次数为10000次；

进一步的，步骤1-4中：

将处理好的细胞图像随机抽取90％的作为训练集；剩余10％的细胞图像作为测试集；将训练集送入多列深浅卷积神经网络的三列神经网络进行计算提取训练集中细胞图像的特征数据，通过提取的特征数据建立深度神经网络模型。

进一步的，步骤(3)所述的对模型输出的密度图积分，统计出细胞数量并输出，具体实现如下：

对多列深浅卷积神经网络输出的细胞密度图，进行数学积分来得到最终细胞数量；其中用来积分的细胞密度图，可用公式表示为：