[发明专利]基于改进U-net卷积神经网络模型的癌细胞识别方法

说明书

本发明公开了一种基于改进U‑net卷积神经网络模型的癌细胞检测方法。该方法为：获取癌细胞的医学图像，对于医学图像进行处理，对医学图像中的癌细胞进行标注，构成带有标注的数据集，并将数据集分为训练集、验证集、测试集三个部分；构建U‑net卷积神经网络模型，确定U‑net卷积神经网络模型的参数，在U‑net卷积神经网络模型中载入测试集和验证集，通过深度学习方法从图像上进行特征学习，采用测试和验证相结合的方式，得到训练好的U‑net卷积神经网络模型；将训练好的U‑net卷积神经网络模型进行部署，用于对测试集中的癌细胞进行自动检测。本发明利用底部特征，直接从图像上进行特征学习，有较高的运行效率和自动检测准确度。

技术领域

本发明涉及癌细胞的自动化检测技术领域，特别是一种基于改进U-net卷积神经网络模型的癌细胞识别方法。

背景技术

随着计算机科学技术的飞速发展，人们对计算机的要求在不断提升，目前已经不仅仅满足于海量的数据存储以及查找和海量数据计算，人们开始希望利用计算机来实现我们人类的某些特定的技能，因此计算机的应用的领域不断增大。其中利用计算机技术进行医学图像处理和分析以及自动识别，在医疗诊断中发挥了极其重要的作用。

在对医学图像进行分析时，通过专业人士利用显微镜进行人工观察，并对红细胞、白细胞等细胞的形态、数目等进行诊断，是之前诊断疾病的最基本的方法之一，但是像这样的人工检查血液显微图片是一件既需要耗费大量时间又需要耗费大量精力的工作。同时，在传统的图像处理方法中，根据一些算子来对图像进行处理的方法受到了很多条件的限制，导致无法对癌细胞进行准确、高效的识别。

发明内容

本发明的目的在于提供一种基于改进U-net卷积神经网络模型的癌细胞检测方法，能够通过医学图像得到更加准确的癌细胞检测结果。

实现本发明目的的技术解决方案为：一种基于改进U-net卷积神经网络模型的癌细胞检测方法，包括以下步骤：

步骤1、获取癌细胞的医学图像；

步骤2、对于医学图像进行处理，对医学图像中的癌细胞进行标注，从而构成训练U-net神经网络模型所需的带有标注的数据集，将标注好的数据集分为训练集、验证集、测试集三个部分；

步骤3、构建U-net卷积神经网络模型，确定U-net卷积神经网络模型的参数，在U-net卷积神经网络模型中载入测试集和验证集，通过深度学习方法从图像上进行特征学习，采用测试和验证相结合的方式，得到训练好的U-net卷积神经网络模型；

步骤4、将训练好的U-net卷积神经网络模型进行部署，用于对测试集中的癌细胞进行自动检测。

进一步地，步骤2中所述的对于医学图像进行处理，对医学图像中的癌细胞进行标注，从而构成训练U-net神经网络模型所需的带有标注的数据集，将标注好的数据集分为训练集、验证集、测试集三个部分，具体如下：

步骤2.1、使用全局阈值分割，将给定的灰度值作为阈值，将处理出的图片作为标签，对于医学图像进行处理；

步骤2.2、对医学图像进行去噪处理；

步骤2.3、对医学图像进行连通区域的检测；

步骤2.4、将处理出来的二值化医学图像作为标注，和原医学图像一起构成数据集；

步骤2.5、将处理好的数据集分为训练集、验证集、测试集三个部分；其中训练集用于构建模型，验证集用于验证模型，测试集用于对模型进行测试。

进一步地，步骤3中所述的构建U-net卷积神经网络模型，确定U-net卷积神经网络模型的参数，在U-net卷积神经网络模型中载入测试集和验证集，通过深度学习方法从图像上进行特征学习，采用测试和验证相结合的方式，得到训练好的U-net卷积神经网络模型，具体如下：