[发明专利]基于深度学习的荧光编码微球图像生成及标注方法

说明书

本发明涉及计算机视觉的图像处理，为针对基于有监督式学习的荧光编码微球识别算法训练过程中存在的带标签训练集不足问题，提高识别算法准确度，本发明，基于深度学习的荧光编码微球图像生成及标注方法,步骤如下：步骤1：约束值设置；步骤2：图像标签随机生成；步骤3：训练样本集与测试集建立；步骤4：构建循环生成对抗网络CycleGAN；步骤5：CycleGAN训练；步骤6：网络性能评估；步骤7：图像生成。本发明主要应用于计算机图像处理场合。

技术领域

本发明涉及计算机视觉的图像处理领域，尤其涉及一种基于循环生成对抗网络(Cycle-Consistent Adversarial Networks，CycleGAN)的荧光编码微球图像生成及标注方法。具体涉及基于深度学习的荧光编码微球图像生成及标注方法。

背景技术

近年来，深度学习技术在计算机视觉、语音识别、自然语言处理等诸多领域取得了突破性进展。2014年Goodfellow等人受博弈论中二人零和博弈概念启发，提出生成对抗网络(Generative Adversarial Networks，GAN)，引发业界广泛关注。目前GAN已经在图像生成、图像分割、图像风格迁移等领域得到了大量应用。

GAN包含一个以随机噪声作为输入生成图片的生成模型(Generate Model)G，和一个以图片作为输入判断其真实性的鉴别模型(Discriminal Model)D。在训练过程中，生成网络G将尽量生成真实的图片去欺骗鉴别网络D。而D将尽量把G生成的图片和真实的图片分别开来，G和D构成了一个动态的“博弈过程”。在反复训练迭代后，在理想状态下，G将生成足够贴合真实的图片，D将难以判定G生成图片的真实性。

在GAN被首次提出后已有很多变种模型。2017年Jun-Yan Zhu等提出了CycleGAN模型，其基本原理是学习两个样本空间X和Y的相互映射关系，利用循环一致性损失(Cycle-Consistent Loss)防止模式崩溃(Mode Collapse)问题，主要应用于图像类型转换领域。

荧光编码微球是一种生物标志物，其性质稳定，荧光灵敏度高。基于荧光编码微球的高通量生物检测技术在基因型分型、疾病诊断、环境检测等方面均有广泛应用。基于深度学习的荧光编码微球图像分析技术通过对荧光编码微球图像进行定性和定量分析，可准确识别生物量种类并获取浓度信息，与传统方法相比具有操作简单、灵活、成本低等优点。但由于现有基于监督式学习的图像分析方法需要大规模带标签训练集对网络模型进行训练，而真实荧光编码微球图像难以大量获取，且人工标注困难，导致目前基于监督式学习的荧光编码微球图像分析技术的训练结果并不理想。

发明内容

为克服现有技术的不足，本发明旨在提出一种基于循环生成对抗网络的荧光编码微球图像生成方法，针对基于有监督式学习的荧光编码微球识别算法训练过程中存在的带标签训练集不足问题，利用本发明实现其训练集规模扩展和自动化标注，进而提高识别算法准确度。为此，本发明采取的技术方案是，基于深度学习的荧光编码微球图像生成及标注方法,步骤如下：

步骤1：约束值设置。在计算机中手动设置微球数量范围、微球大小范围、微球荧光编码值范围、运动区域四种约束参数；

步骤2：图像标签随机生成。基于步骤1中设置约束参数随机生成1组荧光编码微球图像参数，作为图像标签；

步骤3：训练样本集与测试集建立，首先将真实荧光编码微球图像裁剪为256*256大小图像，重复步骤2，生成大量图像标签，然后利用计算机脚本，生成与图像标签一一对应的256*256大小的原始合成图像，以0.8:0.2比例随机划分为两部分，其中0.8比例部分与真实图像合并作为训练样本集，用于模型训练；0.2比例部分作为验证样本集，用于模型评估；