[发明专利]基于卷积神经网络与特征融合的生物细胞计数方法

权利要求书

1.一种基于卷积神经网络与特征融合的生物细胞计数方法，其特征在于，包括以下步骤：

1)对生物细胞图像的数据集进行预处理，得到训练集和测试集，利用训练集和测试集分别得到生物细胞的真实密度图；

2)构建细胞计数的基于深浅层特征融合的卷积神经网络模型，通过提取深层和浅层特征实现细胞计数；所述卷积神经网络模型的输入为细胞原图，输出为细胞的密度图，通过积分得到细胞估计数量；

3)利用训练集和步骤2)构建的卷积神经网络模型，通过传播算法和参数更新进行迭代，得到优化后的模型权重参数；

4)测试卷积神经网络模型，利用优化后的模型权重参数，对细胞图片进行测试，得到输出的细胞密度图以及细胞估计数量，与测试集中细胞图片的真实密度图以及细胞真实数量进行对比，得出生物细胞计数结果，所述生物细胞计数结果包括细胞计数的平均绝对误差和平均相对误差。

2.根据权利要求1所述的基于卷积神经网络与特征融合的生物细胞计数方法，其特征在于，步骤1)的具体实现过程包括：将生物细胞图像按照比例分为训练集和测试集；在训练集中，将每张图片分为多个训练块，并求出对应的真实密度图；对测试集中的图片，求出每张测试图的真实密度图。

3.根据权利要求1所述的基于卷积神经网络与特征融合的生物细胞计数方法，其特征在于，步骤2)的具体实现过程包括：

1)卷积神经网络模型包括两列卷积神经网络，第一列卷积神经网络进行细胞图像深层特征的提取，第二列卷积神经网络进行细胞图像浅层特征的提取；

2)经过两列特征提取后，将深层与浅层特征融合后的特征图先进行一次卷积，再到反卷积层，进行反卷积操作，弥补在之前提取特征后丢失的信息，同时将反卷积层的输出上采样，反卷积层后均有激活函数，最后通过一次卷积生成最终的细胞密度图，进行积分后得到估计的生物细胞数量。

4.根据权利要求3所述的基于卷积神经网络与特征融合的生物细胞计数方法，其特征在于，所述第一列卷积神经网络包括四个卷积层，其中在第一、二个卷积层的后面各有一个最大池化层，且每个卷积层的后面都有激活函数；第二列卷积神经网络采用的卷积核大小与第一列卷积神经网络相同，第二列卷积神经网络包括两个卷积层，其中在第一个卷积层的后面有两个最大池化层，使得最后得到的特征图与第一列维度相同，同时每个卷积层的后面都有激活函数。

5.根据权利要求3所述的基于卷积神经网络与特征融合的生物细胞计数方法，其特征在于，步骤3)的具体实现过程包括：将生物细胞图片数据做为输入，分别送入两列卷积神经网络，经过深层和浅层特征提取后，得到它们的融合层，对融合后的特征图经过反卷积操作，将输出上采样，得到细胞密度图，损失函数为L，通过反向传播算法进行权值更新，直到迭代结束，得到优化后的模型权重参数。

6.根据权利要求5所述的基于卷积神经网络与特征融合的生物细胞计数方法，其特征在于，优化后的模型权重参数的具体计算过程包括：

1)细胞输入图经过第一列深层卷积神经网络，得到第一列的深层特征图，同时，细胞输入图经过第二列浅层卷积神经网络，得到第二列的浅层特征图；

2)将两列特征图融合则得到深浅层融合特征图，再经过反卷积层将特征图分辨率还原，此时得到训练中预测的细胞密度图，对密度图进行积分得到预测的细胞数量；

3)将预测的细胞数量与训练集的真实数量用损失函数L的公式计算误差，计算后将误差按照步骤2)中的深浅层融合特征图进行反向传播，推导出上一隐藏层的误差，逐层推导，推导过程中优化模型中每一层的参数，一直到第一层，完成一次迭代；

4)重复以上过程，直到达到迭代次数，训练结束，得到优化后的模型权重参数。

7.根据权利要求1所述的基于卷积神经网络与特征融合的生物细胞计数方法，其特征在于，细胞计数的平均绝对误差MAE和均方误差MSE具体定义如下：

其中，N是生物细胞图像，即测试图的总数量，y_i是细胞真实数量，y′_i是细胞估计数量。