[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

说明书

本发明公开了一种基于卷积神经网络与特征融合的生物细胞计数方法，适用于在数量较多和杂质较多的生物细胞显微图像中实现细胞计数。包含以下步骤：对生物细胞显微图像数据集进行预处理，得到训练集和测试集；构建基于卷积神经网络与深浅层特征融合的生物细胞计数模型；训练卷积神经网络模型，利用预处理完成后的训练集和构建的卷积神经网络模型，通过传播算法和参数更新，得到优化后的模型权重参数；测试卷积神经网络模型，利用预处理完成后的测试集和得到的最优网络模型的权重参数，对模型进行测试，得到输出的生物细胞密度图以及细胞估计数量，并进行评价。本发明可以改善生物细胞的特征提取效果，提高细胞计数的准确率。

技术领域

本发明涉及计算机视觉和深度学习技术领域，特别是一种基于卷积神经网络的深浅层特征融合细胞计数方法。

背景技术

在生物医学的细胞研究中，技术人员对于生物细胞显微图像的研究分析有着越来越显著的需求，为了能够达到研究目的，需要通过各种计算机图像技术对细胞进行处理分析，对生物细胞的处理包括细胞检测、分割、计数等。而在这其中，细胞计数技术得到越来越广泛的应用，在医学中，很多疾病和药物方面的研究都需要得知某些特定细胞的数量：一方面可以根据组织微环境中的目标细胞数量判断疾病病情；另一方面，在药物筛选中，可以通过组织中特定细胞数量的增减变化判断测试药物对于疾病是否有明显的疗效。在生物学中，细胞的培育以及制备过程中都需要知道生物细胞的数量，来对整个过程进行量化判断，进一步分析细胞培育制备的情况。因此，细胞计数技术的价值也日益凸显。

在计算机视觉领域，有医学图像处理的研究人员将深度学习的方法应用到里面，其中基于卷积神经网络的方法有比较广泛的使用。从计算机视觉的角度来看，自动细胞计数是计数问题的一个分支，利用卷积神经网络的细胞计数方法可以分为两类：检测计数和回归计数。许多计数方法选择了在检测之后完成对象计数任务，在这种情况下，设计一个对象检测框架来一个接一个的定位每个对象，一个计数器自然地检测所有对象并产生最终计数。这种基于检测的计数方法经过训练后，可以有较高的准确率，但它局限于细胞特征丰富、细胞数量较少的图像，而且逐个检测的效率较低，所以研究人员为细胞计数任务建立回归模型，其目的是学习图像中特征和细胞数之间的直接映射，在训练阶段利用训练集中的细胞图和注释信息得到细胞和数量间的映射关系，在测试阶段根据输入图像直接得到细胞的数量估计。整个过程中不需要分割或检测个体，这类方法更加适用于复杂的细胞密集的图像。同时，回归计数也有多种实现方式，主要的有两种，第一种根据输入图像直接得到细胞数量，第二种先得到生物细胞的密度图，然后进行积分，得到估计的细胞数量。回归计数的方法在其它领域都取得了不错的效果，但还较少应用于细胞数量的估计，且它的准确率可以通过改变卷积神经网络的结构进一步提高。

综上，基于卷积神经网络的细胞计数方法在准确率和效率方面还有较大的提升空间。

本发明中用到的名词解释如下：

卷积神经网络：卷积神经网络(Convolutional Neural Networks，CNN)是一种前馈神经网络。卷积神经网络是受生物学上感受野(Receptive Field)的机制而提出的。感受野主要是指听觉系统、本体感觉系统和视觉系统中神经元的一些性质。卷积神经网络有三个结构上的特性：局部连接，权重共享以及空间或时间上的次采样。这些特性使得卷积神经网络具有一定程度上的平移、缩放和扭曲不变性。

特征融合：是指将卷积神经网络的不同特征层相互连接融合，以获取特征的融合体。本发明中指将不同的特征层拼接融合为一体，进行的是前期融合。

卷积、池化、反卷积：均为CNN中的操作，卷积是把输入的图像数据通过卷积核或过滤器平滑处理变成特征并提取出来；池化一般紧跟在卷积操作之后，为了降低特征的维度并保留有效信息，包括平均池化、最大池化等，构成采样层；反卷积是卷积操作的逆过程，称为转置卷积，使图像从卷积生成的稀疏图像表示回到更高图像分辨率，也是上采样技术中的一种。

发明内容