[发明专利]基于深度卷积神经网络的小卷积核细胞计数方法及系统

说明书

本发明公开了一种基于深度卷积神经网络的小卷积核细胞计数方法及系统，适用于对细胞图像进行计数。包括以下步骤：获取细胞图像数据集，对数据集进行预处理，将数据集分为训练集和测试集，并得到细胞真实密度图；构建用于细胞计数的基于小卷积核的深度卷积神经网络模型；利用训练集训练构建好的神经网络模型，得到最优参数模型；利用测试集测试得到的最优模型，得到预测的细胞密度图及估计细胞数，并评价结果。本发明改进了细胞计数模型，加快了网络训练速度，提高了预测效果和计数准确率。

技术领域

本发明涉及一种计算机视觉和深度学习领域，特别是一种基于深度卷积神经网络的小卷积核细胞计数方法及系统。

背景技术

在目前医学和生物学的研究中，细胞计数是一项关键技术。通过计算机技术对细胞进行计数可以极大的节省人力资源，提高效率。

当前应用比较广泛的细胞计数方法是细胞仪计数，如流式细胞仪计数。流式细胞仪既可以测量数量较多的细胞，又能测定特定类型的细胞而广泛应用于临床领域。但是在进入细胞仪前的样本准备需要很大的人工参与量。采用专业的图像分析仪定量检测可以避免观察者主观因素的干扰,在病理图像定量研究中具有重要的应用价值,但这类仪器不仅价格昂贵,且对操作者的要求较高,影响了在常规临床工作中的应用。

随着计算机技术的发展,计算机图像处理与分析技术在临床诊断和治疗中起着越来越重要的作用。早期研究主要采用的是传统的图像处理的方法，通过对图像预处理和分割，然后再对处理后的图像计数。

由于卷积神经网络和高性能GPU的快速发展，使用神经网络技术体现了其优越性。此类方法分为检测和回归两类，基于检测的计数方法是通过对图像上每个细胞进行定位与识别，再根据结果统计细胞数，可以得到准确的细胞位置，但缺点在于对高密度的细胞图像来说，其检测效果差。基于回归的计数方法没有精确定位细胞位置，而是对大概的细胞数目给出个估计值，基于回归的计数方法分为直接回归和密度图回归两类，直接回归即输入细胞图像，输出细胞数量估计值，密度图回归为输入细胞图像，输出预测密度图，积分得到细胞数量。基于密度图回归的细胞计数方法有很大研究前景，在其他计数领域得到了不错的结果，但在细胞计数领域还较少应用，且细胞计数与其他物体计数相比也有其自身特点。

综上，基于密度图回归的神经网络细胞计数方法还有很大的研究意义和提升空间。

本发明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)是一种深度学习算法，受生物自然视觉认知机制启发而来，在图像领域有很大的优越性。主要包含卷积层、池化层和全连接层，逐步提取图像特征。

卷积层：卷积神经网络的核心结构，卷积操作是输入矩阵与卷积核进行对应元素相乘并求和，用卷积核遍历整个输入矩阵得到一个结果矩阵即为卷积层的操作过程，作用是提取图像特征。

池化层：池化操作与卷积操作类似，在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤。根据需要有最大池化和平均池化等。池化操作缩小了特征图的大小，降低过拟合。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于深度卷积神经网络的小卷积核细胞计数方法及系统，提高计数准确率。

为解决上述技术问题，本发明所采用的技术方案是：一种基于深度卷积神经网络的小卷积核细胞计数方法，包括以下步骤：

1)获取细胞图像数据集，对数据集进行预处理，将数据集分为训练集和测试集；

2)构建用于细胞计数的基于小卷积核的深度卷积神经网络模型；

3)利用所述训练集训练构建好的神经网络模型，得到最优参数模型；

4)利用所述测试集测试得到的最优参数模型，得到预测的细胞密度图及估计细胞数，并评价结果。