[发明专利]一种基于弱分割信息的生物荧光目标计数方法

说明书

本发明提供了一种基于弱分割信息的生物荧光目标计数方法，包括（1）训练网络模型：对输入的带有病灶的图片使用人工对需要检测病灶区域使用弱分割信息标注方法进行标注；将标注后的图片构建为训练集；搭建的神经网络和联合损失函数，利用训练集训练网络模型；和（2）对给定的一张待检图片，通过训练好的网络模型识别待检图片的病灶区域个数。

技术领域

本发明涉及一种数据识别技术，特别是一种基于弱分割信息的生物荧光目标计数方法。

背景技术

医疗图片分析是指在扫描医疗样片，通过CCD和采集卡将图片加载到电脑后，通过算法自动分析出医疗图片中病灶区域信息。医疗图片特别是基于主动对焦的荧光激发医疗图片，受到如相机曝光时间不同、焦距局部变化和样片荧光激发效果强弱等外界因素干扰后，病灶区域的信息会有一定范围上的波动比如颜色信息和区域大小信息。基于荧光激发的医疗图片分析一般是用传统的计算机视觉算法，比如基于边缘和形态学(线拟合、圆拟合)的检测、区域增长等。但是这些算法都是基于人工设计的特征对图片进行信息提取，对医疗图片的检测存在鲁棒性不好、精度不高的问题。近些年基于深度卷积神经网络的计算机视觉算法在实际图像分析中可以显著提高检测率，降低假阳性率和强鲁棒性。

针对用于医疗分析的目标计数任务，目前常见的深度学习算法分为基于标注框(bounding box)如yolov3，faster rcnn等算法和基于语义分割(Semantic Segmentation)如Unet算法。基于标注框的算法存在三个问题：(1)针对荧光激发的医疗图片分析，特别是小目标和细粒度高的病灶检测检测精度有限，不能完全替代人工检测。(2)在病灶计数任务中，病灶区域堆叠严重，区域分割线不明显的情况，计数误差过大甚至漏检。(3)检测速度不快，需要专门针对具体任务对神经网络进行剪枝和压缩，研发周期长，算法落地困难。语义分割算法则存在两个问题：(1)数据集较难标注；(2)单纯采用dice Loss作为损失函数，模型很难正确地分割出病灶区域，且分割的病灶区域存在不连续情况，容易造成病灶区域计数结果误差大。

发明内容

本发明的目的在于提供一种基于弱分割信息的生物荧光目标计数方法。

实现本发明目的的技术方案为：一种基于弱分割信息的生物荧光目标计数方法，包括

(1)训练网络模型：

对输入的带有病灶的图片使用人工对需要检测病灶区域使用弱分割信息标注方法进行标注；

将标注后的图片构建为训练集；

搭建的神经网络和联合损失函数，利用训练集训练网络模型；

(2)对给定的一张待检图片，通过训练好的网络模型识别待检图片的病灶区域个数。

进一步地，联合损失函数的形式为：

L(S,T)＝λ₀L_dice(S,T)+λ₁L_TP(S,T)+λ₂L_FP(S,T)+λ₃L_Split(S,T)+λ₄L_Global(S,T)