[发明专利]一种基于神经网络的卵巢卵泡自动计数的方法

说明书

本发明公开了一种基于神经网络的卵巢卵泡自动计数的方法，本发明将所有的数据图像采用随机种子的方式每次生成不同的训练集、验证集和测试集；通过神经网络的训练对网络参数进行不断的更新，并通过验证集的IOU进行验证从而保留网络模型的最优参数；将神经网络输出的预测图经过阈值化处理、噪声处理将预测图进行中的噪声去除并将图片转换成灰度图像；之后利用距离转换和分水岭算法将相互接触的卵泡分离开；最后用连通区域分析法统计卵泡的个数实现卵巢卵泡的计数功能。

技术领域

本发明涉及分水岭算法(Watershed)与CNN(Convolutional Neural Network)的深度学习领域，具体涉及一种对老鼠的卵巢卵泡进行自动计数的方法。

背景技术

卵巢是一种复杂的内分泌器官，是女性生殖的重要性腺器官，主要有排卵和分泌女性激素的功能。其中，卵泡在卵巢中扮演着至关重要的部分，卵泡是由一个卵母细胞和许多小型卵泡细胞所组成。根据卵泡发育过程中形态和功能的变化，可以将卵巢中的卵泡分成六种类型：原始卵泡、初级卵泡、次级卵泡、窦前卵泡、窦状卵泡和三级卵泡。在没有任何药物的作用下，可在卵巢内发现正常的女性一个月都会有小卵泡逐渐长大发育形成不同阶段的卵泡，并且在排卵期中排出一个发育成熟的卵泡。然而基因突变、毒素和一些特定的药物对卵泡有影响。为了确定这些影响对于卵泡的排卵是促进还是抑制作用，卵泡计数这是非常重要的。

卷积神经网络是由多个卷积层和全连接层(对应经典的神经网络)组成，同时也包括激活层和池化层。与其他深度学习结构相比，卷积神经网络在图像分割与识别方面能够给出更好的结果。

分水岭算法是基于地理形态的分析的图像分割算法，模仿地理结构(比如山川、沟壑，盆地)来实现对不同物体的分割。

由于这一重要性，目前现阶段主要是针对老鼠卵巢的显微镜图像。通过对老鼠的卵巢进行染色并标记从而获取数据集，然后通过研究老鼠的生殖系统中卵泡的发育情况并测定其各种卵泡类型的数量。

发明内容

本发明针对现有技术的不足，提出了一种基于神经网络的卵巢卵泡自动计数的方法。

为了解决这一问题，本发明通过以下技术方案予以实现：

一种基于神经网络与分水岭算法的卵泡计数的方法，包括如下步骤：

步骤一：将所有的数据利用随机种子的方式，将数据集划分成训练集、验证集和测试集。每一次的神经网络输入的数据包含原始图片和标记图片；

步骤二：在训练网络模型时对训练集使用数据增强的方法对预输入的图片进行处理，并将图片数据转化成向量形式；

步骤三：加载预训练模型的参数初始化神经网络，执行前向传播计算网络参数，并将得到的输出向量Oⁱ经过Log_Softmax函数得到每一个像素点分类结果向量yⁱ；此向量yⁱ中权重最大的值便是网络对于每一个像素点预测的最终分类结果，具体公式为yⁱ＝log_softmax(Oⁱ))；得到的分类结果yⁱ和当前正确的标签值分别作为NLLloss损失函数的两个输入，计算损失值；将误差信号传递到每一层的输出，再通过每一层的函数对网络参数的导数，求得网络参数的梯度；再通过随机梯度下降法优化器更新和计算影响模型训练和模型输出的网络参数，使其逼近或达到最优值，从而最小化或最大化损失函数。

步骤四：每一次训练结束之后，计算验证集的交并比并保存IOU最大的模型参数，当训练次数达到一定次数停止训练，并加载IOU最大的模型参数得到神经网络的最终模型，其中为真实值，y为预测值；