[发明专利]基于深度学习的病理图像中细胞计数方法及装置

权利要求书

1.一种基于深度学习的病理图像中细胞计数方法，其特征在于，包括：

对获取的病例图像数据进行归一化处理并通过遗传算法进行图像数据增强；

对预先建立的ResNeSt模型进行训练参数配置，所述ResNeSt模型采用Split-Attention机制进行特征提取；

利用参数配置后的所述ResNeSt模型对处理后的所述病例图像数据进行特征提取获得病例图像中的细胞计数结果。

2.根据权利要求1所述的病例图像中细胞计数方法，其特征在于，所述对预先建立的ResNeSt模型进行训练参数配置，包括：

将所述ResNeSt模型的初始学习率设置为0.01，训练代数设置为50epoch，学习率更新方式设置为WarmUpCosinelearningRate；

设置训练中使用的优化器为Adam优化器，损失函数为MSE。

3.根据权利要求1所述的病理图像中细胞计数方法，其特征在于，所述利用参数配置后的所述ResNeSt模型对处理后的所述病例图像数据进行特征提取获得病例图像中的细胞计数结果，包括：

利用参数配置后的所述ResNeSt模型对处理后的所述病例图像数据进行特征提取获得高维度特征；

利用两个全连接层对所述高纬度特征进行降维处理获得低维特征；

通过ReLu函数激活所述低维特征获得病例图像中的细胞计数结果。

4.根据权利要求1所述的病理图像中细胞计数方法，其特征在于，所述ResNeSt模型的建立过程包括：

使用ResNeSt模型作为细胞计数的基础模型，并使用梯度中心化方法优化参数更新过程；

在ResNeSt模型中使用Split-Attention机制进行特征提取。

5.一种基于深度学习的病理图像中细胞计数装置，其特征在于，包括：

图像预处理单元，用于对获取的病例图像数据进行归一化处理并通过遗传算法进行图像数据增强；

参数配置单元，用于对预先建立的ResNeSt模型进行训练参数配置，所述ResNeSt模型采用Split-Attention机制进行特征提取；

特征提取计数单元，用于利用参数配置后的所述ResNeSt模型对处理后的所述病例图像数据进行特征提取获得病例图像中的细胞计数结果。

6.根据权利要求5所述的病例图像中细胞计数装置，其特征在于，所述参数配置单元，包括：

参数设置模块，用于将所述ResNeSt模型的初始学习率设置为0.01，训练代数设置为50epoch，学习率更新方式设置为WarmUpCosinelearningRate；

优化器设置模块，用于设置训练中使用的优化器为Adam优化器，损失函数为MSE。

7.根据权利要求5所述的病理图像中细胞计数装置，其特征在于，所述特征提取计数单元，包括：

高维特征获取模块，用于利用参数配置后的所述ResNeSt模型对处理后的所述病例图像数据进行特征提取获得高维度特征；

降维处理模块，用于利用两个全连接层对所述高纬度特征进行降维处理获得低维特征；

激活模块，用于通过ReLu函数激活所述低维特征获得病例图像中的细胞计数结果。

8.根据权利要求5所述的病理图像中细胞计数装置，其特征在于，所述ResNeSt模型的建立过程包括：

使用ResNeSt模型作为细胞计数的基础模型，并使用梯度中心化方法优化参数更新过程；

在ResNeSt模型中使用Split-Attention机制进行特征提取。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4中任意一项所述基于深度学习的病理图像中细胞计数方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至4中任意一项所述基于深度学习的病理图像中细胞计数方法。