[发明专利]一种基于双段区块卷积神经网络的细胞检测方法

权利要求书

1.一种基于双段区块卷积神经网络的细胞检测方法，其特性在于，包括：

基于深度学习构建卷积神经网络模型；

利用所述神经网络模型提取输入数据在高维非线性空间中的表征，输入双段区块网络；

利用所述双段区块网络构建区域块提案网络，分类和筛选一段区块；

基于所述一段区块分类和拟合学习所述双段区块网络的二段区块，并利用注意力机制调节；

根据调节结果，利用高性能分类器输出所述高置信的细胞检测结果，完成检测。

2.如权利要求1所述的基于双段区块卷积神经网络的细胞检测方法，其特征在于：所述卷积神经网络模型包括，

{I₁,I₂,I₃,I₄}＝Aug(I)

其中，I表示RGB三通道的输入图像，Aug表示基于细胞数据的数据扩充方法；

x＝f_backbone(I)

其中，f_backbone表示所使用的特征提取网络。

3.如权利要求1或2所述的基于双段区块卷积神经网络的细胞检测方法，其特征在于：所述细胞数据的数据扩充方法包括，

水平翻折、垂直翻折、平面内旋转和颜色增强、削弱。

4.如权利要求3所述的基于双段区块卷积神经网络的细胞检测方法，其特征在于：所述特征提取网络包括，

多个卷积层、激活函数、归一层、池化层。

5.如权利要求4所述的基于双段区块卷积神经网络的细胞检测方法，其特征在于：所述区域块提案网络包括，

z_PRN＝f_RPN(x)

其中，x表示输入的多通道特征图，f_RPN表示区块提案网络，z_RPN表示对应的网络输出。

6.如权利要求5所述的基于双段区块卷积神经网络的细胞检测方法，其特征在于：所述分类和拟合学习二段区块包括，

z_ROI＝f_ROI(z_RPN)

其中，z_RPN表示筛选后的区块特征输入，f_ROI表示二段区块分类和拟合网络，z_ROI表示输出的候选特征图。

7.如权利要求6所述的基于双段区块卷积神经网络的细胞检测方法，其特征在于：所述高性能分类器包括，

S_ROI,Pred_ROI＝f_Final(z_ROI)

其中，z_ROI表示输入的候选特征图，f_Final表示全连接网络分类器，S_ROI表示分类器输出的类别得分，Pred_ROI表示检测位置的矩形框预测。

8.如权利要求7所述的基于双段区块卷积神经网络的细胞检测方法，其特征在于：所述网络学习阶段包括，

同时定义所述一段和二段区块卷积网络对应的分类误差和定位误差，即相交叉熵函数和基于位置四变量的l₁范数误差。

9.如权利要求8所述的基于双段区块卷积神经网络的细胞检测方法，其特征在于：所述细胞检测损失函数包括，

其中,表示一段区域提案网络的分类误差，表示一段区域提案网络的回归误差，表示二段网络的分类误差，表示二段网络的回归误差。

10.如权利要求1所述的基于双段区块卷积神经网络的细胞检测方法，其特征在于：所述训练模型包括，

数据库模型包括训练数据、测试数据和库外数据；

检测算法模型包括训练模型和测试模型。