[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

说明书

本发明公开了一种基于双段区块卷积神经网络的细胞检测方法，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。本发明高效地实现细胞检测并将之与日益发展的人工智能技术相结合，能够得到有效的识别和提高检测精度。

技术领域

本发明涉及细胞检测的技术领域，尤其涉及一种基于双段区块卷积神经网络的细胞检测方法。

背景技术

近年来，随着人工智能领域在智能图像处理方面的发展，智能医学图像处理在近年得到了快速有效的发展。由于医学图像较之传统自然图像具有更高的专业性，直接利用自然图像处理的模型和方法往往不能够得到有效的识别和检测精度。

医学图像处理的对象是各种不同成像机理的医学影像，临床广泛使用的医学成像种类主要有X-射线成像(X-CT)、核磁共振成像(MRI)、核医学成像(NMI)和超声波成像(UI)四类。在目前的影像医疗诊断中，主要是通过观察一组二维切片图象去发现病变体，这往往需要借助医生的经验来判定。利用计算机图象处理技术对二维切片图象进行分析和处理，实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示，可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析，从而大大提高医疗诊断的准确性和可靠性；在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用[1,2]。目前，医学图像处理主要集中表现在病变检测、图像分割、图像配准及图像融合四个方面。

用深度学习方法进行数据分析呈现快速增长趋势，称为2013年的10项突破性技术之一。深度学习是人工神经网络的改进，由更多层组成，允许更高层次包含更多抽象信息来进行数据预测。迄今为止，它已成为计算机视觉领域中领先的机器学习工具，深度神经网络学习自动从原始数据(图像)获得的中级和高级抽象特征。最近的结果表明，从CNN中提取的信息在自然图像中的对目标识别和定位方面非常有效。世界各地的医学图像处理机构已经迅速进入该领域，并将CNN和其它深度学习方法应用于各种医学图像分析。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在直接利用自然图像处理的模型和方法往往不能够得到有效的识别和检测精度的问题，提出了本发明。

因此，本发明解决的技术问题是：传统的自然图像检测方法是以物体天然属性作为类别信息进行考虑的，导致在细胞检测运用中效果不佳。

为解决上述技术问题，本发明提供如下技术方案：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。

作为本发明所述的基于双段区块卷积神经网络的细胞检测方法的一种优选方案，其中：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。