[发明专利]一种基于深度学习的细胞微核识别、定位和计数方法

权利要求书

1.一种基于深度学习的细胞微核识别、定位和计数方法，其特征在于：包括以下步骤：

Step1：输入原始细胞光学显微镜图像A；

Step2：对原始细胞光学显微镜图像A进行预处理，具体为：将原始细胞光学显微镜图像A转化成灰度图像或RGB图像；进行图像增强处理，强调突出细胞核部分信息，削弱细胞质部分信息；并分割为若干等分辨率的图像B；

Step3：构建深度学习特征提取网络模型C，具体为：首先输入图像B；再依次执行卷积操作、特征图的批归一化操作和非线性映射操作；最后进行池化操作；

Step4：构建细胞微核识别定位网络模型D，具体为：首先输入从深度学习特征提取网络模型C中提取的特征；再根据特征捕捉原始细胞中的微核，得到微核定位坐标框；最后通过非极大值抑制算法过滤掉无效的或冗余的微核定位坐标框；

Step5：将深度学习特征提取网络模型C和细胞微核识别定位网络模型D串联，记为深度学习细胞微核识别定位网络模型E，进行网络训练，计算损失，通过随机梯度下降法修改网络权重，最后保存训练好的深度学习细胞微核识别定位网络模型E的权值；

Step6：将待检测细胞光学显微镜图像F输入到深度学习细胞微核识别定位网络模型E中，对待检测细胞中的微核进行识别和定位，获得微核定位坐标框；最后通过统计微核定位坐标框的个数得出待检测细胞中的微核的数量。

2.根据权利要求1所述的一种基于深度学习的细胞微核识别、定位和计数方法，其特征在于，所述图像B的分辨率为304×304。

3.根据权利要求1或2所述的一种基于深度学习的细胞微核识别、定位和计数方法，其特征在于，Step3中的卷积操作、特征图的批归一化操作和非线性映射操作的次数为3次以上。

4.根据权利要求3所述的一种基于深度学习的细胞微核识别、定位和计数方法，其特征在于，Step3中的池化操作采用最大池化法，池化窗口大小为3×3，滑动步长为2。

5.根据权利要求1或2或4所述的一种基于深度学习的细胞微核识别、定位和计数方法，其特征在于，所述细胞微核识别定位网络模型D在多尺度特征图上进行识别定位；所述特征图的尺度分别为38×38、19×19、10×10、5×5、3×3和1×1，每种尺度的特征图的每个像素点能预测的微核数分别为4、6、6、6、4和4。