[发明专利]基于深度学习的癌细胞检测方法、系统及介质

权利要求书

1.一种基于深度学习的癌细胞检测方法，其特征在于，包括：

S100、数据预处理，包括对非癌细胞图像和癌细胞图像添加类别及位置的数据标签，得到数据集；

S200、基于Yolov5目标检测网络对所述数据集进行训练，得到检测模型；

S300、基于所述检测模型对输入的癌细胞图像进行检测，输出检测结果。

2.根据权利要求1所述的基于深度学习的癌细胞检测方法，其特征在于，所述步骤S100包括：对所述癌细胞图像进行数据增强，得到增强后的数据集。

3.根据权利要求2所述的基于深度学习的癌细胞检测方法，其特征在于，所述对所述癌细胞图像进行数据增强步骤包括：

S110、批量获取癌细胞图像；

S120、对癌细胞图像进行特征提取；

S130、对癌细胞图像进行随机缩放和/或随机裁剪和/或随机排布；

S140、将步骤S120和步骤S130处理得到的图像进行数据集扩展后添加至训练集、测试集和验证集。

4.根据权利要求1所述的基于深度学习的癌细胞检测方法，其特征在于，所述步骤S200包括：

S210、进行自适应锚框计算，输出预测框并与真实框进行比对，计算两者差距，再反向更新，迭代网络参数；

S220、通过Focus网络和CSP网络对癌细胞图像进行特征提取并确定癌细胞边界框；

S230、通过FPN网络和PAN网络进行癌细胞图像分类预测；

S240、通过计算GIoU_Loss值评估检测效果。

5.根据权利要求4所述的基于深度学习的癌细胞检测方法，其特征在于，所述步骤S210包括：

S211、对设置的所有bbox进行随机变换；

S212、通过预设锚框值基于图框规则对bbox计算召回率；

S213、若所述召回率小于预设的阈值，基于遗传算法和k-means算法重新计算锚框值，不断迭代保存召回率最高的锚框。

6.根据权利要求4所述的基于深度学习的癌细胞检测方法，其特征在于，所述步骤S230包括：所述FPN网络基于bottom-up与top-down的结构实现从下到上不同维度的特征生成，从上到下对特征进行补充增强，并输出不同维度特征和CNN网络提取的特征之间的关联表达。

7.根据权利要求1所述的基于深度学习的癌细胞检测方法，其特征在于，所述数据集划分为训练集、测试集和验证集，分别供检测模型进行训练、交叉验证以及性能测试。

8.根据权利要求1所述的基于深度学习的癌细胞检测方法，其特征在于，所述方法还包括：进行性能评估，基于标准精度P和召回率R计算平均检测精度指标AP。

9.一种基于深度学习的癌细胞检测系统，其特征在于，包括：

数据增强模块，用于对癌细胞图像进行数据增强，得到增强后的数据集；

数据预处理模块，用于对非癌细胞图像和所述增强后的数据集中的癌细胞图像添加类别及位置的数据标签，得到数据集；

自适应锚框计算模块，用于对所述数据集进行自适应锚框计算，输出预测框并与真实框进行比对，计算两者差距，再反向更新，迭代网络参数；

边界框确定模块，用于通过Focus网络和CSP网络对癌细胞图像进行特征提取并确定癌细胞边界框；

分类预测模块，用于通过FPN网络和PAN网络进行癌细胞图像分类预测；

检测效果评价模块，用于通过计算GIoU_Loss值检测效果，将期望的癌细胞检测结果输出。

10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至8中任一项的方法。