[发明专利]基于深度学习的癌细胞检测方法、系统及介质

说明书

本发明公开了基于深度学习的癌细胞检测方法、系统及介质，其中方法包括：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；基于Yo lov5目标检测网络对所述数据集进行训练，得到检测模型；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。本发明至少具有以下有益效果：本发明充分利用Yo lov5在数据集上收敛速度快，模型可定制性强的优点，实现了癌细胞图像小目标检测的优良效果。

技术领域

本发明涉及癌细胞检测方法，特别涉及一种基于深度学习的癌细胞检测方法、系统及介质。

背景技术

目前人工智能技术的理论研究日渐成熟，随着人工智能技术应用于生活、学习、工作等方面的普及，利用人工智能技术应用于医疗诊断与医疗服务是未来医疗技术发展的必然趋势。基于深度学习的癌细胞目标检测系统实现是人工智能+医疗应用于癌症诊断的核心环节。

癌细胞检测是从复杂的细胞图像中识别出是否含有癌细胞，对存在癌细胞的图像，给出癌细胞在图像中的具体位置信息及大小并进行准确标注，从而可以进一步去完成识别等工作。目前的目标检测网络在实际应用中存在模型权重参数过多、存储消耗大、速度与精度难以权衡等问题。本发明提出了一种改进的Yolov5轻量级目标检测网络，充分利用Yolov5在数据集上收敛速度快，模型可定制性强的优点，实现了癌细胞图像小目标检测的优良效果。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于深度学习的癌细胞检测方法，能够实现癌细胞图像小目标检测的优良效果。

本发明还提出一种基于深度学习的癌细胞检测系统。

本发明还提出一种实施上述方法的计算机可读存储介质。

根据本发明的第一方面实施例的基于深度学习的癌细胞检测方法，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。

根据本发明的一些实施例，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。

根据本发明的一些实施例，所述对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。

根据本发明的一些实施例，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；S340、通过计算GIoU_Loss值评估检测效果。

根据本发明的一些实施例，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。

根据本发明的一些实施例，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。

根据本发明的一些实施例，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。

根据本发明的一些实施例，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来计算平均检测精度指标AP。