[发明专利]一种超分辨率的细胞图像构建方法和系统

说明书

本发明公开了一种超分辨率的细胞图像构建方法和系统，方法首先构建包括低分辨率细胞图像的数据集；然后将数据集输入至构建的至少两个不同的神经网络模型中进行特征检测，得到至少两个不同的神经网络模型的融合输出结果；最后对输出结果进行图像的分辨率恢复，得到高分辨率细胞图像。本发明能够将低分辨率的细胞图像变为高分辨率的细胞图像，本发明无需昂贵的显微镜设备，降低了应用成本，而且不同于传统发明的插值法等图像增强发明，本发明使用至少两个的神经网络模型进行训练，加深模型深度和宽度，不仅仅保留了细胞图像的细节，而且也降低了模型的泛化误差，提升了超分辨率的细胞图像构建的精度。

技术领域

本发明涉及细胞图像处理技术领域，特别涉及一种超分辨率的细胞图像构建方法和系统。

背景技术

虚拟显微镜技术是近几年发展起来的一项组织学切片数字化技术。主要原理是应用一台具备完备功能的标准光学显微镜在相同放大倍率下获取一张经某种染色的组织切片各个部位的图像，再将这些图像组合在一起，形成一张完整的组织切片图像。扫描的图像必须在一台标准的显微镜的相同放大倍率下读取的，如1、2、4、10、20、40倍。与传统的光学显微镜下阅读组织切片不同的是，该项技术是将玻璃载片上的组织切片完全转化为数字化图像，可直接在计算机上通过专业软件在显示器屏幕上观察，并能像通过转换光学显微镜不同倍率的物镜一样，利用鼠标点击图像的某一部位进行组织结构的放大，观察更细微的组织形态学变化。该技术可广泛应用于医学、生物学等领域的教学、科研，特别是通过网络传输应用于远程教学、专家会诊，提高了工作效率。同时，对于临床病理学和医学教学单位可大大节省减少玻璃载片组织学切片保存所需要的空间，便于组织切片档案的计算机化管理。

目前，虚拟显微镜技术取得一定的发展，但仍然存在问题。为了采集高分辨率细胞图像，需要使用昂贵的设备来进行拍摄。在大部分的教学场景下，是使用小型且低廉的显微镜设备进行采集，这些设备采集到的细胞图像的分辨率较低，细胞细节缺失，不利于细胞的分析和种类的辨识，不利于学生的教学。因此，目前亟需一种可以将低分辨率的细胞图像变为高分辨率的细胞图像的方法和系统，以降低显微镜细胞图像扫描的成本，提高教学质量。

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。为此，本发明提出一种超分辨率的细胞图像构建方法和系统。能够将低分辨率的细胞图像变为高分辨率的细胞图像，不仅保留了细胞图像的细节，而且也降低了应用成本。

本发明的第一方面，提供了一种超分辨率的细胞图像构建方法，包括以下步骤：

构建数据集，所述数据集中包括由显微镜拍摄的细胞图像进行分割得到的多张低分辨率细胞图像；

将所述数据集中所有低分辨率细胞图像输入至至少两个不同的神经网络模型进行训练，并得到所有模型融合后的输出结果；

对所述输出结果进行图像恢复，得到高分辨率细胞图像。

根据本发明的实施例，至少具有以下有益效果：

本方法首先构建包括低分辨率细胞图像的数据集；然后将数据集输入至构建的至少两个不同的神经网络模型中进行特征检测，得到至少两个不同的神经网络模型的融合输出结果；最后对输出结果进行图像的分辨率恢复，得到高分辨率细胞图像。本方法能够将低分辨率的细胞图像变为高分辨率的细胞图像，本方法无需昂贵的显微镜设备，降低了应用成本，而且不同于传统方法的插值法等图像增强方法，本方法使用至少两个的神经网络模型进行训练，加深模型深度和宽度，不仅仅保留了细胞图像的细节，而且也降低了模型的泛化误差，提升了超分辨率的细胞图像构建的精度。

根据本发明的一些实施例，所述神经网络模型包括VGGNET、ResNet、 DenseNet、GoogleNet、UNet以及Mask R-CNN神经网络模型中的至少两种。

根据本发明的一些实施例，所述对所述输出结果进行图像恢复，包括：采用上采样神经网络对所述输出结果进行图像恢复。