[发明专利]一种基于深度学习的hRPE细胞微管自动检测方法

权利要求书

1.一种基于深度学习的hRPE细胞微管自动检测方法，其特征在于，包括以下步骤：

S1，图像预拍摄：对样品孔中的细胞进行扫描拍摄，记录获取单张细胞微管图像的位置信息，将单张细胞微管图像进行拼接处理，获取多视野拼接图像，作为深度学习网络的输入图像；

S2，深度学习网络进行细胞检测：通过深度学习模型，根据标注信息，自动提取特征，对输入检测图像进行细胞微管检测，获取细胞微管的位置信息、轮廓信息、类别信息；

S3，细胞微管拍摄路径规划：将所述细胞微管的位置信息、轮廓信息、类别信息作为输入信息，进行拍摄路径规划，控制显微镜移动到固定位置，完成拍摄。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1，所述图像拼接处理具体包括以下步骤：

S11，设置图像拼接的视野数量和重叠量；

S12，根据视野数量和重叠量规划扫描拍摄路径，拍摄hRPE细胞微管图像，记录所述图像的中心位置信息，其中，所述图像原点的坐标为设拍摄启动视野中心坐标为(x₁，y₁)，单视野范围大小为d×d，重叠量为overlap，则每一个视野的中心(x_n1，y_n2)的位置为：

(n₁＝1，2，3，...，n，n₂＝1，2，3，...，n)

根据所述图像的位置信息进行排列和粗配准；

S13，采取最小二乘法计算相邻图像重叠区域的灰度值的差异，通过选取灰度值差异最小的重叠区域进行精配准，得到拼接图像。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2，具体包括以下步骤：

S21，建立训练数据集，将步骤S1所述的输入图像下采样；

S22，对数据集进行手动标注，将hRPE细胞分为三种类型：Unit细胞，即细胞伸展，具有很好观察价值的细胞；Part细胞，即只有部分具有观察价值的细胞；Bad细胞，不具有观察价值的细胞；

S23，将标注完成的数据集分为训练集、验证集、测试集；

S24，对训练集和验证集中的图像进行数据增强操作；

S25，构建Mask-RCNN卷积神经网络模型；

S26，模型训练，导入训练集、验证集，通过深度卷积神经网络从数据集自动获取图像特征信息，采用验证集来调整模型训练的超参数；

S27，将测试图像输入到深度学习网络中进行预测，得到细胞微管位置信息、轮廓信息、类别信息。