[发明专利]基于深度学习的单双微核细胞图像检测方法及相关设备

权利要求书

1.一种基于深度学习的单双微核细胞图像检测方法，其特征在于，包括：如下步骤：

获取步骤，获取真阳性微核组学图像，所述真阳性微核组学图像携带有关键指标信息；

检测步骤，将所述真阳性微核组学图像输入至微核组学检测模型进行处理，以剔除不符合预定面积关系的假阳性微核样本，输出微核组学模型图像；

计算步骤，所述微核组学检测模型利用所述输出微核组学模型图像的微核面积与所述真阳性微核组学图像的微核面积进行计算；

统计步骤，统计所述关键指标的检测数据。

2.根据权利要求1所述的基于深度学习的单双微核细胞图像检测方法，其特征在于，所述计算步骤具体实现为：

使用图像处理算法分别分割输出图像和真阳性微核组学图像的计算区域中的主核面积和微核面积，分别比较主核面积和微核面。

3.根据权利要求1或2所述的基于深度学习的单双微核细胞图像检测方法，其特征在于，所述关键指标包括微核MNI、核质桥NPB、核芽突nbud和正常双核细胞BN。

4.根据权利要求1所述的基于深度学习的单双微核细胞图像检测方法，其特征在于，还包括：预处理步骤，包括：

对所述真阳性微核组学图像和/或待检测微核组学图像中的所述关键指标进行位置标记，所述位置标记基于图像网格单元；

并对微核组学图像执行图像分割和数据增强操作。

5.根据权利要求4所述的基于深度学习的单双微核细胞图像检测方法，其特征在于，对微核组学图像执行图像分割和数据增强操作，具体实现为：

根据预定大小通过使用滑动窗口方法对整个微核组学图像进行切片以获得多个子图像像素块；

对子图像像素块执行旋转、移动、翻转和缩放操作。

6.根据权利要求1所述的基于深度学习的单双微核细胞图像检测方法，其特征在于，还包括：模型训练步骤，具体实现为：

获得真阳性微核图像关键指标的模型参数，所述模型参数包括：损失函数，所述损失函数包括：置信度损失函数和边界框回归损失函数；

采用深度学习技术拟合微核组学各关键指标的位置，所述深度学习技术可选用DropBlock方式对图像特征进行空间式的削减；

将预处理后的待测微核组学图像输入进行采用层次化特征融合策略进行提取；所述CSP模块构建主干神经网络进行图像特征的提取，同时通过截断梯度流完成训练；

当有新真阳性微核图像检测需求时，将预处理后的真阳性微核图像输入微核检测模型输入至微核组学检测模型，以获得所述输出微核组学模型图像。

7.根据权利要求3所述的基于深度学习的单双微核细胞图像检测方法，其特征在于，所述CSP模块构建主干神经网络进行图像特征的提取，包括：

特征金字塔网络FPN自顶向下的将高层的特征信息通过上采样的方式进行传递融合；

在FPN的输出端添加自底向上的路径聚合网络PAN对单双微核细胞的位置特征进行补充，将低层的强定位特征向上传递。

8.根据权利要求3所述的基于深度学习的单双微核细胞图像检测方法，其特征在于，所述检测数据为：微核MNI、核质桥NPB、核芽突nbud和正常双核细胞BN数量、微核细胞率以及核质桥NPB与微核的比率。

9.一种计算设备，其特征在于，至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-8中任一项所述的方法。

10.一种可读介质，其特征在于，存储有计算机可执行指令，可执行指令用于执行以上权利要求1-8所述的基于深度学习的单双微核细胞图像检测方法。