[发明专利]一种基于深度反卷积神经网络的细胞计数方法

摘要

本发明公开了一种基于深度反卷积神经网络的细胞计数方法。该方法包括：步骤1、构造深度反卷积神经网络；步骤2、细胞图像预处理；步骤3、训练网络模型；步骤4、首先设置阈值去除杂点，然后计算图像中剩余连通块的个数即为细胞的个数；步骤5，首先将已经过预处理的非训练细胞图像输入到已优化好网络连接权重的反卷积神经网络中，得到原始细胞图像的高斯核热图，再经过后期处理得到最终的计数值。本方法利用反卷积深度学习网络来挖掘和提取细胞图像的特征和空间信息，并使输出层图像恢复到和输入层图像一样的尺寸大小，训练一个端到端的网络，可以保证较高的计数准确率。

主权项

1.一种基于深度反卷积神经网络的细胞计数方法，包括步骤：步骤1、构造深度反卷积神经网络，即包括7个卷积层和4个反卷积层以及一个均方误差层的深度反卷积神经网络，输入层为原始细胞图，输出层和原始图像大小一样，里面的每一个高斯核代表原始图像特定位置上的一个细胞；步骤2、细胞图像预处理，对于每张训练图，我们用每个像素点减去均值然后除以标准差对该像素点进行归一化处理，并进行对比度提升；对原始细胞图像进行对比度提升和灰度归一化处理操作：其中：L(x,y)是原始细胞灰度直方图,L_max和L_min分别是L(x,y)的最大和最小灰度，α>0是对比度提升的增益参数，β是对比度提升的偏移参数；f(x,y)是对比度提升和归一化之后的图像的灰度直方图，G_max和G_min是归一化之后图像的直方图的最大和最小灰度级；步骤3、训练网络模型，通过构建反卷积神经网络，把细胞计数问题，转化为一个端到端的从细胞到高斯核的回归问题；将归一化之后的细胞图像作为训练样本，采用无监督的训练方法逐步逐层提取细胞图像的特征和位置信息，并利用反向传播和随机梯度下降算法有监督地最小化损失函数，从而获得优化的网络连接权重；训练深度反卷积神网络所使用的损失函数：该损失函数是欧氏距离损失函数，其中φ₀为目标标签值，φ(x)为输入图像；步骤4、测试模型，先将待测试的细胞图像归一化处理，然后输入到步骤3训练好的网络中，得到原始细胞图像的高斯核热图；步骤5、后期处理，对步骤4中得到的高斯核热图进行阈值处理，过滤掉其中的非细胞杂点，然后计算阈值处理后图像中剩余连通块的数目即为原始细胞的个数。