[发明专利]一种基于卷积神经网络的细胞低分辨率图像融合方法

摘要

本发明公开了一种基于卷积神经网络的细胞低分辨率图像融合方法，包括以下步骤：步骤1)采集并分割得到目标细胞高分辨率图像；步骤2)提取卷积神经网络训练集label标签和测试集的label标签；步骤3)得到目标细胞低分辨率图像；步骤4)选取训练集、测试集和验证集；步骤5)搭建CFFnet卷积神经网络，对训练集中的数据进行训练和测试直到CFFnet卷积神经网络达到收敛，收敛的CFFnet卷积神经网络即为细胞融合模型，CFFnet卷积神经网络的输出层输出融合图像，细胞低分辨率图像融合完成。本发明使同类细胞共同的的直观形貌及结构特征能够得到融合并反应；可以实现细胞病变的检测，为疾病自动诊断提供依据。

主权项

1.一种基于卷积神经网络的细胞低分辨率图像融合方法，其特征在于，包括以下步骤：/n步骤1)通过光学显微镜采集细胞的高分辨率图像，运用图像分割算法分割所述细胞的高分辨率图像得到目标细胞高分辨率图像；/n步骤2)在所述目标细胞高分辨率图像中随机选择两幅，提取该两幅目标细胞高分辨率图像亮度通道上的图像分别作为卷积神经网络训练集label标签和测试集的label标签；/n步骤3)将步骤2中剩余的所述目标细胞高分辨率图像运用Bicubic算法进行下采样，得到目标细胞低分辨率图像；/n步骤4)在所述目标细胞低分辨率图像中，选取3/5的所述目标细胞低分辨率图像作为卷积神经网络训练数据，提取所有训练数据亮度通道上的图像组成训练集，1/5的所述目标细胞低分辨率图像作为卷积神经网络测试数据，提取所有测试数据亮度通道上的图像组成测试集，1/5的所述目标细胞低分辨率图像作为卷积神经网络模型验证数据，提取所有验证数据亮度通道上的图像组成验证集；/n步骤5)在深度学习框架caffe上搭建CFFnet卷积神经网络，所述CFFnet卷积神经网络包括数据输入层、卷积层、反卷积层和输出层，设置训练参数，所述数据输入层包括训练集的label标签、测试集的label标签、训练集和测试集，所述CFFnet卷积神经网络对训练集中的数据进行训练和测试，训练的过程中通过不断迭代直到所述CFFnet卷积神经网络达到收敛，收敛的所述CFFnet卷积神经网络即为细胞融合模型，所述CFFnet卷积神经网络的输出层输出融合图像，细胞低分辨率图像融合完成。/n