【技术实现步骤摘要】
结核分枝杆菌自动检测模型的训练方法及自动检测系统
本专利技术属于计算机视觉
,更具体地,涉及一种结核分枝杆菌自动检测模型的训练方法及自动检测系统。
技术介绍
结核病是由结核杆菌感染引起的慢性传染病,每年患病人数高达150万人次,现已成为威胁人类生命安全的“头号杀手”之一,早期的发现对结核病的治疗有着重要的意义。目前的结核病的主要检测手段是涂片染色镜检,一般采用Z-N染色法对涂片进行染色,然后由检测人员采用一定放大倍数的光学显微镜观察染色涂片并统计结核分枝杆菌的数量,从而得到检测结果;但是这种人为检测的方法需要依赖检测人员的经验,检测速度慢、费时费力,且易发生检测人员视觉疲劳而漏诊的情况,检测精度低;因此,研究一种自动化的结核分枝杆菌检测方法是十分重要的。
技术实现思路
针对现有技术的至少一个缺陷或改进需求,本专利技术提供了一种基于深度学习的结核分枝杆菌自动检测模型的训练方法及自动检测系统,其目的在于解决现有的检测方法存在的检测精度低、费时费力的问题。为实现上述目的,按照本专利技术的一个方面,提供了一种结核分枝杆菌自动检测模型的训练方法,包括以下步骤:S1:将染色后的结核分枝杆菌涂片图像从RGB图像空间投影到HSV颜色空间,获取色调空间信息并将其嵌入RGB图像空间中,得到RGBH样本图像;S2:从所述RGBH样本图像上提取出多个样本框并进行标记,生成训练集合;标记信息包括样本框的真实标签、位置信息和结核分枝杆菌条数;若样本框中包含结核分枝杆菌则该样本框的真实标签为正样本,否则为负样本;S3:将所述训练集合输入检测器网络模型中,生成多尺度的候选框并预测所述候 ...
【技术保护点】
1.一种结核分枝杆菌自动检测模型的训练方法,其特征在于,所述结核分枝杆菌自动检测模型包括检测器网络模型和计数器网络模型,所述训练方法包括以下步骤:S1:将染色后的结核分枝杆菌涂片图像从RGB图像空间投影到HSV颜色空间,获取色调空间信息并将其嵌入RGB图像空间中,得到RGBH样本图像;S2:从所述RGBH样本图像上提取出多个样本框并进行标记,生成训练集合;标记信息包括样本框的真实标签、位置信息和结核分枝杆菌条数;若样本框中包含结核分枝杆菌则该样本框的真实标签为正样本,否则为负样本;S3:将所述训练集合输入检测器网络模型中,生成多尺度的候选框并预测所述候选框的类别置信度和位置信息;S4:根据所述样本框的真实标签、位置信息以及所述候选框的类别置信度和位置信息计算检测器网络模型的损失函数;对检测器网络模型进行迭代训练以使所述损失函数最小化,检测器网络模型训练完成;S5:将训练集合中的每一个样本框调整为多个尺度后输入计数器网络模型中,得到不同尺度样本框的特征值;将不同尺度的特征值进行融合并预测其类别置信度和对应的结核分枝杆菌条数;S6:根据所述样本框的真实标签、结核分枝杆菌条数以及预测的类别置 ...
【技术特征摘要】
1.一种结核分枝杆菌自动检测模型的训练方法,其特征在于,所述结核分枝杆菌自动检测模型包括检测器网络模型和计数器网络模型,所述训练方法包括以下步骤:S1:将染色后的结核分枝杆菌涂片图像从RGB图像空间投影到HSV颜色空间,获取色调空间信息并将其嵌入RGB图像空间中,得到RGBH样本图像;S2:从所述RGBH样本图像上提取出多个样本框并进行标记,生成训练集合;标记信息包括样本框的真实标签、位置信息和结核分枝杆菌条数;若样本框中包含结核分枝杆菌则该样本框的真实标签为正样本,否则为负样本;S3:将所述训练集合输入检测器网络模型中,生成多尺度的候选框并预测所述候选框的类别置信度和位置信息;S4:根据所述样本框的真实标签、位置信息以及所述候选框的类别置信度和位置信息计算检测器网络模型的损失函数;对检测器网络模型进行迭代训练以使所述损失函数最小化,检测器网络模型训练完成;S5:将训练集合中的每一个样本框调整为多个尺度后输入计数器网络模型中,得到不同尺度样本框的特征值;将不同尺度的特征值进行融合并预测其类别置信度和对应的结核分枝杆菌条数;S6:根据所述样本框的真实标签、结核分枝杆菌条数以及预测的类别置信度和杆菌条数计算计数器网络模型的损失函数;对计数器网络模型进行迭代训练以使所述损失函数最小化,计数器网络模型训练完成。2.如权利要求1所述的结核分枝杆菌自动检测模型的训练方法,其特征在于,步骤S14中还包括以下步骤:计算候选框相对于样本框的重叠度,将所述重叠度小于预设的重叠度阈值的候选框作为负样本;将所述负样本按照类别置信度降序排列,获取前K个候选框作为top-k难例并随机丢弃部分,将所述top-k难例的剩余部分输入检测器网络模型继续迭代训练。3.如权利要求1或2所述的结核分枝杆菌自动检测模型的训练方法,其特征在于,所述检测器网络模型的损失函数为:Ltotal(p,u,tu,v)=Lcls(p,u)+Lloc(tu,v)其中,Lcls(p,u)=-ulogp+(1-u)log(1-p)式中,Ltotal代表损失函数;Lcls代表分类损失;Lloc代表定位损失;u代表样本框的真实标签;p代表候选框的类别置信度;v代表样本框的真实平移缩放参数,v=(vx,vy,vw,vh),(vx,vy)为样本框的中心坐标,vw,vh分别为样本框的宽度和高度;tu代表候选框的预测平移缩放参数,为候选框的中心坐标,分别为候选框的宽度和高度;x代表预测平移缩放参数tu与真实平移缩放参数v中对应的位置参数之差。4.如权利要求3所述的结核分枝杆菌自动检测模型的训练方法,其特征在于,所述计数器网络模型的损失函数为:Ltotal(p,u,n,c)=Lcls(p,u)+Lnum(n,c)其中,Lcls(p,u)=...
【专利技术属性】
技术研发人员:周复,赵雁林,
申请(专利权)人:杭州上池科技有限公司,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。