一种基于改进RetinaNet的显微图像中有型成分目标检测方法技术

本发明专利技术公开了一种基于改进的RetinaNet显微图像目标检测方法，该方法主要应用于医院检验科与细胞镜检相关的检测项目。算法对RetinaNet中的锚点提取方式、分类和回归子网络进行改进，实现了针对于显微图像有型成分的高效率、高准确率的检测。发明专利技术中所涉及的算法对于实现检测的全自动化、智能化提供了理论基础。检测方法速度快，检测精度高，完全能够满足临床检测的需求。

【技术实现步骤摘要】
一种基于改进RetinaNet的显微图像中有型成分目标检测方法
本专利技术是一种应用于显微图像中细胞等有型成分的自动定位和识别算法，其检测模型基于改进的RetinaNet模型。
技术介绍
显微图像中的有型成分定位和识别技术广泛应用于医院检验科，例如粪便常规、白带常规、尿常规等检查项目。目前，显微图像中有型成分的检测方法主要依赖于人工判读。近年来随着机器学习和深度学习的发展，识别技术逐渐趋于自动化和智能化。然而，已有的基于机器学习和深度学习的方法检测准确率低下，检测时间长，实时性差，已经检测的样本需要医生去复查，工作量大，无法满足自动化的要求。另外，这些检测方法检测的有型成分类型单一，无法实现多目标的检测需求。
技术实现思路
显微图像中的有型成分主要由红细胞、白细胞、霉菌和脓球细胞等。白带显微图像中还有上皮细胞、滴虫等有型成分，而粪便显微图像中还有虫卵、夏科雷登晶体等。本专利技术技术方案为一种基于改进RetinaNet的显微图像中有型成分目标检测方法，步骤1：采用显微成像系统采集白带样本的显微图像，每个视野中筛选最清晰的三幅图像作为样本集；步骤2：将步骤1采集的图像进行人工标注，标注其中的有型成分位置和类型；步骤3：构建RetinaNet卷积神经网络模型；步骤4：为模型的各层特征图生成锚点信息；步骤4-1：对步骤2中人工标注的数据集中的有型成分的外接矩形进行聚类，其聚类方式采用K-means的聚类方法，聚类的中心个数设定为9，聚类时两个样本间的距离采用计算IOU的方式；步骤4-2：将聚类后得到的9个外接矩形长、宽作为对应特征图中锚点的长、宽大小；步骤5：对步骤3中的分类和回归子网络进行优化，拓展模型的深度，具体方法为：原始的Retinanet网络的分类和回归子网络中，经过特征图Px后会进行4个卷积层的计算，将其扩展为3个级联的残差结构；步骤6：采用步骤2中的人工标注数据集对模型进行训练；步骤6中训练好的模型即可应用于白带显微图像中有型成分的自动检测，其检测方法主要包括：步骤7：采集一个视野的显微图像；步骤8：将图像输入到训练好的改进RetinaNet模型，模型进行前向传播计算；步骤9：输出检测结果；其中，步骤3的具体步骤为：步骤3-1：搭建RetinaNet网络结构模型，采用ResNet-50作为网络的特征提取层，并生成特征金字塔网络；步骤3-2：由于白带样本中的有型成分包含6个类别，因此将网络的输出作对应的调整为6；步骤6的具体步骤为：步骤6-1：训练的批次大小为2，迭代次数为200k，并采用Adam的方式进行迭代；步骤6-2：初始时，学习率为1e-5，模型的初始化采用迁移学习的方式，即模型在COCO数据集中训练好的权重参数初始化本专利技术中模型的特征提取层ResNet-50，改进的分类和回归子网络采用Xavier的方式进行初始化；步骤6-3：损失函数采用smooth-L1损失和Focal损失相结合的方式，网络开始迭代，进行训练。步骤8的具体步骤为：步骤8-1：前向传播，生成5个不同尺度的特征图；步骤8-2：在5个不同的特征图中根据步骤4产生锚点信息；步骤8-3：特征图和锚点信息分别进入分类子网络和回归子网络，分类子网络输出锚点的类别信息，回归子网络输出锚点外接矩形的回归信息；步骤8-4：对所有的锚点输出进行非极大抑制，提取最佳的目标检测锚点，其余的忽略。本专利技术基于改进的RetinaNet显微图像中有型成分的目标检测方法是一种多目标的检测算法，具有速度快，检测精度高的特点。附图说明图1是本专利技术中的原始采集图像。图2是本专利技术中模型的框架示意图。图3是本专利技术中锚点的产生示意图。图4是本专利技术中分类和回归子网络示意图。图5是本专利技术的结果示意图。具体实施方式下面结合附图，对本专利技术中显微图像的有型成分检测方法进行详细说明：步骤1：采用显微成像系统采集白带样本的显微图像，每个视野中筛选最清晰的三幅图像作为样本集；步骤2：将步骤1采集的图像进行人工标注，标注其中的有型成分位置和类型；步骤3：构建RetinaNet卷积神经网络模型，如图2所示；步骤3-1：搭建RetinaNet网络结构模型，采用ResNet-50作为网络的特征提取层，并生成特征金字塔网络；步骤3-2：由于白带样本中的有型成分包含6个类别，因此将网络的输出作对应的调整。步骤4：为模型的各层特征图生成锚点信息，如图3所示；步骤4-1：对步骤2中人工标注的数据集中的有型成分的外接矩形进行聚类，其聚类方式采用K-means的聚类方法，聚类的中心个数设定为9，聚类时两个样本间的距离采用计算IOU的方式；步骤4-2：将聚类后得到的9个外接矩形长、宽作为对应特征图中锚点的长、宽大小。步骤5：对步骤3中的分类和回归子网络进行优化，拓展模型的深度，具体方法为：原始的Retinanet网络的分类和回归子网络中，经过特征图Px后会进行4个卷积层的计算，将其扩展为3个级联的残差结构，如图4所示；步骤6：采用步骤2中的人工标注数据集对模型进行训练；步骤6-1：训练的批次大小为2，迭代次数为200k，并采用Adam的方式进行迭代；步骤6-2：初始时，学习率为1e-5，模型的初始化采用迁移学习的方式，即模型在COCO数据集中训练好的权重参数初始化本专利技术中模型的特征提取层(ResNet-50)，改进的分类和回归子网络采用Xavier的方式进行初始化；步骤6-3：损失函数采用smooth-L1损失和Focal损失相结合的方式，网络开始迭代，进行训练。步骤6中训练好的模型即可应用于白带显微图像中有型成分的自动检测，其检测方法主要包括：步骤7：采集一个视野的显微图像；步骤8：将图像输入到训练好的改进RetinaNet模型，模型进行前向传播计算；步骤8-1：前向传播，生成5个不同尺度的特征图；步骤8-2：在5个不同的特征图中根据步骤4产生锚点信息；步骤8-3：特征图和锚点信息分别进入分类和回归子网络，分类子网络输出锚点的类别信息，回归子网络输出锚点外接矩形的回归信息；步骤8-4：对所有的锚点输出进行非极大抑制，提取最佳的目标检测锚点，其余的忽略。步骤9：输出检测结果，如图5所示，可明显的看出本专利技术具有极高的检测精度。本文档来自技高网...

【技术保护点】
1.一种基于改进的RetinaNet显微图像目标检测算法，该方法包括：/n步骤1：采用显微成像系统采集样本的显微图像，每个视野中筛选最清晰的三幅图像作为样本集；/n步骤2：将步骤1采集的图像进行人工标注，标注其中的有型成分位置和类型；/n步骤3：构建RetinaNet卷积神经网络模型；/n步骤4：为模型的各层特征图生成锚点信息；/n步骤4-1：对步骤2中人工标注的数据集中的有型成分的外接矩形进行聚类，其聚类方式采用K-means的聚类方法，聚类的中心个数设定为9，聚类时两个样本间的距离采用计算IOU的方式；/n步骤4-2：将聚类后得到的9个外接矩形长、宽作为对应特征图中锚点的长、宽大小；/n步骤5：对步骤3中的分类和回归子网络进行优化，拓展模型的深度，具体方法为：原始的Retinanet网络的分类和回归子网络中，经过特征图P

【技术特征摘要】
1.一种基于改进的RetinaNet显微图像目标检测算法，该方法包括：
步骤1：采用显微成像系统采集样本的显微图像，每个视野中筛选最清晰的三幅图像作为样本集；
步骤2：将步骤1采集的图像进行人工标注，标注其中的有型成分位置和类型；
步骤3：构建RetinaNet卷积神经网络模型；
步骤4：为模型的各层特征图生成锚点信息；
步骤4-1：对步骤2中人工标注的数据集中的有型成分的外接矩形进行聚类，其聚类方式采用K-means的聚类方法，聚类的中心个数设定为9，聚类时两个样本间的距离采用计算IOU的方式；
步骤4-2：将聚类后得到的9个外接矩形长、宽作为对应特征图中锚点的长、宽大小；
步骤5：对步骤3中的分类和回归子网络进行优化，拓展模型的深度，具体方法为：原始的Retinanet网络的分类和回归子网络中，经过特征图Px后会进行4个卷积层的计算，将其扩展为3个级联的残差结构；
步骤6：采用步骤2中的人工标注数据集对模型进行训练；
步骤6中训练好的模型即可应用于白带显微图像中有型成分的自动检测，其检测方法主要包括：
步骤7：采集一个视野的显微图像；
步骤8：将图像输入到训练好的改进RetinaNet模型，模型进行前向传播计算；
步骤9：输出检测结果。


2.如权利要求1所述的一种基于改进的RetinaNet显微图像目标检测算法，其特征在于步骤...

【专利技术属性】
技术研发人员：杜晓辉，刘霖，张静，王祥舟，郝如茜，倪光明，刘娟秀，刘永，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51