基于图像识别的细胞识别计数方法、装置和计算机设备制造方法及图纸

本申请涉及人工智能技术领域，提供一种基于图像识别的细胞识别计数方法、装置和计算机设备。所述方法包括：获取全局数字化细胞图像，选取全局数字化细胞图像中的区域图像，区域图像为待识别计数的局部图像，对区域图像进行非线性颜色变换处理，得到目标图像，将目标图像输入基于包含非常规细胞的历史全局数字化细胞图像训练的细胞识别计数神经网络，识别目标图像中的非常规细胞、并对识别出的非常规细胞进行计数，得到细胞识别计数结果。通过非线性颜色变换处理使得图像的颜色更接近真实图像，使用已训练的细胞识别计数网络，能够快速准确地对目标图像中的非常规细胞进行识别计数，提高细胞识别计数的效率。

【技术实现步骤摘要】
基于图像识别的细胞识别计数方法、装置和计算机设备
本申请涉及人工智能
，特别是涉及一种基于图像识别的细胞识别计数方法、装置、计算机设备和存储介质。
技术介绍
通过观察数字化病理切片图像来判断相应组织器官是否有病变异常的检查手段是较为常见检查手段之一。目前，与血液有关的癌症等疾病的诊断主要还是依靠医生人工在显微镜下对图像进行辨别，基于此，医生的诊断任务也越来越多，工作强度也随之增大。因此，涌现出了通过对血液细胞数字化影像的自动分析，细胞自动识别计数等处理，辅助医生进行临床诊断的技术。目前，现有的细胞图像的细胞识别计数方法是基于显微镜下拍摄的单视野图像，进行局部的图像处理，一般也都是结合传统的图像处理算法进行处理，该方式处理步骤多，速度慢，而且无法快速做到全局图像(玻片)信息分析，影响细胞识别计数的效率。因此，现有的细胞图像的识别计数方法存在识别计数效率不高的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高细胞识别计数效率的基于图像识别的细胞识别计数方法、装置、计算机设备和存储介质。一种基于图像识别的细胞识别计数方法，所述方法包括：获取全局数字化细胞图像；选取全局数字化细胞图像中的区域图像，其中，区域图像为待识别计数的局部图像；对区域图像进行非线性颜色变换处理，得到目标图像；将目标图像输入已训练的细胞识别计数神经网络，识别目标图像中的非常规细胞、并对识别出的非常规细胞进行计数，得到细胞识别计数结果；其中，已训练的细胞识别计数神经网络基于包含非常规细胞的历史目标图像训练得到。在其中一个实施例中，将目标图像输入已训练的细胞识别计数神经网络，识别目标图像中的非常规细胞、并对识别出的非常规细胞进行计数包括：通过细胞识别计数神经网络的卷积层，提取输入的目标图像的特征数据、并对特征数据进行卷积运算，得到对应的特征图；将特征图输入至细胞识别计数神经网络中的预设分类网络，结合预设拟合权重，识别出非常规细胞、并对识别出的非常规细胞进行计数；其中，预设拟合权重是在细胞识别计数神经网络的训练过程中，根据损失函数的回传和权重梯度运算得到。在其中一个实施例中，将特征图输入至细胞识别计数神经网络中的预设分类网络，结合预设拟合权重，识别出非常规细胞、并对识别出的非常规细胞进行计数包括：将特征图输入至带有全连接层的RPN(regionproposalnetwork，区域选取网络)网络，根据预设拟合权重和预设softmax函数进行分类预测，得到RPN网络提取的预测框的坐标信息和各预测框对应的类别置信度；采用交并比算法对各预测框进行筛选，确定目标预测框；根据目标预测框的坐标信息和目标预测框对应的类别置信度，识别出非常规细胞、并对识别出的非常规细胞进行计数。在其中一个实施例中，采用交并比算法对各预测框进行筛选，确定目标预测框包括：基于交并比算法，选取三个预设阈值对各预测框进行三级筛选，确定目标预测框。在其中一个实施例中，选取全局数字化细胞图像中的区域图像包括：获取全局数字化细胞图像的细胞密度指标；基于细胞密度指标，选取全局数字化细胞图像的区域图像。在其中一个实施例中，对区域图像进行非线性颜色变换处理，得到目标图像包括：采用伽马矫正非线性颜色变换算法，对区域图像进行非线性颜色变化处理，得到目标图像。在其中一个实施例中，将目标图像输入已训练的细胞识别计数神经网络之前，还包括：采用自适应阈值分割算法和膨胀腐蚀算法对目标图像进行图像处理。一种基于图像识别的细胞识别计数装置，所述装置包括：图像获取模块，用于获取全局数字化细胞图像；图像选取模块，用于选取全局数字化细胞图像中的区域图像，其中，区域图像为待识别计数的局部图像；颜色变换处理模块，用于对区域图像进行非线性颜色变换处理，得到目标图像；细胞识别计数模块，用于将目标图像输入已训练的细胞识别计数神经网络，识别目标图像中的非常规细胞、并对识别出的非常规细胞进行计数，得到细胞识别计数结果；其中，已训练的细胞识别计数神经网络基于包含非常规细胞的历史目标图像训练得到。在其中一个实施例中，装置还包括图像处理模块，用于采用自适应阈值分割算法和膨胀腐蚀算法对目标图像进行图像处理。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取全局数字化细胞图像；选取全局数字化细胞图像中的区域图像，其中，区域图像为待识别计数的局部图像；对区域图像进行非线性颜色变换处理，得到目标图像；将目标图像输入已训练的细胞识别计数神经网络，识别目标图像中的非常规细胞、并对识别出的非常规细胞进行计数，得到细胞识别计数结果；其中，已训练的细胞识别计数神经网络基于包含非常规细胞的历史目标图像训练得到。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取全局数字化细胞图像；选取全局数字化细胞图像中的区域图像，其中，区域图像为待识别计数的局部图像；对区域图像进行非线性颜色变换处理，得到目标图像；将目标图像输入已训练的细胞识别计数神经网络，识别目标图像中的非常规细胞、并对识别出的非常规细胞进行计数，得到细胞识别计数结果；其中，已训练的细胞识别计数神经网络基于包含非常规细胞的历史目标图像训练得到。上述基于图像识别的细胞识别计数方法、装置、计算机设备和存储介质，从全局角度综合分析，通过非线性颜色变换处理使得图像的颜色更接近真实图像，便于图像识别，通过使用已训练的细胞识别计数网络对目标图像中的细胞进行分析处理，能够快速准确地识别出目标图像中的非常规细胞，并对非常规细胞进行计数，提高细胞识别计数的效率，同时，能够大量减少人工筛查病理切片中非常规细胞的工作量，节省人力。附图说明图1为一个实施例中基于图像识别的细胞识别计数方法的应用环境图；图2为一个实施例中基于图像识别的细胞识别计数方法的流程示意图；图3为另一个实施例中基于图像识别的细胞识别计数方法的详细流程示意图；图4为一个实施例中基于细胞识别计数神经网络对目标图像的非常规细胞进行识别计数步骤的流程示意图；图5为一个实施例中基于图像识别的细胞识别计数装置的结构框图；图6为另一个实施例中基于图像识别的细胞识别计数装置的结构框图；图7为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。本申请提供的基于图像识别的细胞识别计数方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行本文档来自技高网...

【技术保护点】
1.一种基于图像识别的细胞识别计数方法，其特征在于，所述方法包括：/n获取全局数字化细胞图像；/n选取所述全局数字化细胞图像中的区域图像，其中，所述区域图像为待识别计数的局部图像；/n对所述区域图像进行非线性颜色变换处理，得到目标图像；/n将所述目标图像输入已训练的细胞识别计数神经网络，识别所述目标图像中的非常规细胞、并对识别出的非常规细胞进行计数，得到细胞识别计数结果；/n其中，所述已训练的细胞识别计数神经网络基于包含非常规细胞的历史目标图像训练得到。/n

【技术特征摘要】
1.一种基于图像识别的细胞识别计数方法，其特征在于，所述方法包括：
获取全局数字化细胞图像；
选取所述全局数字化细胞图像中的区域图像，其中，所述区域图像为待识别计数的局部图像；
对所述区域图像进行非线性颜色变换处理，得到目标图像；
将所述目标图像输入已训练的细胞识别计数神经网络，识别所述目标图像中的非常规细胞、并对识别出的非常规细胞进行计数，得到细胞识别计数结果；
其中，所述已训练的细胞识别计数神经网络基于包含非常规细胞的历史目标图像训练得到。


2.根据权利要求1所述的方法，其特征在于，所述将所述目标图像输入已训练的细胞识别计数神经网络，识别所述目标图像中的非常规细胞、并对识别出的非常规细胞进行计数包括：
通过所述细胞识别计数神经网络的卷积层，提取输入的所述目标图像的特征数据、并对所述特征数据进行卷积运算，得到对应的特征图；
将所述特征图输入至所述细胞识别计数神经网络中的预设分类网络，结合预设拟合权重，识别出非常规细胞、并对识别出的非常规细胞进行计数，其中，所述预设拟合权重是在所述细胞识别计数神经网络的训练过程中，根据损失函数的回传和权重梯度运算得到。


3.根据权利要求2所述的方法，其特征在于，所述将所述特征图输入至所述细胞识别计数神经网络中的预设分类网络，结合预设拟合权重，识别出非常规细胞、并对识别出的非常规细胞进行计数包括：
将所述特征图输入带有全连接层的RPN网络，根据所述预设拟合权重和预设softmax函数进行分类预测，得到所述RPN网络提取的预测框的坐标信息和各预测框对应的类别置信度；
采用交并比算法对各预测框进行筛选，确定目标预测框；
根据所述目标预测框的坐标信息和所述目标预测框对应的类别置信度，识别出非常规细胞、并对识别出的非常规细胞进行计数。


4.根据权利要求3所述的方法，其特征在于，所述采用交并比算法对各预测框进行筛选，确定目...

【专利技术属性】
技术研发人员：郭冰雪，吕传峰，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44