一种基于目标检测的病理图像细胞计数方法、设备及介质技术

本发明专利技术公开了一种基于目标检测的病理图像细胞计数方法、计算机设备及介质，该方法包括获取待识别的病理图像样本；将病理图像输入预先训练完成的病理图像细胞计数模型，从而获得病理细胞的个数；其中，病理图像细胞计数模型由两个训练完成的Faster‑RCNN模型同时连接模型融合模块构成；模型融合模块对所述两个Faster‑RCNN模型输出的病理细胞的计数结果进行求平均得到最终的病理细胞的个数。本发明专利技术通过引用两个不同的bockbone训练的Faster‑RCNN模型对病理图像进行病理细胞的个数检测，并将检测结果进行融合，准确、快速、高效实现病理细胞计数。

【技术实现步骤摘要】
一种基于目标检测的病理图像细胞计数方法、设备及介质
本专利技术涉及图像识别
，具体涉及一种基于目标检测的病理图像细胞计数方法、计算机设备及介质。
技术介绍
为了研究诸如癌症等复杂疾病的分子机制，显微图像可以提供有价值的信息，但是通常有必要在几种条件下进行一系列分子生物学实验。传统方法是，来自实验的图像是手动评估的。因此，这很耗时，并且需要大量的人力和专业知识。因此，随着高容量，高通量数字成像系统的新兴发展，有必要设计用于当前显微图像的新型自动化分析工具。在使用显微图像完成的各种任务中，细胞计数是至关重要的任务之一。显微图像中的细胞数量可以用作要比较不同的组的度量。例如，我们可以评估不同剂量的抗癌药的治疗效果，通过比较指定条件下基于显微镜的癌细胞计数。因此，在显微镜图像中具有最小细胞计数的实验组可被视为该特定癌症所用药物的最佳剂量。相同的原理可以应用于确定最有效的药物。因此，重要的是生物学家自动收集不同实验条件下每个实验组的准确细胞计数，这样就可以对进一步的统计意义进行建模和评估。在计算机视觉领域，静态图像中的自动计本文档来自技高网...

【技术保护点】
1.基于目标检测的病理图像细胞计数方法，其特征在于，包括以下步骤：/n获取待识别的病理图像样本；/n将病理图像输入预先训练完成的病理图像细胞计数模型，从而获得病理细胞的个数；/n其中，病理图像细胞计数模型由两个训练完成的Faster-RCNN模型同时连接模型融合模块构成；其中两个Faster-RCNN模型分别是backbone为vgg16和backbone为ResNet101的模型；/n模型融合模块对所述两个Faster-RCNN模型输出的病理细胞的计数结果进行求平均得到最终的病理细胞的个数。/n

【技术特征摘要】
1.基于目标检测的病理图像细胞计数方法，其特征在于，包括以下步骤：
获取待识别的病理图像样本；
将病理图像输入预先训练完成的病理图像细胞计数模型，从而获得病理细胞的个数；
其中，病理图像细胞计数模型由两个训练完成的Faster-RCNN模型同时连接模型融合模块构成；其中两个Faster-RCNN模型分别是backbone为vgg16和backbone为ResNet101的模型；
模型融合模块对所述两个Faster-RCNN模型输出的病理细胞的计数结果进行求平均得到最终的病理细胞的个数。


2.如权利要求1所述的基于目标检测的病理图像细胞计数方法，其特征在于，所述病理图像细胞计数模型包括
第一输入模块与第二输入模块；分别用于输入待识别的病理图像样本；
所述第一输入模块连接backbone为vgg16的第一Faster-RCNN模型；所述第二输入模块backbone为ResNet101的第二Faster-RCNN模型，所述第一Faster-RCNN模型与第二Faster-RCNN模型输出连接模型融合模块；
所述第一Faster-RCNN模型与第二Faster-RCNN模型分别对输入的图像进行识别并将病理细胞的计数结果发送至模型融合模块，模型融合模块通过平均法计算求得并输出病理细胞的个数。


3.如权利要求1或2所述的基于目标检测的病理图像细胞计数方法，其特征在于，所述病理图像细胞计数模型中对所述第一Faster-RCNN模型与第二Faster-RCNN模型通过以下方式进行训练：
分别获取由专家标注检测结果与原始的病理图像样本形成的训练集；
将训练集图像样本输入至初始第一Faster-RCNN模型对模型进行训练，直至损失函数收敛，则初始第一Faster-RCNN模型训练完成，得到训练好的第一Faster-RCNN模型；...

【专利技术属性】
技术研发人员：杜强，赵卫双，匡铭，彭穗，肖晗，
申请(专利权)人：北京小白世纪网络科技有限公司，
类型：发明
国别省市：北京;11