基于深度学习的病理图像中细胞计数方法及装置制造方法及图纸

本申请提供了一种基于深度学习的病理图像中细胞计数方法及装置，方法包括：对获取的病例图像数据进行归一化处理并通过遗传算法进行图像数据增强；对预先建立的ResNeSt模型进行训练参数配置，ResNeSt模型采用Split‑Attention机制进行特征提取；利用参数配置后的ResNeSt模型对处理后的病例图像数据进行特征提取获得病例图像中的细胞计数结果。本申请提供的算法能够有效地提取到病理染色图像的特征并有着很好的泛化性能，在少量样本上训练后可以得到很好的测试结果。

【技术实现步骤摘要】
基于深度学习的病理图像中细胞计数方法及装置
本申请属于医疗行业深度学习
，具体地讲，涉及一种基于深度学习的病理图像中细胞计数方法及装置。
技术介绍
病理切片作为医生诊断一个病人是否患病的标准而被广大医生所接受和使用，但是由于病理切片通常都是高分辨率图像，一般一张病理图像不小于一亿像素值，这就使得医生不可能在短时间内对病理图像中的细胞数量进行量化评估，从而产生一定的误差，甚至影响到医生对病情的整体发展认知。
技术实现思路
本申请提供了一种基于深度学习的病理图像中细胞计数方法及装置，以至少解决目前单纯依赖医生人工对病例图像中的细胞数量进行量化评估而造成评估误差大的问题。根据本申请的一个方面，提供了一种基于深度学习的病理图像中细胞计数方法，包括：对获取的病例图像数据进行归一化处理并通过遗传算法进行图像数据增强；对预先建立的ResNeSt模型进行训练参数配置，ResNeSt模型采用Split-Attention机制进行特征提取；利用参数配置后的ResNeSt模型对处理后的病例图像数据进行特征提取本文档来自技高网...

【技术保护点】
1.一种基于深度学习的病理图像中细胞计数方法，其特征在于，包括：/n对获取的病例图像数据进行归一化处理并通过遗传算法进行图像数据增强；/n对预先建立的ResNeSt模型进行训练参数配置，所述ResNeSt模型采用Split-Attention机制进行特征提取；/n利用参数配置后的所述ResNeSt模型对处理后的所述病例图像数据进行特征提取获得病例图像中的细胞计数结果。/n

【技术特征摘要】
1.一种基于深度学习的病理图像中细胞计数方法，其特征在于，包括：
对获取的病例图像数据进行归一化处理并通过遗传算法进行图像数据增强；
对预先建立的ResNeSt模型进行训练参数配置，所述ResNeSt模型采用Split-Attention机制进行特征提取；
利用参数配置后的所述ResNeSt模型对处理后的所述病例图像数据进行特征提取获得病例图像中的细胞计数结果。


2.根据权利要求1所述的病例图像中细胞计数方法，其特征在于，所述对预先建立的ResNeSt模型进行训练参数配置，包括：
将所述ResNeSt模型的初始学习率设置为0.01，训练代数设置为50epoch，学习率更新方式设置为WarmUpCosinelearningRate；
设置训练中使用的优化器为Adam优化器，损失函数为MSE。


3.根据权利要求1所述的病理图像中细胞计数方法，其特征在于，所述利用参数配置后的所述ResNeSt模型对处理后的所述病例图像数据进行特征提取获得病例图像中的细胞计数结果，包括：
利用参数配置后的所述ResNeSt模型对处理后的所述病例图像数据进行特征提取获得高维度特征；
利用两个全连接层对所述高纬度特征进行降维处理获得低维特征；
通过ReLu函数激活所述低维特征获得病例图像中的细胞计数结果。


4.根据权利要求1所述的病理图像中细胞计数方法，其特征在于，所述ResNeSt模型的建立过程包括：
使用ResNeSt模型作为细胞计数的基础模型，并使用梯度中心化方法优化参数更新过程；
在ResNeSt模型中使用Split-Attention机制进行特征提取。


5.一种基于深度学习的病理图像中细胞计数装置，其特征在于，包括：
图像预处理单元，用于对获取的病例图像数据进行归一化处理并通过遗传算法进行图像数据增强；
参数配置单元，用于对预先建立的Res...

【专利技术属性】
技术研发人员：杜强，陈相儒，
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