一种基于深度学习的细胞检测方法技术

本发明专利技术提供了一种基于深度学习的细胞检测方法，包括如下步骤：对血样进行拍照，得到原始图片；对原始图片进行扩充处理，得到扩充图片；对扩充图片进行人工标注，得到标注图片；将标注图片输入深度学习模型进行训练，当准确度达到预设值时得到最终的检测模型。本发明专利技术在对原始图片进行扩充处理后，得到的扩充图片能够最大限度地模拟不同拍摄环境下得到的图像照片，以此为基础训练出来的检测模型将具有更高的准确度及普适性，扩大检测模型的识别范围。

【技术实现步骤摘要】
一种基于深度学习的细胞检测方法
本专利技术涉及细胞图像识别
，尤其涉及一种基于深度学习的细胞检测方法。
技术介绍
为实现血常规镜检法检测的自动化，需要准确地对细胞计数与分类。由于细胞间的形态变换多，杂质与细胞间分界特征不明显，如何将细胞与杂志进行区分并准确计数，已成为业内共同关注的课题。传统的处理方式有平滑处理、灰度处理、二值化处理、图像膨胀、图像腐蚀、边缘检测等，这些方法大多需要人为设定一个阈值，而且这个阈值需要在一定的拍摄环境下才有效，否则效果不佳，比如二值化处理，Canny边缘检测等；另外部分方法虽然不需要人为的设定的值，但分割效果不是很好，尤其是细胞多、杂质多、细胞重叠的情况。有鉴于此，需要提出一种新的技术方案来解决上述技术问题。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的细胞检测方法，用于解决上述现有技术中的问题。为实现上述目的，本专利技术采用以下技术手段：一种基于深度学习的细胞检测方法，包括如下步骤：对血样进行拍照，得到原始图片；对原始图片进行扩充处理，得到扩充图片；对扩充图片进行人工标注，得到标注图片；将标注图片输入深度学习模型进行训练，当准确度达到预设值时得到最终的检测模型。作为进一步的改进，所述所述扩充处理包括随机调整图片的背景亮度、随机旋转图片的角度和添加图片噪音中的一种或多种。作为进一步的改进，所述原始图片与所述扩充图片的数量比为1:(10-20)。作为进一步的改进，所述人工标注采用labelme标注工具，标注时沿着细胞边界用线圈起来，并标注细胞的类型和区别码。作为进一步的改进，所述原始图片中的细胞具有清晰的形态特征，所述形态特征包括细胞的形状、颜色和边缘。作为进一步的改进，所述将标注图片输入深度学习模型进行训练的步骤具体包括：1)所述标注图片划分为训练集和测试集；2)将所述训练集输入深度学习模型进行训练，得到最终的检测模型；3)将所述测试集在最终的检测模型上进行验证；其中，所述训练集的数量多于所述测试集的数量。作为进一步的改进，所述训练集和所述测试集的比例为8:2。作为进一步的改进，所述深度学习模型为MaskR-CNN，所述训练的时间为3-5天。作为进一步的改进，所述预设值为[0.9,1)。作为进一步的改进，所述细胞包括红细胞、白细胞和血小板。相比于现有技术，本专利技术带来以下技术效果：本专利技术对血样进行拍照，得到原始图片；对原始图片进行扩充处理，得到扩充图片；对扩充图片进行人工标注，得到标注图片；将标注图片输入深度学习模型进行训练，当准确度达到预设值时得到最终的检测模型；因此，在对原始图片进行扩充处理后，得到的扩充图片能够最大限度地模拟不同拍摄环境下得到的图像照片，以此为基础训练出来的检测模型将具有更高的准确度及普适性，扩大检测模型的识别范围。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1示出了本专利技术一种基于深度学习的细胞检测方法的流程图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。在本专利技术中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。在本专利技术中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。本专利技术提供一种基于深度学习的细胞检测方法，具体应用的场景是血常规三分类检测，所述细胞包括血小板、红细胞及白细胞。所述检测方法包括如下步骤：S1、对血样进行拍照，得到原始图片；S2、对原始图片进行扩充处理，得到扩充图片；S3、对扩充图片进行人工标注，得到标注图片；S4、将标注图片输入深度学习模型进行训练，当准确度达到预设值时得到最终的检测模型。通过对原始图片进行扩充处理，得到的扩充图片最大限度地模拟不同拍摄环境下得到的图像照片，以此为基础来对深度学习模型进行训练，最终得到的检测模型相比于现有技术具有更高的准确度及普适性，扩大了检测模型的适用范围。实施例在本实施例中，所述细胞为红细胞，所述的深度学习模型为MaskR-CNN。所述MaskR-CNN是一个实例分割(Instancesegmentation)算法，可以用来做“目标检测”、“目标实例分割”、“目标关键点检测”，尤其是目标体积小、数量多、杂质多、目标重叠的情况表现极佳，本实施例将该算法用在细胞的图像识别领域具有比其它深度学习模型更大的优势。用相机拍下红细胞血样共计158张原始图片，通过扩充后得到2761张扩充图片。158张原始图片是经过人工筛选后得到的图片，每一张图片所包含的细胞均具有清晰的形态特征，能够肉眼看出细胞的形状、颜色和边缘等。其中，扩充处理的方式包括随机调整图片的背景亮度、随机旋转图片的角度和添加图片噪音中的一种或多种，以此最大限度地模拟不同拍摄环境下得到的图像照片。需要本文档来自技高网...

【技术保护点】
1.一种基于深度学习的细胞检测方法，其特征在于，包括如下步骤：/n对血样进行拍照，得到原始图片；/n对原始图片进行扩充处理，得到扩充图片；/n对扩充图片进行人工标注，得到标注图片；/n将标注图片输入深度学习模型进行训练，当准确度达到预设值时得到最终的检测模型。/n

【技术特征摘要】
1.一种基于深度学习的细胞检测方法，其特征在于，包括如下步骤：
对血样进行拍照，得到原始图片；
对原始图片进行扩充处理，得到扩充图片；
对扩充图片进行人工标注，得到标注图片；
将标注图片输入深度学习模型进行训练，当准确度达到预设值时得到最终的检测模型。


2.如权利要求1所述的方法，其特征在于，所述所述扩充处理包括随机调整图片的背景亮度、随机旋转图片的角度和添加图片噪音中的一种或多种。


3.如权利要求1所述的方法，其特征在于，所述原始图片与所述扩充图片的数量比为1:(10-20)。


4.如权利要求1所述的方法，其特征在于，所述人工标注采用labelme标注工具，标注时沿着细胞边界用线圈起来，并标注细胞的类型和区别码。


5.如权利要求1所述的方法，其特征在于，所述原始图片中的细胞具有清晰的形...

【专利技术属性】
技术研发人员：郑陆一，刘蕾，
申请(专利权)人：湖南伊鸿健康科技有限公司，
类型：发明
国别省市：湖南;43