一种基于全卷积回归网络的细胞计数方法技术

本发明专利技术涉及医学图像技术领域，具体为一种基于全卷积回归网络的细胞计数方法，基于全卷积网络来完成密度估计，具体操作步骤如下：S1：图像预处理；S2：模型架构及训练；S3：多尺度块输入及融合。本发明专利技术基于深度学习，设计了一个利用全卷积回归网络来解决密度估计问题的CNN模型，解决了细胞计数问题基于密度估计的方法其图像特征提取算法性能局限性比较大，精度有限且泛化性能较弱的问题，本发明专利技术引入了DenseNet中的密集连接来加强原始U

【技术实现步骤摘要】
一种基于全卷积回归网络的细胞计数方法


[0001]本专利技术涉及医学图像
，具体为一种基于全卷积回归网络的细胞计数方法。

技术介绍

[0002]在医学图像研究领域，细胞显微图像是指通过将细胞制作成涂片，并借助显微镜等辅助工具所成的图像。其中，精确计量图像中细胞的个数是一个重要且关键的任务，其实际应用主要体现在医学检测、环境与食品安全和临床分析等方面。例如在医学检测方面，大多数血液疾病的早期症状都可以通血红细胞的数量的变化初步诊断出来。在临床分析方面，通过分析视网膜细胞密度可以诊断出视网膜脱离和复位之间的病理关系，通过白细胞数目的变化可以初步判断人体是否遭受病菌入侵等。因此，细胞数量的准确计量直接关系到后续图像分析任务的准确性和可重复性。
[0003]目前，有两种最常使用的细胞计数方式：人工技术和计算机自动计数。人工计数需要耗费大量的人工和精力，且计数精度严重依赖于不同的人的技巧和经验，可重复性差。在过去几十年以来，随着显微成像技术和图像处理算法的发展，借助计算机进行自动细胞计数越来越成为一种趋势。
[0004]按照计数原理的不同，细胞计数方法可以分为三类，即：基于检测的方法，基于回归的方法，基于密度估计的方法。基于检测的方法通过最直观的检测细胞的具体位置，然后进行统计得到细胞的总数。这种方法有很多缺陷，例如只适用于单一的细胞类型，多数算法都需要人工协助，具有很大的局限性。基于回归的方法通过对图像分块提取到目标细胞特征，然后利用回归建模，最后实现计数。其缺点是不适用于图像背景比较复杂，细胞形态差异较大的情形。基于密度估计的方法通过预测一张细胞密度图将计数问题转换为密度估计问题，其利用高斯滤波将标注的细胞点图转换为密度图，然后提取图像特征并训练回归模型来完成原始细胞图像到密度图的映射。这种方法相较前两种可以实现比较优良的计数精度，但其性能严重依赖于图像特征提取算法的性能。总之，以上大多数方法都依赖于通过传统的图像处理算法来提取特征来实现，但人工设计的特征局限性比较大，精度有限且泛化性能较弱。鉴于此，我们提出一种基于全卷积回归网络的细胞计数方法。

技术实现思路

[0005]为了弥补以上不足，本专利技术提供了一种基于全卷积回归网络的细胞计数方法。
[0006]本专利技术的技术方案是：一种基于全卷积回归网络的细胞计数方法，基于全卷积网络来完成密度估计，具体操作步骤如下：S1：图像预处理；S2：模型架构及训练；S3：多尺度块输入及融合。
[0007]作为本专利技术优选的技术方案，S1中图像预处理的具体操作为：需要将标记的细胞点图通过高斯滤波操作转换为密度图。在细胞标记点图中，每一个点代表了一个细胞，其大小为一个像素，将细胞标记点作为高斯核的中心，使用高斯滤波算法生成密度图，其公式定义为：；其中，为所有细胞标记点的集合，为高斯分布的均值点位置，表示处的二维高斯分布值，为高斯分布的协方差矩阵，就为处所对应的密度值。
[0008]作为本专利技术优选的技术方案，S2中模型架构及训练中所使用的模型架构为CNN模型架构图，CNN模型属于一个端到端的深度学习模型，该模型的输入为原始细胞图像及其不同尺寸的降采样图像，而输出则为细胞密度图，其主要包含三个部分，即编码器，解码器以及处于中间的多尺度块。
[0009]作为本专利技术优选的技术方案，CNN模型架构图的左半部分为编码器，其反复利用交叉间隔的密集块及最大池化操作来提取细胞图像的图像特征，同时图像特征的分辨率逐渐降低，密集块有四个不同的版本，即DB
‑
1到DB
‑
4，分别代表着其包含不同数量的卷积块，从DB
‑
1到DB
‑
4，这四个阶段的图像特征分辨率也从原始的细胞图像大小逐次降低为原始大小的1/8，采用多尺度输入方式，即将原始图像的四个不同尺度输入到网络模型中，这四个尺度分别为：；其中和分别为原始细胞图像的高和宽，通过这种多尺度输入的方式，使得模型可以很好地提取到不同尺寸大小的细胞的图像特征，从而实现最终的精确计数。
[0010]作为本专利技术优选的技术方案，CNN模型架构图的右半部分为解码器，其反复利用交叉间隔的密集块及反卷积操作来进一步提取细胞图像的图像特征，同时逐渐恢复原始的输入图像尺寸，处于编码期与解码器中间的为多尺度块，在此处，利用多分支结构带有不同膨胀因子的膨胀卷积来进一步提取图像的多尺度特征，类似U
‑
Net，编码器与解码器之间具有相同尺度的特征通过跳跃连接进行相连，从而提高特征的复用率以及缓解梯度爆炸/消失问题；在细胞图像被输入到网络模型前，需要进行标准差标准化操作，即：；其中，为标准化前的细胞图像，为标准化后的细胞图像，为所有训练细胞图像的均值，则为所有训练细胞图像的标准差。
[0011]作为本专利技术优选的技术方案，CNN模型的输出层包含一个的卷积，且CNN模型取消掉了最后的Sigmoid层或Softmax层，从而使得本模型执行的是一个逐像素回归任务，模型在该像素点的输出回归值即为该像素点在细胞密度图中的值，通过对模型输出的输出回归值进行求和计算，就可以得到该图像的细胞数量。
[0012]采用均方误差作为网络模型训练的损失函数，其定义为：
；其中，代表网络模型中所有能被训练的参数的集合，为输入网络模型的标准化后的细胞图像，表示所有训练细胞图像的个数，表示所对应的真实细胞密度图，为模型预测的细胞密度图。
[0013]作为本专利技术优选的技术方案，CNN模型使用基于反向传播的优化算法或者其变种进行网络参数的更新训练。
[0014]作为本专利技术优选的技术方案，CNN模型的基本构成模块为带有密集连接的多层卷积层，即DB
‑
1到DB
‑
4，密集连接是指网络模块中的每一层都和其他所有层之间有直接的连接，对于每一层而言，它前面所有层的输出都是该层的输入，而它的输出又是后面每一层的输入，具体为，DB
‑
1具有6个卷积层，DB
‑
2具有12个卷积层，DB
‑
3具有24个卷积层，DB
‑
4具有16个卷积层，其中，每个卷据层都包含一个核大小为的卷积操作以及线性整流函数操作。
[0015]作为本专利技术优选的技术方案，S3中多尺度块输入及融合的具体操作为：利用带有不同膨胀因子的膨胀卷积所构成的五个并行的支路来捕捉给定输入特征的多尺度特征，这五个并行的支路分别为：（1）一个核大小为的卷积操作，膨胀因子为1；（2）两个串联的核大小为的卷积操作，膨胀因子都为1；（3）两个串联的核大小为的卷积操作，膨胀因子都为2；（4）两个串联的核大小为的卷积操作，膨胀因子依次分别为2，4；（5）两个串联的核大小为的卷积操作，膨胀因子都为4；所有五个并行支路的结果最后通过特征相加操作获得最终的特征图。
[0016]与现有技术相比，本专利技术的有益效果是：1.本专利技术基于深度学习，设计了一个利用全卷积回归网络来解决密度估计问题的CNN模型，解决了细胞计数问题基于密度估计的方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全卷积回归网络的细胞计数方法，其特征在于：基于全卷积网络来完成密度估计，具体操作步骤如下：S1：图像预处理；S2：模型架构及训练；S3：多尺度块输入及融合。2.根据权利要求1所描述的基于全卷积回归网络的细胞计数方法，其特征在于：S1中图像预处理的具体操作为：需要将标记的细胞点图通过高斯滤波操作转换为密度图,在细胞标记点图中，每一个点代表了一个细胞，其大小为一个像素，将细胞标记点作为高斯核的中心，使用高斯滤波算法生成密度图，其公式定义为：；其中，为所有细胞标记点的集合，为高斯分布的均值点位置，表示处的二维高斯分布值，为高斯分布的协方差矩阵，就为处所对应的密度值。3.根据权利要求1所描述的基于全卷积回归网络的细胞计数方法，其特征在于：S2中模型架构及训练中所使用的模型架构为CNN模型架构图，CNN模型属于一个端到端的深度学习模型，该模型的输入为原始细胞图像及其不同尺寸的降采样图像，而输出则为细胞密度图，其主要包含三个部分，即编码器，解码器以及处于中间的多尺度块。4.根据权利要求3所描述的基于全卷积回归网络的细胞计数方法，其特征在于：CNN模型架构图的左半部分为编码器，其反复利用交叉间隔的密集块及最大池化操作来提取细胞图像的图像特征，同时图像特征的分辨率逐渐降低，密集块有四个不同的版本，即DB
‑
1到DB
‑
4，分别代表着其包含不同数量的卷积块，从DB
‑
1到DB
‑
4，这四个阶段的图像特征分辨率也从原始的细胞图像大小逐次降低为原始大小的1/8，采用多尺度输入方式，即将原始图像的四个不同尺度输入到网络模型中，这四个尺度分别为：；其中和分别为原始细胞图像的高和宽，通过这种多尺度输入的方式，使得模型可以很好地提取到不同尺寸大小的细胞的图像特征，从而实现最终的精确计数。5.根据权利要求3所描述的基于全卷积回归网络的细胞计数方法，其特征在于：CNN模型架构图的右半部分为解码器，其反复利用交叉间隔的密集块及反卷积操作来进一步提取细胞图像的图像特征，同时逐渐恢复原始的输入图像尺寸，处于编码期与解码器中间的为多尺度块，在此处，利用多分支结构带有不同膨胀因子的膨胀卷积来进一步提取图像的多尺度特征，类似U
‑
Net，编码器与解码器之间具有相同尺度的特征通过跳跃连接进行相连，从而提高特征的复用率以及缓解梯度爆炸/消失...

【专利技术属性】
技术研发人员：康清波，刘振，王宇，石一磊，兰晓莉，邢东明，
申请(专利权)人：脉得智能科技无锡有限公司，
类型：发明
国别省市：