【技术实现步骤摘要】
一种基于卷积神经网络的血液细胞图像检测与计数方法
本专利技术属于医学图像处理领域,涉及一种基于卷积神经网络的血液细胞图像检测与计数方法。
技术介绍
血液细胞计数是检验科医生经常对患者进行健康状况评估的一项重要检查。血液细胞主要包含三种类型的细胞,分别为白细胞,红细胞和血小板。其中,血液中最常见的细胞是红细胞,占血液细胞总数的40%-45%;白细胞又称为白血球,仅占血液细胞总数的1%;血小板又称为血栓细胞,在血液中的数量占比也很大。红细胞主要的功能是为人体各组织输送氧气,因而红细胞数量会影响各组织接收的氧气的含量。血细胞是免疫细胞,对抗各种病理感染。血小板能帮助血液凝固。在人体血液中,这些血液细胞的数量是十分庞大,传统的人工血细胞计数是通过血细胞仪完成的,这种计数方式不仅非常耗时,而且误差也很大。在很多情况下,血细胞计数准确率很大程度上依赖于临床检验科医生的经验。因此,提出从血液涂片图像中自动计数不同血液细胞的方法可以大大提升整个计数过程的效率。随着科学技术的快速发展,深度学习在图像处理中应用越来越广泛,它能够显著地提升图像识别精度。因此,许多领域都开始引入基于深度学习的方法,特别是深度学习方法在医学图像处理中得到了广泛地应用,比如胸部X射线图像中异常检测和定位、心脏MRI中左心室的自动分割、视网膜眼底图像中糖尿病视网膜病变的检测以及心电信号图像中心率异常的检测。目前尚未有应用基于深度学习的方法对血液细胞图像中血液细胞的识别和计数的研究。
技术实现思路
有鉴于此,本专利技术的目的在于克服传统 ...
【技术保护点】
1.一种基于卷积神经网络的血液细胞图像检测与计数方法,其特征在于:包括以下步骤:/nS1:将获取的血液细胞图像数据集分为训练集、验证集、测试集,同时采用Mosaic算法对血细胞图像数据集进行增强;/nS2:将输入图像输入改进的CSPDarkNet53网络得到多个特征图,将所述特征图传入Neck网络;/nS3:通过Neck网络提取融合特征;/nS4:使用YOLOv4对象检测算法对血液细胞图像进行预测,同时采用适当的置信度阈值消除虚假预测;/nS5:取出步骤S4得到的每一类置信度得分大于一定阈值的预测边框进行置信度得分排序,利用预测边框的位置和置信度得分进行非极大抑制,得出概率最大的预测边框,也就是最后显示的预测边框;将生成的矩形预测边框通过计算转换为圆形预测边框,即:将左上角和右下角的坐标转换为半径和圆心;然后通过使用细胞的标签来对血液细胞计数;/nS6:采用K-最近邻算法和DIOU对检测模型的预测结果进行再次验证,消除血小板重复检测的问题。/n
【技术特征摘要】
1.一种基于卷积神经网络的血液细胞图像检测与计数方法,其特征在于:包括以下步骤:
S1:将获取的血液细胞图像数据集分为训练集、验证集、测试集,同时采用Mosaic算法对血细胞图像数据集进行增强;
S2:将输入图像输入改进的CSPDarkNet53网络得到多个特征图,将所述特征图传入Neck网络;
S3:通过Neck网络提取融合特征;
S4:使用YOLOv4对象检测算法对血液细胞图像进行预测,同时采用适当的置信度阈值消除虚假预测;
S5:取出步骤S4得到的每一类置信度得分大于一定阈值的预测边框进行置信度得分排序,利用预测边框的位置和置信度得分进行非极大抑制,得出概率最大的预测边框,也就是最后显示的预测边框;将生成的矩形预测边框通过计算转换为圆形预测边框,即:将左上角和右下角的坐标转换为半径和圆心;然后通过使用细胞的标签来对血液细胞计数;
S6:采用K-最近邻算法和DIOU对检测模型的预测结果进行再次验证,消除血小板重复检测的问题。
2.根据权利要求1所述的基于卷积神经网络的血液细胞图像检测与计数方法,其特征在于:步骤S2中所述CSPDarkNet53网络包含72个卷积层、Mish激活函数以及降低过拟合的Dropblock模块。
3.根据权利要求2所述的基于卷积神经网络的血液细胞图像检测与计数方法,其特征在于:步骤S2中所述输入图像经过CSPDarkNet53网络后得到大小为76*76、38*38、19*19的特征图。
4.根据权利要求2所述的基于卷积神经网络的血液细胞图像检测与计数方法,其特征在于:步骤S2中所述CSPDarkNet53网络的卷积公式为:
其中,Wi,j是n*n大小的卷积核位于i,j处的元素;Ii',j'是与卷积核元素对应位置的像素值;
所述CSPDarkNet53网络的Mish激活函数为:
f(x)Mish=x*tanh(ln(1+ex))(2)。
5.根据权利要求1所述的基...
【专利技术属性】
技术研发人员:李国权,姚凯,林金朝,黄正文,庞宇,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。