一种基于差分卷积的细胞定位方法、系统和存储介质技术方案

本发明专利技术属于图像处理技术领域，具体涉及一种基于差分卷积的细胞定位方法、系统和存储介质。本发明专利技术的方法包括如下步骤：将细胞图像输入到基于差分卷积的ConvNeXt主干网络中，提取不同阶段的特征图A；将不同阶段的特征图A分别送入多尺度空洞差分卷积模块，提取梯度信息，得到不同阶段的特征图B；将不同阶段的特征图B输入特征金字塔结构，进行特征融合，对最后一次融合得到的特征图进行反卷积得到密度图。本发明专利技术还进一步提供了用于上述定位方法的系统。本发明专利技术的方法和系统能够更加有效地利用细胞图像中的局部梯度信息，从而减弱细胞颜色差异对定位结果准确性的影响，提高细胞定位准确性。本发明专利技术在细胞定位任务中具有很好的应用潜力。力。力。

【技术实现步骤摘要】
一种基于差分卷积的细胞定位方法、系统和存储介质


[0001]本专利技术属于图像处理
，具体涉及一种基于差分卷积的细胞定位方法、系统和存储介质。

技术介绍

[0002]细胞定位，用来预测图像中每个细胞的具体位置，从而可以得出图像所包含的细胞数量。在生物学和医学中，显微图像分析是一个非常重要的研究领域，细胞定位便是其中一个重要分支，进而对细胞进行计数。
[0003]现有细胞定位方法均是采用传统的2D卷积(Vanilla Convolution)。传统卷积主要包含2个操作：(1)对输入特征图X的局部接受域R进行采样，(2)通过权重相加来聚合采样值。因此，输入y可以表示为：
[0004][0005]其中p0表示局部接受域R的中心位置，p
n
表示域中每一个值，w(p
n
)为可学习的参数。更具体来说，对于一个3
×
3、空洞率为1的卷积核，接受域R表示为{(
‑
1,
‑
1),(
‑
1,0),...,(0,1),(1,1)}。传统卷积计算的是每一个像素的绝对值，因此理论上像素值越大的点所占的权重就越多，这种情况对于颜色深浅差距较大的细胞核定位与计数任务非常不友好，即使后期模型通过不断迭代更新参数w(p
n
)来调整权重分布，仍然无法避免这一难题。
[0006]可见，现有的细胞定位技术中存在的问题是：由于细胞在染色后的颜色深浅不同，导致模型往往会忽略掉颜色较浅的细胞，从而导致模型的定位性能不准确。本领域亟需能够缓解细胞颜色深浅差异，准确定位所有细胞的方法。

技术实现思路

[0007]针对现有技术的缺陷，本专利技术提供一种基于差分卷积的细胞定位方法、系统和存储介质，目的在于通过一种新的模型和多尺度空洞差分卷积模块有效利用细胞图像中的局部梯度信息，增强对浅颜色细胞的定位性能，提高细胞定位的准确性。
[0008]一种基于差分卷积的细胞定位方法，包括如下步骤：
[0009]步骤1，将细胞图像输入到基于差分卷积的ConvNeXt主干网络中，提取ConvNeXt主干网络不同阶段的特征图A；
[0010]步骤2，将步骤1得到的不同阶段的特征图A分别送入多尺度空洞差分卷积模块，提取梯度信息，得到不同阶段的特征图B；
[0011]步骤3，将步骤2得到的不同阶段的特征图B输入特征金字塔结构，进行特征融合，对最后一次融合得到的特征图进行反卷积得到密度图。
[0012]优选的，步骤1中，所述基于差分卷积的ConvNeXt主干网络是将差分卷积操作引入ConvNeXt网络后构建的主干网络。
[0013]优选的，步骤1中，所述差分卷积的表达式为：
[0014][0015]其中，R表示局部接受域，p0表示局部接受域R的中心位置，p
n
表示局部接受域R中每一个值，w(p
n
)为可学习的参数，y()为当前阶段输出的特征图，x()为当前阶段输入的特征图，θ为实验设置的超参数，默认设为0.7。
[0016]优选的，步骤1中，所述基于差分卷积的ConvNeXt主干网络包括4个阶段，所述细胞图像的原图大小记为H
×
W，得到4个不同阶段的特征图A的大小分别为和
[0017]优选的，步骤2中，所述多尺度空洞差分卷积模块包含4个差分卷积子模块，所述4个差分卷积子模块基于3
×
3的卷积核设计，感受野大小分别为3
×
3、5
×
5、7
×
7和9
×
9，空洞率分别为1、2、3和4。
[0018]优选的，步骤2具体包括如下步骤：
[0019]步骤2.1，将所述特征图A经过一个1
×
1的卷积调整特征通道的维度；
[0020]步骤2.2，将经过步骤1处理的特征输入到具有不同空洞率的差分卷积子模块中，得到不同差分卷积子模块输出的特征图C；
[0021]步骤2.3，对所述特征图C进行填充和拼接，得到特征图B。
[0022]优选的，步骤3中，所述特征金字塔结构对不同阶段的特征图B通过从小到大的顺序进行融合。
[0023]优选的，步骤3中，所述特征图B分别经过2倍的上采样和1
×
1卷积的特征通道调整之后，进行特征融合。
[0024]本专利技术还提供一种基于差分卷积的细胞定位系统，包括：
[0025]输入模块，用于输入细胞图像；
[0026]计算模块，用于按照权上述定位方法生成密度图；
[0027]输出模块，用于输出密度图；
[0028]其中，所述计算模块具体包括：
[0029]基于差分卷积的ConvNeXt主干网络，用于从细胞图像中提取不同阶段的特征图A；
[0030]多尺度空洞差分卷积模块，用于从所述特征图A中提取梯度信息，得到不同阶段的特征图B；
[0031]特征金字塔结构，用于将所述特征图B进行特征融合，对最后一次融合得到的特征图进行反卷积得到密度图。
[0032]本专利技术还提供一种计算机可读存储介质，其上存储有用于实现上述定位方法的计算机程序。
[0033]本专利技术将差分卷积引入ConvNeXt网络，并依此搭建了一个细胞定位模型，该模型能够有效利用局部梯度信息来增强模型对于浅颜色细胞的定位性能。此外，为了获得更加丰富的梯度信息，本专利技术还提出了一个多尺度空洞差分卷积模块。该模块利用不同空洞率的差分卷积提供的多尺度信息来扩大梯度的范围，然后对带有多尺度梯度信息的特征进行融合，使得模型获得丰富的梯度信息。通过本专利技术构建的基于大核差分卷积的ConvNeXt主干网络和多尺度空洞差分卷积模块，能够缓解现有技术中由于细胞颜色差异而导致的问
题。因此，本专利技术在细胞定位任务中具有很好的应用潜力。
[0034]显然，根据本专利技术的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本专利技术上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
[0035]以下通过实施例形式的具体实施方式，对本专利技术的上述内容再作进一步的详细说明。但不应将此理解为本专利技术上述主题的范围仅限于以下的实例。凡基于本专利技术上述内容所实现的技术均属于本专利技术的范围。
附图说明
[0036]图1为基于差分卷积的ConvNeXt主干网络的构架图；
[0037]图2为差分卷积过程示意图；
[0038]图3为多尺度空洞差分卷积模块示意图；
[0039]图4为特征金字塔结构融合策略的示意图。
[0040]图5为按照实施例1和对比例的方法进行细胞定位的结果对比。
具体实施方式
[0041]需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
[0042]实施例1基于差分卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于差分卷积的细胞定位方法，其特征在于，包括如下步骤：步骤1，将细胞图像输入到基于差分卷积的ConvNeXt主干网络中，提取ConvNeXt主干网络不同阶段的特征图A；步骤2，将步骤1得到的不同阶段的特征图A分别送入多尺度空洞差分卷积模块，提取梯度信息，得到不同阶段的特征图B；步骤3，将步骤2得到的不同阶段的特征图B输入特征金字塔结构，进行特征融合，对最后一次融合得到的特征图进行反卷积得到密度图。2.按照权利要求1所述的定位方法，其特征在于：步骤1中，所述基于差分卷积的ConvNeXt主干网络是将差分卷积操作引入ConvNeXt网络后构建的主干网络。3.按照权利要求2所述的定位方法，其特征在于：步骤1中，所述差分卷积的表达式为：其中，R表示局部接受域，p0表示局部接受域R的中心位置，p
n
表示局部接受域R中每一个值，w(p
n
)为可学习的参数，y()为当前阶段输出的特征图，x()为当前阶段输入的特征图，θ为实验设置的超参数。4.按照权利要求1所述的定位方法，其特征在于：步骤1中，所述基于差分卷积的ConvNeXt主干网络包括4个阶段，所述细胞图像的原图大小记为H
×
W，得到4个不同阶段的特征图A的大小分别为和5.按照权利要求1所述的定位方法，其特征在于：步骤2中，所述多尺度空洞差分卷积模块包含4个差分卷积子模块，所述4个差分卷积子模块基于3
×
3的卷积核设计，感受野大小分别为3
×
3、5
×
...

【专利技术属性】
技术研发人员：步宏，李波，陈杰，周恩惟，杨永全，向旭辉，
申请(专利权)人：成都华西精准医学产业技术研究院有限公司，
类型：发明
国别省市：