类器官图像超分辨率重建方法与装置制造方法及图纸

本发明专利技术提供一种类器官图像超分辨率重建方法与装置。类器官图像超分辨率重建方法包括：获取类器官图像，对类器官图像进行标注并划分为训练集、验证集与测试集；利用训练集、验证集训练模型，并对模型的输出结果进行非极大值抑制，最终得到训练好的类器官检测模型。在类器官检测的时候，通过将待检测的图像输入类器官检测模型，并对该模型输出的图片经过超分辨率重建，以放大每一个类器官。本发明专利技术仅仅通过摄像头就能获取和观测类器官的生长情况，能够有效的降低观测成本，同时避免繁琐的操作，同时还能在电脑上远程随时观测，极大程度上降低了实验的时间成本。低了实验的时间成本。低了实验的时间成本。

【技术实现步骤摘要】
类器官图像超分辨率重建方法与装置


[0001]本专利技术涉及信息处理
，尤其涉及一种类器官图像超分辨率重建方法与装置。

技术介绍

[0002]类器官培养是目前非常火热的体外三维培养技术，以干细胞或临床样本为来源，经过体外培养、定向分化，自组装为器官样结构的细胞群。相比于传统的2D细胞模型和PDX模型，它具有拟合度高、培养周期短、传代稳定、易自动化等优势，近年来被广泛应用于转化医学研究和药物筛选中，类器官目前已经成为科学界研究的热点。
[0003]传统的类器官检测手段十分匮乏主要包括活体观察和断点观察，活体观察主要集中在形态学观察，需要专业人员的参与，不方便；断点观察集中在基于荧光的各类指标的检测，操作较为繁琐，条件要求高，且需要在荧光显微镜下才能进行观察。因此有必要开发一种针对于类器官的智能检测方法。

技术实现思路

[0004]本专利技术提供一种类器官图像超分辨率重建方法与装置，用以解决现有技术中类器官检测不方便、检测条件高的缺陷。
[0005]一种类器官图像超分辨率重建方法，包括：
[0006]获取类器官图像；
[0007]对所述类器官图像进行标注，以标注出图像中类器官的位置，并对标注后的图像进行划分，划分为训练集、验证集与测试集；
[0008]将所述训练集、验证集的图像进行预处理，得到预处理后的训练集、验证集；
[0009]利用所述预处理后的训练集训练初始类器官检测模型，利用所述预处理后验证集对训练后的类器官检测模型参数进行调整，得到调整好的类器官检测模型；
[0010]对所述调整好的类器官检测模型输出的预测结果经过非极大值抑制,得到所有预测结果中最贴合于实际目标的结果；
[0011]利用所述测试集对所述最贴合于实际目标的结果进行测试；
[0012]获取类器官图像；
[0013]对所述类器官图像进行预处理；
[0014]将预处理后的所述类器官图像输入所述调整好的类器官检测模型，得到预测结果；
[0015]将所述检测结果经过非极大值抑制，得到抑制结果；所述抑制结果为不同生长时期和状况下的类器官；
[0016]将经过非极大值抑制得到的图片进行裁剪，并对裁剪后的图片通过超分辨率重建，以放大每一个类器官。
[0017]进一步地，如上所述的类器官图像超分辨率重建方法，所述获取类器官图像包括：
获取类器官培养过程中在不同生长时期的图像，并将获取到的图像按照日期和采集顺序进行命名，以命名后的图像作为图像标注的对象。
[0018]进一步地，如上所述的类器官图像超分辨率重建方法，所述对所述类器官图像进行标注，以标注出图像中类器官的位置包括：
[0019]对获取到的类器官图像通过labelimg工具进行类器官标注，把在同一个焦平面的类器官用矩形框标注出来，且矩形框距离类器官3
‑
5个像素。
[0020]进一步地，如上所述的类器官图像超分辨率重建方法，所述利用所述预处理后的训练集训练初始类器官检测模型包括：
[0021]利用损失函数来评判初始类器官检测模型预测的优劣；
[0022]其中，所述损失函数包括三种，分别为：
[0023]分类损失，用于计算锚框与对应的标定分类是否正确；
[0024]定位损失，用于定位预测框与标定框之间的误差；
[0025]置信度损失，用于计算网络的置信度；
[0026]总的损失函数＝a*分类损失+b*定位损失+c*置信度损失。
[0027]进一步地，如上所述的类器官图像超分辨率重建方法，所述分类损失和定位损失使用二元交叉熵损失函数进行计算，具体公式如下：
[0028][0029]其中，L
C
是二元交叉熵损失，x表示样本，y表示标签，a表示预测的输出，n表示样本总量；
[0030]所述置信度损失使用CIoU损失函数来进行计算。
[0031]进一步地，如上所述的类器官图像超分辨率重建方法，所述初始类器官检测模型包括：特征提取模块、特征融合模块、预测模块；
[0032]其中，所述特征提取模块采用主干网络Backbone构成。
[0033]进一步地，如上所述的类器官图像超分辨率重建方法，所述主干网络Backbone包含：Focus模块、CBL模块、CSP模块、SPP模块；
[0034]所述CSP模块包括：CSP1_x模块以及CSP2_x模块；
[0035]所述CSP1_x模块包括：所述CBL模块、X个Res unit模块、卷积模块、拼接模块、BN模块、Leaky_relu激活函数；
[0036]该CSP1_x模块经过所述CBL模块、X个Res unit模块、卷积模块后，再通过拼接模块进行拼接，拼接后进行归一化处理，最后依次经过所述BN模块、Leaky_relu激活函数和CBL模块；
[0037]所述CSP2_x模块包括：所述CBL模块、卷积层、BN模块、Leaky_relu激活函数；
[0038]该CSP2_x模块依次经过CBL模块、卷积模块后，再通过通过拼接模块进行拼接，拼接后进行归一化处理，最后依次经过所述BN模块、Leaky_relu激活函数和CBL模块。
[0039]所述Res unit模块经过两层所述CBL模块的残差连接。
[0040]进一步地，如上所述的类器官图像超分辨率重建方法，所述并超分辨率重建包括：采用双三次插值进行超分辨率重建。
[0041]一种类器官图像超分辨率重建装置，包括：
[0042]获取单元，用于获取类器官图像；
[0043]标注单元，用于对所述类器官图像进行标注，以标注出图像中类器官的位置；
[0044]划分单元，用于对标注后的图像进行划分，划分为训练集、验证集与测试集；
[0045]预处理单元，用于将所述训练集、验证集的图像进行预处理，得到预处理后的训练集、验证集；
[0046]训练单元，用于利用所述预处理后的训练集训练初始类器官检测模型，利用所述预处理后的验证集对训练后的类器官检测模型参数进行调整，得到调整好的类器官检测模型；
[0047]非极大值抑制单元，用于对所述调整好的类器官检测模型输出的预测结果进行非极大值抑制，得到所有预测结果中最贴合于实际目标的结果；
[0048]测试单元，用于利用所述测试集对所述最贴合于实际目标的结果进行测试；
[0049]所述获取单元，还用于获取类器官图像；
[0050]所述预处理单元，还用于对所述类器官图像进行预处理；
[0051]预测单元，用于将预处理后的所述类器官图像输入所述调整好的类器官检测模型，得到预测结果；
[0052]非极大值抑制单元，用于将所述检测结果经过非极大值抑制，得到抑制结果；所述抑制结果为不同生长时期和状况下的类器官；
[0053]重建单元，用于将经过非极大值抑制得到的图片进行裁剪，并对裁剪后的图片通过超分辨率重建，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种类器官图像超分辨率重建方法，其特征在于，包括：获取类器官图像；对所述类器官图像进行标注，以标注出图像中类器官的位置，并对标注后的图像进行划分，划分为训练集、验证集与测试集；将所述训练集、验证集的图像进行预处理，得到预处理后的训练集、验证集；利用所述预处理后的训练集训练初始类器官检测模型，利用所述预处理后验证集对训练后的类器官检测模型参数进行调整，得到调整好的类器官检测模型；对所述调整好的类器官检测模型输出的预测结果经过非极大值抑制,得到所有预测结果中最贴合于实际目标的结果；利用所述测试集对所述最贴合于实际目标的结果进行测试；获取类器官图像；对所述类器官图像进行预处理；将预处理后的所述类器官图像输入所述调整好的类器官检测模型，得到预测结果；将所述检测结果经过非极大值抑制，得到抑制结果；所述抑制结果为不同生长时期和状况下的类器官；将经过非极大值抑制得到的图片进行裁剪，并对裁剪后的图片通过超分辨率重建，以放大每一个类器官。2.根据权利要求1所述的类器官图像超分辨率重建方法，其特征在于，所述获取类器官图像包括：获取类器官培养过程中在不同生长时期的图像，并将获取到的图像按照日期和采集顺序进行命名，以命名后的图像作为图像标注的对象。3.根据权利要求1所述的类器官图像超分辨率重建方法，其特征在于，所述对所述类器官图像进行标注，以标注出图像中类器官的位置包括：对获取到的类器官图像通过labelimg工具进行类器官标注，把在同一个焦平面的类器官用矩形框标注出来，且矩形框距离类器官3
‑
5个像素。4.根据权利要求1所述的类器官图像超分辨率重建方法，其特征在于，所述利用所述预处理后的训练集训练初始类器官检测模型包括：利用损失函数来评判初始类器官检测模型预测的优劣；其中，所述损失函数包括三种，分别为：分类损失，用于计算锚框与对应的标定分类是否正确；定位损失，用于定位预测框与标定框之间的误差；置信度损失，用于计算网络的置信度；总的损失函数＝a*分类损失+b*定位损失+c*置信度损失。5.根据权利要求4所述的类器官图像超分辨率重建方法，其特征在于，所述分类损失和定位损失使用二元交叉熵损失函数进行计算，具体公式如下：其中，L
C
是二元交叉熵损失，x表示样本，y表示标签，a表示预测的输出，n表示样本总量；所述置信度损失使用CIoU损失函数来进行计算。
6.根据权利要求1所述的类器官图像超分辨率重建方法，其特征在于，所述初始类器官检测模型...

【专利技术属性】
技术研发人员：高琳，李衍志，蒋勇，唐峻，
申请(专利权)人：西南科技大学，
类型：发明
国别省市：