【技术实现步骤摘要】
革兰染色图像的目标识别与分割算法及系统
[0001]本专利技术属于数字图像处理
，涉及一种革兰染色图像的目标识别与分割算法及系统。
技术介绍
[0002]革兰染色白带干片显微图像镜检法是医院常规检测项目之一，其中白带干片显微图像的识别与分析对于评价微生态环境平衡及选用相应的微生态调节治疗方法具有重要意义。但目前人工阅片进行病原体及致病菌种的数量统计方法不仅对医务人员的专业素养要求较高，而且容易过度依赖于个人经验，这在一定程度上影响了检测结果的准确性。随着医学自动检验技术的飞速发展，衍生了一系列的图像分割、图像识别等自动识别算法，从而能够大大降低人工阅片中的检测量及检测时长。但已有的白带干片显微图像自动识别算法中识别的目标种类有限，仅能够识别一种典型阴道炎症细胞或者少数致病菌种，无法同时检出阴道炎症典型细胞及主要菌种。
[0003]本算法通过将目标识别与分割进行结合，提出了一种目标识别与上采样过程提取分割特征相结合的算法，从而实现对阳性杆菌、阴性杆菌等致病菌种小目标进行自动分割，并同时能够对革兰染色图像中的滴虫、...
【技术保护点】
【技术特征摘要】
1.一种革兰染色图像的目标识别与分割算法，其特征在于，包括以下步骤：步骤S1：采集革兰染色图像样本，并对部分样本进行标注；步骤S2：将标注数据组成训练集D1，输入到识别与分割算法进行训练，得到初始识别与分割模型M1并保存；步骤S3：以M1为预训练模型，固定Backbone权重与语义分割分支权重，在训练集D1上进行微调训练，得到调整后的训练模型M2并保存；步骤S4：在M2的基础上，固定Backbone权重与目标识别分支权重，使用训练集D1训练分割分支，得到最终模型M3并保存；步骤S5：将待识别染色图像输入模型M3，调整阈值后输出各类细胞目标识别和菌种目标分割结果，最终得到图像中不同目标的识别结果。2.根据权利要求1所述的算法，其特征在于，步骤S1中，所述标注包括用于识别训练的目标框选标注和用于分割训练的目标涂色标注。3.根据权利要求2所述的算法，其特征在于，所述目标框选标注的样本包括孢子、芽孢、白细胞、滴虫、上皮、基底旁上皮；所述目标涂色标注的样本包括菌丝、阳性杆菌、阴性杆菌、链球菌、球菌、动弯杆菌、阴阳杆菌。4.根据权利要求1所述的算法，其特征在于，所述步骤S2包括如下步骤：步骤S2.1：将训练集D1导入识别与分割算法中，匹配目标识别与语义分割两个分支的输出；步骤S2.2：将两个分支的损失加权平均作为总损失函数；步骤S2.3：将步骤S2.2得到的总损失函数作为整体损失函数，进行模型训练，训练过程中将目标识别与语义分割两个分支的预测输出与标签进行对比，并根据所得到的整体损失来调整模型权重；步骤S2.4：训练完成后，根据模型保存条件将所得到的训练模型M1进行保存。5.根据权利要求4所述的算法，其特征在于，所述步骤S2.1中的识别与分割算法是利用ResNet
‑
FPN架构与two
‑
stage目标识别策略、FPN特征上采样过程一同构建；所述识别与分割算法具体包括如下步骤：步骤S2.1.1：输入的图像数据训练集D1经过自顶向下的ResNet特征提取后，分别在C2、C3、C4、C5这四个层级中得到特征图；步骤S2.1.2：将步骤S2.1.1所得到的C2、C3、C4、C5输入到特征金字塔结构FPN中，即对C5特征图进行1x1卷积得到P5特征图，P5特征图进行最近邻上采样并与Resnet中所得到的相同大小特征图C4进行融合后得到P4特征图，不断重复以上，最终输出四个不同尺度、同样通道数的特征图P2、P3、P4、P5；步骤S2.1.3：基于步骤S2.1.2所得到的四个特征图，使用RPN网络提取候选区域；步骤S2.1.4：对候选区域执行ROIAlign操作以获得最终的ROI；步骤S2.1.5：在每个ROI中进行分类和回归，得到box预测结果和类别预测结果；步骤S2.1.6：将FPN中最后一层特征P2作为分割预测分支的输入；经过两层上采样后所得到的特征结果作为预测网络的输入。6.根据权利要求1所述的算法，其特征在于，所述步骤S3包括如下步骤：步骤S3.1：将M1模型的Backbone权重与语义分割分支权重固定；
步骤S3.2：在训练集D1的基础上进行微调训练；所述微调训练根据目标识别分支的实际输出与标签之间的差异计算目标识别的损失，根据损失值，调整模型权重；步骤S3.3：训练完成后，保存所得到的训练模型M2。7.根据权利要求1所述的算法，其特征在于，所述步骤S4包括如下步骤：步骤S4.1...
【专利技术属性】
技术研发人员：娄博华，杨旭，朱慧敏，沈海东，刘中华，王国强，
申请(专利权)人：江苏硕世生物科技股份有限公司，
类型：发明
国别省市：
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。