一种基于RFB-YOLOv5的循环肿瘤细胞检测方法技术

本发明专利技术涉及智能检测技术领域，更具体的说是涉及一种基于RFB

【技术实现步骤摘要】
一种基于RFB
‑
YOLOv5的循环肿瘤细胞检测方法


[0001]本专利技术涉及智能检测
，更具体的说是涉及一种基于RFB
‑
YOLOv5的循环肿瘤细胞检测方法。

技术介绍

[0002]随着社会不断发展以及人们物质生活水平的提高，人们对于健康的需求越来越高。癌症作为严重影响人类健康的疾病，如果能够在病人患病早期及时发现并针对具体病情开展治疗，将在很大程度上拯救病人；因此，如何能够越早发现并且准确分析病人肿瘤情况成为了目前的研究热点。循环肿瘤细胞是一种游离在外周血中的肿瘤细胞，它从原发肿瘤中脱落后进入外周血，并携带着肿瘤相关信息，通过捕获该细胞进行数量和物质上的分析，从而可以了解患者的肿瘤病情；对于循环肿瘤细胞的图像检测，早期的人工检测方法和传统的图像处理算法效率低下。
[0003]现有的技术CN109308695A中，公开了一种基于改进U
‑
net卷积神经网络模型的癌细胞检测方法，使用基本的图像处理方法对医学图像进行处理，将处理得到的二值化医学图像作为癌细胞的标注，并与原医学图像一起构成数据集。使用这样的数据集训练的神经网络模型仅对于医学图像中形态良好的癌细胞有较高的识别率，对于少数细胞形态不规则的癌细胞，该神经网络模型很难将其正确的进行分类识别。
[0004]现有技术CN114037661A中，公开了一种基于YOLO算法的循环肿瘤细胞识别系统，搭建YOLOv4模型进行训练和测试，并根据YOLOv4模型训练和测试出的结果微调YOLOv4网络。YOLOv4网络的计算效率和准确率均低于YOLOv5网络，且YOLOv4网络采用了较多的数据增强方法，同时没有自适应锚点框，使得其对小目标物体的检测效果较差。
[0005]现有技术CN113887556A中，公开了一种基于改进YOLO
‑
V5的小细胞肺癌检测装置，使用YOLOv5网络进行肺结节的检测和分类，同时将YOLOv5网络的主干网络改为DenseNet网络，激活函数改为Mish函数，回归目标框的损失函数改为GIoU函数。在增加了模型的计算量和显存占用的同时，又由于YOLOv5网络本身的小尺寸卷积核和SPP模块中的池化操作，使得小目标信息有所丢失，因而其对小目标物体检测的效果并不理想。
[0006]目前，深度学习作为主流的目标检测算法，在检测速度和检测精度上相比传统方法有着很大的优势，在医学图像处理领域得到广泛应用。有鉴于此，本专利技术基于真实的临床循环肿瘤细胞图像提供一种检测效率和检测精度都较高的基于RFB
‑
YOLOv5的循环肿瘤细胞检测方法。

技术实现思路

[0007]为了克服现有技术的不足，本专利技术的目的在于提供一种检测效率和检测精度都较高的基于RFB
‑
YOLOv5的循环肿瘤细胞检测方法。
[0008]为实现上述目的，本专利技术提供如下技术方案，主要包括：
[0009]一种基于RFB
‑
YOLOv5的循环肿瘤细胞检测方法，包括以下步骤：
[0010]S1、获取真实的循环肿瘤细胞图像：通过采样针获取真实的循环肿瘤细胞图像；
[0011]S2、分解真实的循环肿瘤细胞图像：为了使生成的图像更接近于真实的循环肿瘤细胞图像，对所述真实的循环肿瘤细胞图像进行分解，得到待测细胞和图像背景；
[0012]S3、筛选细胞图像并进行扩充：从所述待测细胞中分别筛选图像清晰的200个循环肿瘤细胞图像和非循环肿瘤细胞图像，然后将所述循环肿瘤细胞图像和非循环肿瘤细胞图像进行扩充；
[0013]S4、生成循环肿瘤细胞图像：首先生成背景图，然后按照循环肿瘤细胞数和非循环肿瘤细胞数占比分别从所述循环肿瘤图像和非循环肿瘤图像中抽取若干图像，将抽取的图像贴在选取的位置后，记录图像坐标，生成循环肿瘤细胞图像；
[0014]S5、构建循环肿瘤细胞数据集：按照所述S4中的方法生成4000张循环肿瘤细胞图像，并返回YOLO数据格式的坐标文本，与原有的真实的循环肿瘤细胞图像共同构成本专利技术所使用的循环肿瘤细胞数据集，以解决循环肿瘤细胞的小样本数据问题，从而能够有足够的循环肿瘤细胞图像来训练网络模型；
[0015]S6、构建并改进YOLOv5网络结构：对原始的YOLOv5网络进行改进，使用RFB感受野模块替代原始网络的SPP模块，得到改进后的RFB
‑
YOLOv5网格架构，有效地解决了图像尺寸在池化减小后上采样增大的过程中存在的小目标的信息丢失问题；
[0016]S7、训练RFB
‑
YOLOv5模型：将扩充后的循环肿瘤细胞数据集划分成训练集和验证集，送入改进后的RFB
‑
YOLOv5网络中进行训练，训练完成后将效果最好的模型保存下来；
[0017]S8、进行检测效果对比测试：选择166张真实的临床循环肿瘤细胞图像数据作为测试集，观察通过原始YOLOv5模型和RFB
‑
YOLOv5模型得到的检测结果图像，进行对比；
[0018]S9、进行计算效率对比测试：选取166张真实的临床循环肿瘤细胞图像，分别使用RFB
‑
YOLOv5模型与原始YOLOv5模型进行检测，并对两模型的参数量和运行时间进行对比，有效地验证了本专利技术提出的RFB
‑
YOLOv5模型提高了循环肿瘤细胞检测精度的同时，并没有损失过多的检测速度。
[0019]优选的，所述步骤S1中的循环肿瘤细胞图像由一张纯黑的背景图和染色后的循环肿瘤细胞组成，所述循环肿瘤细胞在图像中是无序分布的，所述循环肿瘤细胞包括分散的单个细胞和大细胞团。
[0020]优选的，所述步骤S2中待测细胞包含循环肿瘤细胞和非循环肿瘤细胞。
[0021]优选的，所述步骤S3中通过旋转和镜像的方法将循环肿瘤细胞和非循环肿瘤细胞分别扩充到1000个。
[0022]优选的，在所述非循环肿瘤细胞图像中加入经过扩充后的100个大细胞团图像，用来模拟大细胞团。
[0023]优选的，所述步骤S4中生成的循环肿瘤细胞图像设置细胞总数上限为100个，所述循环肿瘤细胞数量占比设置在70％
‑
100％，所述细胞粘贴位置任意且不重叠，使生成的细胞位置不过于密集。
[0024]优选的，所述步骤S6中RFB感受野模块模拟人类视觉感受野与偏心率的关系，结构上包含多分支卷积层和膨胀卷积层，RFB感受野模块在多分支卷积层中设计不同尺寸的卷积核分支来模拟不同尺寸的感受野，在膨胀卷积层使用膨胀卷积来控制偏心率。但是SPP模块中采用池化操作，其中没有参数可以学习，并且经过池化和上采样操作后，在图像尺寸先
减小后增大的过程中会存在小目标的信息丢失问题。而RFB感受野模块中包含不同尺寸卷积核，通过使用卷积操作在不同尺度上进一步学习循环肿瘤细胞特征，并且可以减少因下采样操作而导致的肿瘤细胞分辨率丢失。并且RFB模块在增大模型感受野的同时，并没有增本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RFB
‑
YOLOv5的循环肿瘤细胞检测方法，其特征在于，包括以下步骤：S1、获取真实的循环肿瘤细胞图像：通过采样针获取真实的循环肿瘤细胞图像；S2、分解真实的循环肿瘤细胞图像：对所述真实的循环肿瘤细胞图像进行分解，得到待测细胞和图像背景；S3、筛选细胞图像并进行扩充：从所述待测细胞中分别筛选图像清晰的200个循环肿瘤细胞图像和200个非循环肿瘤细胞图像，然后将所述循环肿瘤细胞图像和非循环肿瘤细胞图像进行扩充；S4、生成循环肿瘤细胞图像：首先生成背景图，然后按照循环肿瘤细胞数和非循环肿瘤细胞数占比分别从所述循环肿瘤图像和非循环肿瘤图像中抽取若干图像，将抽取的图像贴在选取的位置后，记录图像坐标，生成循环肿瘤细胞图像；S5、构建循环肿瘤细胞数据集：按照所述S4中的方法生成4000张循环肿瘤细胞图像，并返回YOLO数据格式的坐标文本，与原有的真实的循环肿瘤细胞图像共同构成循环肿瘤细胞数据集；S6、构建并改进YOLOv5网络结构：对原始的YOLOv5网络进行改进，使用RFB感受野模块替代原始网络的SPP模块，得到改进后的RFB
‑
YOLOv5网格架构；S7、训练RFB
‑
YOLOv5模型：将扩充后的循环肿瘤细胞数据集划分成训练集和验证集，送入改进后的RFB
‑
YOLOv5网络中进行训练，训练完成后将效果最好的模型保存下来；S8、进行检测效果对比测试：选择166张真实的临床循环肿瘤细胞图像数据作为测试集，观察通过原始YOLOv5模型和RFB
‑
YOLOv5模型得到的检测结果图像，进行对比；S9、进行计算效率对比测试：选取166张真实的临床循环肿瘤细胞图像，分别使用RFB
‑
YOLOv5模型与原始YOLOv5模型进行检测，并对两模型的参数量和运行时间进行对比。2.根据权利要求1所述的基于RFB
‑
YOLOv5的循环肿瘤细胞检测方法，其特征在于，所述步骤S1中，所述循环肿瘤细胞图像由一张纯黑的背景图和染色后的循环肿瘤细胞组成，所述循...

【专利技术属性】
技术研发人员：黄敏，孙金龙，王飞，区志峰，
申请(专利权)人：广东亿云付科技有限公司，
类型：发明
国别省市：