一种基于深度制造技术

本发明专利技术属于人工智能和数字图像处理方法技术领域，本发明专利技术提供了一种基于深度

【技术实现步骤摘要】
一种基于深度Q学习和LinkNet网络的Hep
‑
2细胞图像分割方法


[0001]本专利技术涉及人工智能领域和数字图像处理方法，特别是涉及一种基于深度
Q
学习和
LinkNet
网络的
Hep
‑2细胞图像分割方法
。

技术介绍

[0002]人类喉癌
(Hep
‑
2)
细胞的分割已成为免疫性疾病方法的关键步骤，也是决定医学图像能否提供可靠依据的关键问题
。
近年来，由于深度学习算法在医学图像分割中的应用，医学图像分割技术取得了显著的进展
。
目前，分割方法技术有：
(1)
阈值法是最常见的分割方法，虽然简单
、
快速，但对于具有多峰灰度直方图的图像，确定阈值较难，往往根据经验确定；
(2)
区域增长法是大多数工作中采用的方法，该方法能够有效的弥补边缘追踪的遗漏缺陷，但常常需要手动选择种子点，是一种需要人工参与的半自动分割方法；
(3)
基于模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度
Q
学习和
LinkNet
网络的
Hep
‑2细胞图像分割方法，其特征在于，所述方法包括以下步骤：
S1、
获取
Hep
‑2细胞开放数据集，对
Hep
‑2细胞图像进行预处理；
S2、
利用预训练的
U
‑
net
网络获取
Hep
‑2细胞图像的神经网络粗分割结果；
S3、
构建基于深度
Q
学习的目标定位网络，训练具备学习能力的
Hep
‑2细胞，将
Hep
‑2细胞图像输入至所构建的目标定位网络中进行目标定位，得到初步定位后的图像；
S4、
构建基于
LinkNet
的目标分割网络，使用
Hep
‑2细胞数据集对
LinkNet
网络进行训练，使用训练之后的
LinkNet
网络对初步定位分割后的图像再进行分割
。2.
根据权利要求1所述的一种基于深度
Q
学习和
LinkNet
网络的
Hep
‑2细胞图像分割方法，其特征在于，
S1
所述的对目标图像进行预处理，具体如下，
S11、
对
S1
所述
Hep
‑2细胞图像的数据进行格式转换；
S12、
对格式转换后的
Hep
‑2细胞图像数据进行归一化处理，将数据归一化为0到1的数值范围内；具体是，计算
Hep
‑2细胞图像数据集的标准差以及其均值，按照如下公式进行处理，
I
*
＝
(I
‑
Mean)/Std
该公式为对比度归一化公式，其中
I
代表
Hep
‑2细胞图像的对比度，
Mean
代表
Hep
‑2细胞图像的均值，
Std
代表
Hep
‑2细胞图像的标准差，
I
*
代表归一化之后的图像对比度；
S13、
经过归一化处理后的
Hep
‑2细胞图像数据分别是，训练集数据
、
验证集数据
、
测试集数据
。3.
根据权利要求1所述的一种基于深度
Q
学习和
LinkNet
网络的
Hep
‑2细胞图像分割方法，其特征在于，
S3
中所述的基于深度
Q
学习的目标定位网络，需要设置初始分割阈值为
128
，将该阈值下的分割作为深度强化学习
DQN
算法的初始分割动作；设置阈值动作集合
A
，根据
ε
‑
greedy
策略选取相应的动作，对
S2
所述的
Hep
‑2细胞图像粗分割结果进行迭代优化；在所述的阈值动作集合
A
中选取一个整数，作为分割阈值的改变量，分割阈值改变后的结果必须在0至
255
范围内；使用分割结果图像与手工标注图像的交并比
IoU
表示回报，计算下一状态分割阈值的分割结果图像的
IoU
和当前状态分割阀值的分割结果图像的
IoU
的差值，即回报差，回报差值大于0表示分割精度提高
。4.
根据权利要求1所述的一种基于深度
Q
学习和
LinkNet
网络的
Hep
‑2细胞图像分割方法，其特征在于，
S3
中所述的基于深度
Q
学习的目标定位网络，需要计算
Hep
‑2细胞图像粗分割结果在当...

【专利技术属性】
技术研发人员：陈金令，刘蓉，苏妍琳，陈宇，王一桥，陈百合，陆浩，陈杰，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：