【技术实现步骤摘要】
本专利技术涉及细胞检测，具体涉及一种基于双重边缘检测的细胞分裂均衡度检测方法。
技术介绍
1、细胞均衡度是评估卵裂期胚胎优劣的重要的评估指标。胚胎内的细胞面积往往能反映胚胎内细胞的生长状况，通过对比各胚胎内细胞的面积能基本体现细胞之间发育状况的差距，实现对细胞发育状态的监控与评估。同时培养箱不仅为细胞提供稳定的体外培养环境，还具备周期性地获取细胞分裂的全过程图像。结合培养箱中记录的细胞拍照时间，细胞学家需要根据个人的经验对每张细胞图像进行判别，以获取细胞的分裂均衡度。这显著增加了细胞学家的工作量。因此，如何利用计算机视觉方法辅助细胞学家快速检测细胞分裂过程中的均衡度具有重要的研究意义。尽管目前存在一些图像分割方法来计算细胞的面积以评估细胞分裂均衡度，但在实际应用中，胚胎细胞分裂均衡度的智能预测仍然存在以下问题：
2、1）针对于显微镜下的胚胎细胞往往存在透明度高，重叠度大的问题。针对一般的深度学习，由于胚胎细胞结构性特征不明显，与背景之间的差异小，仅有边缘轮廓信息能作为检测胚胎细胞的有效信息导致难以检测出细胞的准确位置。因此，如何有效的收集边缘轮廓信息和语义信息，成为解决细胞均衡度问题的关键；
3、2）常见的深度学习模型无法解决细胞均衡度问题，图像分割方法只能对像素实现单分类，能够对图片进行实例分割，统计实例内像素的个数来得到细胞的大小，但是由于细胞在胚胎内的生长空间有限，经过分裂之后会产生堆叠。因此，如何直接利用深度模型强大的拟合能力去快捷有效地解决细胞均衡度问题，目前如何针对细胞均衡度问题，形成一套适用
技术实现思路
1、本专利技术提出了一种基于双重边缘检测的细胞分裂均衡度检测方法，以解决现有技术仅采用边缘轮廓难以提取单个细胞完整特征，切对于细胞重叠无法有效识别的技术问题。
2、为解决上述技术问题，本专利技术提供了一种基于双重边缘检测的细胞分裂均衡度检测方法，包括以下步骤：
3、步骤s1：提取胚胎roi区域的原图特征、梯度边缘特征和深度语义边缘特征；
4、步骤s2：将所述原图特征、梯度边缘特征和深度语义边缘特征通过注意力机制进行融合，得到全局特征；
5、步骤s3：基于所述全局特征提取所有单个细胞所在区域的细胞特征；
6、步骤s4：将所述全局特征和细胞特征沿特征维度拼接融合后输入分类网络，得到细胞均衡置信度，当置信度大于设定阈值时细胞为均衡细胞。
7、优选地，所述胚胎roi区域和单个细胞区域通过目标检测网络进行提取
8、优选地，所述目标检测网络进行提取的方法包括：
9、步骤s111：通过特征提取网络进行特征提取；
10、步骤s112：通过区域提取网络判断设定的区域是否和细胞组织吻合，并对预设区域回归出一个偏移值来获得精确位置；
11、步骤s113：通过区域池化网络收集特征提取网络输出的全局特征和区域提取网络输出的区域信息；
12、步骤s114：将区域池化网络输出的特征进行回归调整和约束，得到目标。
13、优选地，所述特征提取网络采用resnet作为主干网络。
14、优选地，所述resnet网络通过3×3的卷积层和池化层对输入图像进行特征提取，并通过残差连接层提取语义信息。
15、优选地，所述梯度边缘特征采用边缘检测算子canny进行提取。
16、优选地，所述深度语义边缘特征采用边缘检测模型hed进行提取。
17、优选地，所述全局特征f通过以下公式进行融合：
18、；；
19、；
20、；
21、式中，q表示查询向量，k表示键向量，v表示值向量，表示原图坐标为x和y的特征，表示对应原图位置x和y的梯度边缘特征，表示对应原图位置x和y的深度语义边缘特征，表示与对应边缘检测图的特征进行注意力操作，分别表示的网络权重，表示平衡超参数，
22、优选地，步骤s3包括以下步骤：提取所述全局特征内单个细胞所在区域的位置信息和偏移信息，将区域的图像输入到特征提取器中，提取得到kc维的细胞特征，k表示提取到的细胞区域数目。
23、优选地，步骤s4中将全局特征和细胞特征进行融合的方法包括：将全局特征进行降采样的得到降采样全局特征，其中是经过降采样之后特征图的宽度，是经过降采样之后特征图的高度，c表示通道数；将降采样全局特征展开经过分组池化之后得到特征向量，m表示池化后的特征维度；将全局特征和细胞特征进行展开并沿着特征维度进行拼接得到融合特征。
24、本专利技术的有益效果至少包括：
25、1）本专利技术通过提取了图像中细胞的高层次语义特征，取代了传统方法繁复的流程，通过提取边缘特征能够有效的解决细胞内语义空洞的问题，通过边缘信息判断细胞均衡度；
26、2）本专利技术通过融合高层次的语义特征和梯度边缘特征，有效的将两种边缘特征在原图特征中进行表示，排除其他无效信息的干扰，实现对胚胎内细胞大小的准确评估；
27、3）本专利技术通过提取所有单个细胞所在区域的细胞特征，用目标区域代替传统的细胞目标检测；并通过将区域框的细胞特征和融合边缘信息后的全局特征进行融合，使得最后获取的特征即包括边缘信息、原图信息和目标区域信息，解决的细胞重叠而导致的细胞检测不准确的问题，提高了最后均衡度检测的有效性。
本文档来自技高网...【技术保护点】
1.一种基于双重边缘检测的细胞分裂均衡度检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于双重边缘检测的细胞分裂均衡度检测方法，其特征在于：所述胚胎ROI区域和单个细胞区域通过目标检测网络进行提取。
3.根据权利要求2所述的一种基于双重边缘检测的细胞分裂均衡度检测方法，其特征在于：所述目标检测网络进行提取的方法包括：
4.根据权利要求3所述的一种基于双重边缘检测的细胞分裂均衡度检测方法，其特征在于：所述特征提取网络采用ResNet作为主干网络。
5.根据权利要求4所述的一种基于双重边缘检测的细胞分裂均衡度检测方法，其特征在于：所述ResNet网络通过3×3的卷积层和池化层对输入图像进行特征提取，并通过残差连接层提取语义信息。
6.根据权利要求1所述的一种基于双重边缘检测的细胞分裂均衡度检测方法，其特征在于：所述梯度边缘特征采用边缘检测算子canny进行提取。
7.根据权利要求6所述的一种基于双重边缘检测的细胞分裂均衡度检测方法，其特征在于：所述深度语义边缘特征采用边缘检测模型HED进行提取
8.根据权利要求7所述的一种基于双重边缘检测的细胞分裂均衡度检测方法，其特征在于：所述全局特征f通过以下公式进行融合：
9.根据权利要求1所述的一种基于双重边缘检测的细胞分裂均衡度检测方法，其特征在于：步骤S3包括以下步骤：提取所述全局特征内单个细胞所在区域的位置信息和偏移信息，将区域的图像输入到特征提取器中，提取得到Kc维的细胞特征，K表示提取到的细胞区域数目。
10.根据权利要求1所述的一种基于双重边缘检测的细胞分裂均衡度检测方法，其特征在于：步骤S4中将全局特征和细胞特征进行融合的方法包括：将全局特征进行降采样的得到降采样全局特征，其中是经过降采样之后特征图的宽度，是经过降采样之后特征图的高度，c表示通道数；将降采样全局特征展开经过分组池化之后得到特征向量，M表示池化后的特征维度；将全局特征和细胞特征进行展开并沿着特征维度进行拼接得到融合特征。
...【技术特征摘要】
1.一种基于双重边缘检测的细胞分裂均衡度检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于双重边缘检测的细胞分裂均衡度检测方法，其特征在于：所述胚胎roi区域和单个细胞区域通过目标检测网络进行提取。
3.根据权利要求2所述的一种基于双重边缘检测的细胞分裂均衡度检测方法，其特征在于：所述目标检测网络进行提取的方法包括：
4.根据权利要求3所述的一种基于双重边缘检测的细胞分裂均衡度检测方法，其特征在于：所述特征提取网络采用resnet作为主干网络。
5.根据权利要求4所述的一种基于双重边缘检测的细胞分裂均衡度检测方法，其特征在于：所述resnet网络通过3×3的卷积层和池化层对输入图像进行特征提取，并通过残差连接层提取语义信息。
6.根据权利要求1所述的一种基于双重边缘检测的细胞分裂均衡度检测方法，其特征在于：所述梯度边缘特征采用边缘检测算子canny进行提取。
7.根据权利要求6所述的一种基于双重...
【专利技术属性】
技术研发人员：谭威，周龙阳，陈长胜，云新，彭松林，熊祥，
申请(专利权)人：武汉互创联合科技有限公司，
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。