基于超图计算的YOLOv8多形态隐球菌检测与计数方法及其系统技术方案

本发明专利技术公开了基于超图计算的YOLOv8多形态隐球菌检测与计数方法及其系统，方法使用一基于超图计算的YOLOv8模型进行多形态隐球菌检测与计数，包括：获取待检测与计数的隐球菌图像；CSPDarknet骨干网络对多形态隐球菌图像进行特征提取；基于超图计算的颈部网络对不同形态特征隐球菌进行自适应检测，并引入注意力机制来增强模型对目标的感知能力；头部网络生成密度估计图；自适应密度融合网络聚合粗粒度隐球菌密度信息；基于分布式监督的损失函数优化密度估计；输出检测及计数结果。本发明专利技术通过超图计算实现对不同形态特征隐球菌的自适应检测，并通过对密度图估计图的计数实现隐球菌自动化计数，针对隐球菌图像所呈现的形态差异显著与密集小目标特征计数准确率高。

【技术实现步骤摘要】

本专利技术涉及人工智能与医学图像检测，更具体地，涉及一种基于超图计算的yolov8多形态隐球菌检测与计数方法及其系统。

技术介绍

1、隐球菌感染可导致隐球菌性脑膜炎与肺隐球菌病等疾病。近年来，这类疾病的患病率大幅增长，且这类疾病呈现的非典型症状使得主观误诊率及治疗延误率均极高，导致治愈率只有40%。为此，如何准确且及时地诊断隐球菌感染是目前临床上的迫切任务。

2、目前，可通过识别患者脑脊液中隐球菌含量来确定患者是否患有隐球菌病以及确定患者患病严重性，为后续治疗提供及时有效的诊断方案。然而，临床上采用的人工镜检法对隐球菌进行检测与计数的手段效率较低，且由于隐球菌形态差异显著以及存在大量密集小目标等情况导致误检率极高，使得现有针对隐球菌的检测与计数手段无法满足临床医学需求。

3、近年来，医学人工智能领域在显微图像分析方面取得突破性进展，特别是基于特征工程的深度学习方法在血细胞分类、病理切片分析等任务中展现出优越性能。但隐球菌的检测与计数面临特殊挑战：

4、1）由于医学专家标记的需求以及医学成像所需耗费的巨大成本和人力等原因，本文档来自技高网...

【技术保护点】

1.一种基于超图计算的YOLOv8多形态隐球菌检测与计数方法，其特征在于，使用一基于超图计算的YOLOv8模型进行多形态隐球菌检测与计数，针对多形态隐球菌图像的特点，在模型训练之前，通过离线数据增强来生成永久性扩增数据，并加入负样本数据集以形成总数据集，在模型训练过程中，通过在线数据增强来生成随机扩增数据；基于在线数据增强后的数据集，构建包含输入模块、CSPDarknet骨干网络、基于超图计算的颈部网络、头部网络、自适应密度融合网络和输出模块的YOLOv8模型，其中，所述基于超图计算的颈部网络由语义收集单元、超图计算单元、语义散射单元和注意力增强的自底向上单元四个单元构成；所述基于超图计...

【技术特征摘要】

1.一种基于超图计算的yolov8多形态隐球菌检测与计数方法，其特征在于，使用一基于超图计算的yolov8模型进行多形态隐球菌检测与计数，针对多形态隐球菌图像的特点，在模型训练之前，通过离线数据增强来生成永久性扩增数据，并加入负样本数据集以形成总数据集，在模型训练过程中，通过在线数据增强来生成随机扩增数据；基于在线数据增强后的数据集，构建包含输入模块、cspdarknet骨干网络、基于超图计算的颈部网络、头部网络、自适应密度融合网络和输出模块的yolov8模型，其中，所述基于超图计算的颈部网络由语义收集单元、超图计算单元、语义散射单元和注意力增强的自底向上单元四个单元构成；所述基于超图计算的yolov8多形态隐球菌检测与计数方法，包括：

2.如权利要求1所述的方法，其特征在于，通过离线、在线两种数据增强方式来扩增隐球菌数据集的步骤，具体包括：

3.如权利要求1所述的方法，其特征在于，所述cspdarknet骨干网络由5个块以自下而上方式堆叠而成，其中，第1个块由一个cbs单元构成；第2、3、4个块结构相同，均由一个cbs单元和一个c2f单元构成；第5个块则由一个cbs单元、一个c2f单元和一个sppf单元构成；cbs单元由一个核大小为3、步长为2、填充为1的卷积层，一个批量归一化层和一个silu激活函数层组成；c2f单元由两个1×1的卷积块、一个concat拼接层和多个bottleneck单元组成；所述sppf单元由两个1×1的卷积块，三个核大小为5、步长为1、填充为2的最大池化层...

【专利技术属性】
技术研发人员：罗怡雯，陈艳慧，杨赞，刘建胜，陶洪康，李志兴，熊立松，柯星，熊君星，
申请(专利权)人：南昌大学，
类型：发明
国别省市：