[发明专利]一种基于卷积神经网络的细胞低分辨率图像融合方法

说明书

本发明公开了一种基于卷积神经网络的细胞低分辨率图像融合方法，包括以下步骤：步骤1)采集并分割得到目标细胞高分辨率图像；步骤2)提取卷积神经网络训练集label标签和测试集的label标签；步骤3)得到目标细胞低分辨率图像；步骤4)选取训练集、测试集和验证集；步骤5)搭建CFFnet卷积神经网络，对训练集中的数据进行训练和测试直到CFFnet卷积神经网络达到收敛，收敛的CFFnet卷积神经网络即为细胞融合模型，CFFnet卷积神经网络的输出层输出融合图像，细胞低分辨率图像融合完成。本发明使同类细胞共同的的直观形貌及结构特征能够得到融合并反应；可以实现细胞病变的检测，为疾病自动诊断提供依据。

技术领域

本发明属于无透镜细胞检测技术与医学图像处理相结合领域，具体涉及一种基于卷积神经网络的细胞低分辨率图像融合方法。

背景技术

细胞计数对疾病的诊断及疗效评估都有重要意义，在未来面向个人化的生物医疗诊断中，细胞的实时检测有着重要需求。传统的细胞检测及计数方法是将测试样品制备在载片上，通过显微镜观测，人工进行分析及计数，这种方法存在设备体积大、对操作人员专业知识要求高、检查结果因人而异等许多问题，难以在边远诊所、远程医疗等场合应用。2006年，受人类眼睛飞蚊现象的启发，美国加州理工大学的Yang Changhuei研究小组首先提出了基于CMOS图像传感器及微流控技术的无透镜光流体显微芯片的概念，当人眼玻璃体中的悬浮物靠近眼底时，虽然悬浮物很小，但人眼依然可以分辨出其细节特征。

受到Yang Changhuei等人的启发，课题研究组对无透镜细胞采集系统做了大量的研究。在研究过程中，由于采集的细胞图像是通过把细胞直接放置在图像传感器上方的方法进行成像，没有经过凸透镜的放大，细胞图像分辨率会受到图像传感器像素尺寸的影响，最后所采集的细胞图像与光学显微镜相比为低分辨率图像，所包含的细胞特征信息量少。针对这一问题，采用插值预放大算法，增强细胞的细节信息显得很有必要。但对于一个细胞进行插值预放大，得到的只是一个细胞的信息，要将细胞都跟踪放大，运算量大，较难实时完成。因此，对同类相似细胞群进行特征融合得到“虚拟细胞”，即可解决此问题。这个“虚拟细胞”并不是传统意义上的细胞，而是同类细胞统计的结果，它包含了该类细胞的总体形状、细胞平均大小、细胞核质比等细胞的统计信息。

发明内容

本发明的目的是提供一种基于卷积神经网络的细胞低分辨率图像融合方法，使同类细胞共同的直观形貌及结构特征能够得到融合并反应。

本发明所采用的技术方案是，一种基于卷积神经网络的细胞低分辨率图像融合方法，包括以下步骤：

步骤1)通过光学显微镜采集细胞的高分辨率图像，运用图像分割算法分割细胞的高分辨率图像得到目标细胞高分辨率图像；

步骤2)在目标细胞高分辨率图像中随机选择两幅，提取该两幅目标细胞高分辨率图像亮度通道上的图像分别作为卷积神经网络训练集label标签和测试集的label标签；

步骤3)将步骤2中剩余的目标细胞高分辨率图像运用Bicubic算法进行下采样，得到目标细胞低分辨率图像；

步骤4)在目标细胞低分辨率图像中，选取3/5的目标细胞低分辨率图像作为卷积神经网络训练数据，提取所有训练数据亮度通道上的图像组成训练集，1/5的目标细胞低分辨率图像作为卷积神经网络测试数据，提取所有测试数据亮度通道上的图像组成测试集，1/5的目标细胞低分辨率图像作为卷积神经网络模型验证数据，提取所有验证数据亮度通道上的图像组成验证集；

步骤5)在深度学习框架caffe上搭建CFFnet卷积神经网络，CFFnet卷积神经网络包括数据输入层、卷积层、反卷积层和输出层，设置训练参数，数据输入层包括训练集的label标签、测试集的label标签、训练集和测试集， CFFnet卷积神经网络对训练集中的数据进行训练和测试，训练的过程中通过不断迭代直到CFFnet卷积神经网络达到收敛，收敛的CFFnet卷积神经网络即为细胞融合模型，CFFnet卷积神经网络的输出层输出融合图像，细胞低分辨率图像融合完成。