[发明专利]一种细胞自动检测方法

说明书

本发明公开了一种细胞自动检测方法，其包括步骤：1)搭建检测细胞的深度卷积神经网络，2)训练所搭建的深度卷积神经网络；3)将待检测的细胞图像数据输入训练好的深度卷积神经网络，深度卷积神经网络输出检测结果；所述深度卷积神经网络包括一个用于提取特征图像的SD‑DenseNet模块、一个用于产生初步的目标建议的Region Proposal Net、三个用于解决池化操作中造成的不匹配问题的RoI Align模块和三个用于对细胞进行分类、定位及细胞分割的检测器。本发明所搭建的深度卷积神经网络能够高效、准确的实现细胞的分类、定位与分割等细胞检测任务。

技术领域

本发明涉及细胞分类，细胞分割及卷积神经网络技术领域，特别涉及一种细胞自动检测方法。

背景技术

细胞的形态学特征包括形状、颜色、尺寸，等等；要自动得到细胞的这些特征需要对细胞进行分类、定位和分割等，即实例分割，在宫颈细胞学中又称细胞分割。传统的细胞分割方法通常采用了图像分割的一般算法，包括基于阈值的方法、基于聚类的方法、基于轮廓的方法，传统的机器学习方法，等等。对于一些形态学特征复杂的细胞，如宫颈细胞等，传统的细胞分割方法往往无法满足细胞检测的需求。

现有技术中，基于区域深度卷积神经网络(Region-based Deep ConvolutionalNeural Networks，R-DCNN)，包括Faster R-CNN、Mask R-CNN、HyperNet、Cascade R-CNN等，可对目标实现像素级别的识别，具有非常优异的性能，常被用于目标检测。这类网络先得到候选区域(region proposal)，再对候选区域进行分类和边框(bounding box)回归，不仅能实现图像的内容识别与分类，还能更精确地解决待检目标的定位问题，实现多个目标的像素级别识别和分割。由于R-DCNN具有以上优异的性能，已被用于人脸、行人等目标检测。由于基于区域的深度卷积神经网络最初是针对自然场景下的图像目标检测设计的，将其用于细胞自动检测，则需要对网络进行重构与优化，以提升其在细胞自动检测上的性能。

发明内容

有鉴于此，本发明的目的是一种细胞自动检测方法，以解决对细胞的复杂形态学特征进行自动检测的技术问题。

本发明细胞自动检测方法，包括以下步骤：

1)搭建检测细胞的深度卷积神经网络，

2)训练所搭建的深度卷积神经网络；

3)将待检测的细胞图像数据输入训练好的深度卷积神经网络，深度卷积神经网络输出检测结果；

所述深度卷积神经网络包括一个用于提取特征图像的SD-DenseNet模块、一个用于产生初步的目标建议的Region Proposal Net、三个用于解决池化操作中造成的不匹配问题的RoI Align模块和三个用于对细胞进行分类、定位及细胞分割的检测器；

所述SD-DenseNet模块由依次连接的可变卷积网络、第一挤压激励网络、第一密集模块、第二挤压激励网络、第一过渡层、第二密集模块、第三挤压激励网络、第二过渡层、第三密集模块、第四挤压激励网络、第三过渡层、第四密集模块和第五挤压激励网络组成；

被检测的细胞图像数据输入SD-DenseNet模块的可变卷积网络，SD-DenseNet模块的第五挤压激励网络输出特征图，第五挤压激励网络输出的特征图输入区域建议网络，区域建议网络的输出再和第五挤压激励网络输出特征图一起输入第一个RoI Align模块，第一个RoI Align模块的输出输入第一个检测器，第一个检测器的边框回归结果输入第二个RoI Align模块，第二个RoI Align模块的输出输入第二个检测器，第二个检测器的边框回归结果输入第三个RoI Align模块，第三个RoI Align模块的输出输入第三个检测器，第三个检测器输出细胞检测结果。

进一步，在步骤2)中采用先后经过数据增强处理和样本数据均衡后的Herlev数据集对所搭建的深度卷积神经网络进行训练；