[发明专利]基于深度学习和图像处理算法的微核组学图像检测方法

权利要求书

1.一种基于深度学习和图像处理算法的微核组学图像检测方法，其特征在于，包括：

将预处理后的真阳性微核组学图像输入微核组学检测模型进行训练，并分别获取训练好的所述真阳性微核组学图像各指标的模型参数，所述微核组学检测模型采用深度学习技术拟合微核组学各指标的位置；

将预处理后的待测微核组学图像输入训练好的所述微核组学检测模型，得到输出图像；

采用图像处理算法比较所述输出图像的微核区域面积和所述真阳性微核组学图像的微核区域面积，并剔除不符合预定面积关系的假阳性微核样本；

统计筛选后的微核组学各指标数据并形成可视化分析报告；所述真阳性微核组学图像各指标包括：微核MNi、核质桥NPBs、核芽突NBUD、正常双核细胞BN；

所述微核组学检测模型包括：采用深度卷积神经网络模型和一阶段目标检测模型，并添加SeLayer注意力机制；

该微核组学检测模型共有输入端、Backbone骨干网络模块，Neck路径聚合网络模块，Head检测模块四个部分；Backbone骨干网络模块是在不同图像细粒度上聚合并形成图像特征的卷积神经网络；Neck是一系列混合图像特征的网络层，其将图像特征传递到Head图像预测层；Head预测层对图像进行预测，生成边界框和预测类别；每个部分由不同的模块构成；Backbone骨干网络层用来提取输入端获取的图像特征；Backbone骨干网络层包括Focus模块，第一卷积层，CSP模块，第二卷积层，CSP模块，第三卷积层，CSP模块，第一SELayer注意力模块，第四卷积层，SPP模块，CSP模块，第二SELayer注意力模块；Focus模块在backbone骨干网络的第一层，其从输入端获取图像，对图像进行切片操作，其对一张图像中的像素进行邻近下采样，从而产生四张图像，输入通道扩充4倍，即拼接起来的图像相对于原先的RGB三通道模式变成了12个通道，最后将得到的新图像再经过3*3卷积模块进行特征提取，最终得到了没有信息丢失情况下的二倍下采样特征图，其使用目的是提取到更充分的特征；各卷积层由Conv_BN_Leakyrelu结构组成，Conv_BN_Leakyrelu结构由卷积、批标准化和Leakyrelu激活函数组成；CSP模块源自CSPNet跨阶段局部网络，其通过将梯度的变化从头到尾集成到特征图中，目的是在减少计算量，保持轻量化的同时，增强CNN卷积神经网络的学习能力；SELayer注意力模块源于SENet，其目的是增强CNN卷积神经网络对图像多个通道之间的学习，可以更好的利用图像通道之间的关系，学习更充分的特征，提升检测的准确性；Neck组件使用了FPN模块，同时使用了不同于骨干网路的另一种CSP模块，其加强了网络特征融合能力；Neck是目标检测框架中承上启下的关键环节，网络的输出检测层进行目标类别的分类与位置的回归，检测层中三个不同尺度的特征层在提取深层特征信息的同时也可避免浅层特征信息的遗失；网络的输出层输出检测目标的预测框位置偏移量、预测框宽高、目标类别及置信度，采用GIoU损失来计算损失函数；损失函数是一种用来估算预测值和实际值不一样程度的函数，它是一种非负值函数，当损失函数的值越小时，说明鲁棒性越好，系统越稳定；GIoU损失函数的计算公式为：GIoU作为YOLOv5检测网络的损失函数，可以衡量预测框与真实框的重叠面积、中心点距离和长宽比的相似度；A表示预测框，B表示真实框，A^c表示包含A，B的最小矩形框面积，u表示A与B并集的面积；本模型使用SGDm动量随机梯度下降优化函数；

采用图像处理算法比较所述输出图像的微核区域面积和所述真阳性微核组学图像的微核区域面积包括：采用图像处理算法分别对所述输出图像和所述真阳性微核组学图像计算区域内主核面积和微核面积进行分割计算，并分别对所述主核面积和所述微核面积进行比较。

2.如权利要求1所述的基于深度学习和图像处理算法的微核组学图像检测方法，其特征在于，所述预处理包括：将所述真阳性微核组学图像中的微核MNi、核质桥NPBs、核芽突NBUD、正常双核细胞BN的位置进行标注，并分别对所述真阳性微核组学图像执行图像切块和数据增强操作。

3.如权利要求2所述的基于深度学习和图像处理算法的微核组学图像检测方法，其特征在于，所述标注的方法包括：将所述真阳性微核组学图像中的微核MNi、核质桥NPBs、核芽突NBUD、正常双核细胞BN利用人工分别进行不同色彩的标注。