一种细胞检测方法与流程
本发明涉及一种细胞检测方法，具体涉及一种采用多任务驱动深度检测锚网络的细胞检测方法。
背景技术：
现有细胞检测的方法包括基于先验知识的方法和基于监督学习的方法。
基于先验知识的方法包括霍夫变换、高斯滤波拉普拉斯，基于径向对称的投票算法等，主要是设计者根据任务的理解和设计的，可能会受到研究人员主观偏好的影响。
基于监督学习的方法包括向量机、随机森林、卷积神经网络等.
上述两种方法均存在结果准确度低，计算速度慢，计算资源消耗大,损失曲线波动较大损失较高的缺陷。
技术实现要素：
为了解决上述问题，本发明提供一种细胞检测方法，包括以下步骤，
s1：统计样本数据深层特征并生成深度检测锚网络；
s2：对深度检测锚网络进行训练；
s3：采用完成训练的深度检测锚网络检测待检测数据。
进一步的，
所述步骤s1还包括，
对训练样本进行预处理和标定；
对训练样本标定包括标定训练样本坐标和标定训练样本类别并将标定结果存储为xml文件。
进一步的，
所述深度检测锚网络包括深层卷积神经网络、面向任务的锚网络、多任务学习网络；
所述深层卷积神经网络用于提取图像特征；
所述面向任务的锚网络用于在提取出的图像特征中选择感兴趣候选区域；
所述多任务学习网络用于预估细胞的位置和大小和识别检测到的细胞。
进一步的，
所述面向任务的锚网络的样本标签数据中锚的大小为a，锚的长宽比为b，a的取值采用以下公式确定：
min|s1-s2|s.t.pr(s1≤us≤s2)＞＝0.8(1)
其中，us表示标签中锚的面积s的集合的平均值；
公式(1)表示s1，s2为s中的任意取值，且满足在s上置信区间大于或等于0.8，且对于us对称；
公式(2)表示a的取值为满足公式(1)中s1，s2取值范围内的2的倍数的个数和具体值；
b的取值采用以下公式确定：
min|r1-r2|s.t.pr(r1≤ur≤r2)＞＝0.8(3)
其中，ur表示标签中锚的长宽比r的集合的平均值；
公式(3)表示r1，r2为r中任意取值，且满足在r上置信区间大于或等于0.8，且对于ur对称；
公式(4)表示b的取值为满足公式(3)中r1，r2取值范围内1/2的倍数的个数和具体值。
进一步的，
根据a,b的取值来确定深度检测锚网络在每一像素点生成的锚的个数k,其中k＝a*b。
进一步的，
所述多任务学习网络包含分类任务和回归任务，
所述多任务学习网络通过将多重相关任务包含的域信息作为归纳偏差来对网络进行改进和泛化，任务之间共享参数，其损失函数定义如下：
其中，i表示上述锚网络所生成的候选框的序号，ci表示细胞属于某个类别的概率，
当预测标签与地面实况标签相同时，li＝1。
进一步的，
若样本数据数量低于预设阀值则在训练过程中采用迁移学习策略并选择已完成训练的模型根据样本数据进行微调。
进一步的，
所述步骤s3包括，
s31：采用完成训练的深度检测锚网络在待测数据图像中检测目标，生成坐标；
s32：采用深度检测锚网络预估目标所属类别标签；
s33：将待检测数据放入完成训练的的深度检测锚网络中进行测试并生成统计信息，所述统计信息包括精确率和灵敏性。
本发明的有益效果是：
本发明所提供的细胞检测方法相较于目前的细胞检测方法具有更好的检测精度和检测速度，实现了检测速度和计算资源消耗的平衡，损失曲线波动较小，损失较小。
附图说明
图1为本发明一实施例流程图。
图2为本发明一实施例流程图。
图3为本发明一实施例像素点生成候选区域示意图。
图4为本发明一实施例三种细胞检测网络损失曲线对比示意图。
具体实施方式
如图2所示，本发明的发明思路之一是，先通过一个深层卷积神经网络来提取图像特征；然后通过面向任务的锚网络在提取出的图像特征中选择感兴趣候选区域；最后通过多任务学习网络从生成的锚中提取深层特征，最终细化所提出的的锚点并估计细胞的准确位置以及其对应的类别标签。
如图1所示本发明提供一种细胞检测方法，包括以下步骤，
s1：统计样本数据深层特征并生成深度检测锚网络；
s2：对深度检测锚网络进行训练；
s3：采用完成训练的深度检测锚网络检测待检测数据。
所述步骤s1还包括，对训练样本进行预处理和标定；
对训练样本标定包括标定训练样本坐标和标定训练样本类别并将标定结果存储为xml文件。
对训练样本的标定由人工进行。
所述深度检测锚网络包括深层卷积神经网络、面向任务的锚网络、多任务学习网络；
所述深层卷积神经网络用于提取图像特征；
在本发明一实施例中深层卷积神经网络我们采用vgg16网络，并且使用迁移学习的概念，在vgg16已经在imagenet训练好的模型上进行微调，提取图片特征。
vgg16具有较好的计算性能和计算速度可以提高本发明方法的计算性能和计算速度。
在本发明一实施例中如图3所示，深层卷积神经网络使用一个卷积核为n*n的网络对上一步生成的特征图像进行滤波，并且在每一个像素点上生成候选区域。
所述面向任务的锚网络用于在提取出的图像特征中选择感兴趣候选区域；
所述多任务学习网络用于预估细胞的位置和大小和识别检测到的细胞。
所述面向任务的锚网络的样本标签数据中锚的大小为a，锚的长宽比为b，a的取值采用以下公式确定：
min|s1-s2|s.t.pr(s1≤us≤s2)＞＝0.8(1)
其中，us表示标签中锚的面积s的集合的平均值；
公式(1)表示s1，s2为s中的任意取值，且满足在s上置信区间大于或等于0.8，且对于us对称；
公式(2)表示a的取值为满足公式(1)中s1，s2取值范围内的2的倍数的个数和具体值；
b的取值采用以下公式确定：
min|r1-r2|s.t.pr(r1≤ur≤r2)＞＝0.8(3)
其中，ur表示标签中锚的长宽比r的集合的平均值；
公式(3)表示r1，r2为r中任意取值，且满足在r上置信区间大于或等于0.8，且对于ur对称；
公式(4)表示b的取值为满足公式(3)中r1，r2取值范围内1/2的倍数的个数和具体值。
进一步的，
根据a,b的取值来确定深度检测锚网络在每一像素点生成的锚的个数k,其中k＝a*b。
所述多任务学习网络包含分类任务和回归任务，
在本发明一实施例中深度检测锚网络包括多任务学习网络，多少任务学习网络主要实现两个功能：1)预估细胞的位置和大小，这是一个回归问题；2)识别检测到的细胞，这是一个分类问题。所述多任务学习网络通过将多重相关任务包含的域信息作为归纳偏差来对网络进行改进和泛化，任务之间共享参数，其损失函数定义如下：
其中，i表示上述锚网络所生成的候选框的序号，ci表示细胞属于某个类别的概率，
当预测标签与地面实况标签相同时，li＝1。
若样本数据数量低于预设阀值则在训练过程中采用迁移学习策略并选择已完成训练的模型根据样本数据进行微调。
所述步骤s3包括，
s31：采用完成训练的深度检测锚网络在待测数据图像中检测目标，生成坐标；
s32：采用深度检测锚网络预估目标所属类别标签；
s33：将待检测数据放入完成训练的的深度检测锚网络中进行测试并生成统计信息，所述统计信息包括精确率和灵敏性。
实施例1
在本实施例中将原始细胞图片裁剪成2048*2048，并将由专家对特定细胞进行标定，标出特定类型及细胞位置，存储为xml文件，将标定了的特定细胞图片集作为训练集对图片进行训练样本；
2、对训练样本中的特定细胞的面积、长宽比和每张存在的特定细胞数量进行统计和分析，选择最适合的网络参数，这里主要包括anchor_size参数和anchor_scalse参数；
3、设置好网络参数使用训练样本对算法进行训练，图片在进入算法之前统一被缩放为600*800，并保存好训练模型和训练中的参数，包含loss参数,accurate参数等；
4、将待检测的细胞图片(以裁剪为2048*2048)放入训练好的模型中进行测试，最终标出特定细胞。
实施例2
在本实施例中我们选择图片的分辨率为2048*2048，在一共73个图片中人工标定出98个特定细胞，并选择58个图片(58个图片中有78个人工标定的特定细胞)对神经网络进行训练，并用剩余的15个图片(15图片中有20个人工标定特定细胞)进行测试。
在本实施例中分别选择yolo网络，faster网络和本发明所提供的多任务驱动深度检测锚网络来进行训练和测试。最终得到三个网络的损失曲线如图4所示。
从图中可以看出yolo损失曲线波动较大，即使1000次迭代后依然具有较高的损失，本发明提供的多任务驱动深度检测锚网络明显优于yolo网络。
从图中可以看出，由于本发明多任务驱动深度检测锚网络引入锚网络来提取的图像特征中提供感兴趣候选区域，使得本发明的损失曲线在前1000次迭代中明显低于faster网络，即使在1000次迭代以后损失也略微低于faster网络。本发明提供的多任务驱动深度检测锚网络明显优于faster网络。
本实施例中的yolo网络由以下论文公开“j.redmon,s.divvala,r.girshick,etal.youonlylookonce:unified,real-timeobjectdetection.ieeecvpr,779-788,2016”。
本实施例中的faster网络由以下论文公开“s.ren,r.girshick,r.girshick,etal.fasterr-cnn:towardsreal-timeobjectdetectionwithregionproposalnetworks.ieeetpami,39(6):1137-1149,2015”。
在本发明一实施例中，细胞检测方法用于检测检测鳞状上皮细胞，特定细胞指鳞状上皮细胞，检测完成的鳞状上皮细胞用于后续对细胞进行分割和三维重建，以期观察目标解剖学形态和特征。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
- 还没有人留言评论。精彩留言会获得点赞！