CN113570576B - 一种通过血小板计数方法评估肝硬化指数检测的方法 - Google Patents
一种通过血小板计数方法评估肝硬化指数检测的方法 Download PDFInfo
- Publication number
- CN113570576B CN113570576B CN202110859107.1A CN202110859107A CN113570576B CN 113570576 B CN113570576 B CN 113570576B CN 202110859107 A CN202110859107 A CN 202110859107A CN 113570576 B CN113570576 B CN 113570576B
- Authority
- CN
- China
- Prior art keywords
- network
- prediction
- frame
- liver cirrhosis
- yolo
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 208000019425 cirrhosis of liver Diseases 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 35
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 210000000601 blood cell Anatomy 0.000 claims description 20
- 210000004027 cell Anatomy 0.000 claims description 19
- 230000005764 inhibitory process Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003556 assay Methods 0.000 claims 5
- 230000008034 disappearance Effects 0.000 abstract description 5
- 210000004369 blood Anatomy 0.000 abstract description 4
- 239000008280 blood Substances 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 4
- 238000011897 real-time detection Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 4
- 239000002699 waste material Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000019423 liver disease Diseases 0.000 description 2
- MXBCYQUALCBQIJ-RYVPXURESA-N (8s,9s,10r,13s,14s,17r)-13-ethyl-17-ethynyl-11-methylidene-1,2,3,6,7,8,9,10,12,14,15,16-dodecahydrocyclopenta[a]phenanthren-17-ol;(8r,9s,13s,14s,17r)-17-ethynyl-13-methyl-7,8,9,11,12,14,15,16-octahydro-6h-cyclopenta[a]phenanthrene-3,17-diol Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1.C1CC[C@@H]2[C@H]3C(=C)C[C@](CC)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 MXBCYQUALCBQIJ-RYVPXURESA-N 0.000 description 1
- 208000007848 Alcoholism Diseases 0.000 description 1
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 1
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 201000007930 alcohol dependence Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 238000001784 detoxification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000011132 hemopoiesis Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000030212 nutrition disease Diseases 0.000 description 1
- 208000019180 nutritional disease Diseases 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开一种通过血小板计数方法评估肝硬化指数检测的方法，步骤一、yolo_v3网络结构建立，步骤二、训练网络模型，步骤三、网络预测输出，步骤四、实验结果分析；本发明使用yolo_v3网络结构可对血液中三种不同尺寸的细胞的分类，且使用的主干网络darknet_53的优越的特征提取能力，深度网络中引入残差块使得算法更准确的检测且不会因为深度太大导致梯度消失，同时避免了人工计数减少人力、物力资源浪费，做到实时性检测目标，回归位置并计数，为临床研究，以及肝硬化检测提升效率节约时间。
Description
技术领域
本发明涉及医学诊断技术领域，尤其涉及一种通过血小板计数方法评估肝硬化指数检测的方法。
背景技术
肝脏是身体内以代谢功能为主的一个器官，还有解毒、造血和凝血作用。而酒精中毒、营养障碍、或病毒等原因易使人患上各种肝病，肝病早期症状不明显，随着病情的发展，会影响多个组织***甚至肝硬化。肝硬化检测模型都是复杂的，实时性效果不理想，可能会错过病患病情的治疗的最佳时机，因此用来检测肝硬化的单独的公式应运而生，即APRI指数：(AST(谷草转氨酶)与血小板的比率，该指数可以高效准确地识别患有肝硬化的患者，关注血小板数量对肝硬化检测和预后有着很重要的意义；
现有的血小板计数算法对于图像的分辨率较敏感，同时对光照、散射的干扰的影响较大，需要人工处理的步骤多，会受各种因素影响判断，且以mask-rcnn基础的特征提取网络，很容易产生梯度消失和梯度弥散的问题、目标分类损失较小，主要位置损失较大，因此，本发明提出一种通过血小板计数方法评估肝硬化指数检测的方法以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明的目的在于提出一种通过血小板计数方法评估肝硬化指数检测的方法，该通过血小板计数方法评估肝硬化指数检测的方法使用yolo_v3网络结构可对血液中三种不同尺寸的细胞的分类，且使用的主干网络darknet_53的优越的特征提取能力，深度网络中引入残差块使得算法更准确的检测且不会因为深度太大导致梯度消失，同时避免了人工计数减少人力、物力资源浪费，做到实时性检测目标，回归位置并计数，为临床研究，以及肝硬化检测提升效率节约时间。
为实现本发明的目的，本发明通过以下技术方案实现：一种通过血小板计数方法评估肝硬化指数检测的方法，包括以下步骤：
步骤一、yolo_v3网络结构建立，建立由主干网络Darknet_53和特征预测Yolo_head组成的yolo_v3网络；
步骤二、训练网络模型，利用迁移学习的方式使用COCO数据集预训练网络模型，再用血细胞进行小样本训练，得到预测框；
步骤三、网络预测输出，利用网络训练后的参数去运行网络，进行预测输出，将原图输入至网络，由网络中的将原图上的每个细胞的位置、类别和概率进行预测，输出每个细胞的位置类别概率并进行标记；
步骤四、实验结果分析，使用BCCD血细胞数据集加上数据增强的血细胞图片作为训练集和测试集测试网络模型并得出结果。
进一步改进在于：所述步骤一中主干网络Darknet_53为特征提取主干网络，由五个残差块组成，每个残差块分别有1,2,8,8,4个残差单元构成，残差单元即DBL卷积层、批标准化层和带泄露修正线性单元。
进一步改进在于：所述步骤一中特征预测Yolo_head是预测输出网络，主干网络Darknet_53输入三个尺度的特征图后，实现感受野多样化，经过Yolo_head输出为三个尺度的预测。
进一步改进在于：所述三个尺度的预测中每个尺度的特征图的每个网格设置三个先验框，总共有13*13*3+26*26*3+52*52*3＝10647个预测。
进一步改进在于：所述步骤三中的预测过程具体步骤为
1)选择BCCD数据集的血细胞彩色图片输入，做相关处理包括转换成pytorch可以处理的格式BRG，调整成416*416；
2)送入神经网络，获得预测结果，Yolo_head网络把图片分成S*S个网格，然后每个单元格负责预测中心点落在该格子内的目标，每层最终预测值为S*S*3*(4+1+3)大小的张量，其中第一个3是维度数表示每层anchorbox数量，4表示为边界框大小和中心位置的调整参数(x，y，w，h)，1表示为置信度，3表示为细胞类别数；
3)对预测结果解码，将每个网格点加上对应的x_offset和y_offset，得出的结果即预测框的中心，再利用先验框和h、w结合计算出预测框得到整个预测框的位置；
4)最终预测结果的得分排序和非极大抑制筛选，先通过置信度过滤锚框，然后使用非极大抑制去除多个检测框；
5)解码后的输出就是实际检测目标的位置，在原图上将其标记出来。
进一步改进在于：步骤4)中实现非极大抑制的关键是，选择一个最高分数的框，计算它和其他框的重合度，去除重合度超过IOU阈值的框，回到上一步迭代至没有比当前所选框低的框停止迭代。
进一步改进在于：所述步骤二中训练模型得到的预测框分为正例、负例和忽略样例三种情况，正例是任取一个ground truth，与网络模型输出的所有预测框全部计算IOU阈值，IOU阈值最大的预测框即为正例，正例产生置信度损失、检测框损失和类别损失；负例是将正例除外之后与全部ground truth的IOU阈值都小于设定阈值即为负例，负例只有置信度损失；忽略样例是正例除外，与任意一个ground truth的IOU阈值大于设定阈值即为忽略样例，忽略样例不产生损失。
进一步改进在于：所述步骤二中训练选择的学习衰减策略为固定步长衰减，固定步长衰减在训练初期学习率大，使网络模型收敛迅速，训练后期学习率小，使网络模型更好的收敛到最优解。
本发明的有益效果为：本发明使用yolo_v3网络结构可对血液中三种不同尺寸的细胞的分类，且使用的主干网络darknet_53的优越的特征提取能力，深度网络中引入残差块使得算法更准确的检测且不会因为深度太大导致梯度消失，同时避免了人工计数减少人力、物力资源浪费，做到实时性检测目标，回归位置并计数，为临床研究，以及肝硬化检测提升效率节约时间。
附图说明
图1为本发明流程图。
图2为本发明实施例2yolo_v3网络结构实现架构图。
图3为本发明Darknet_53结构图。
图4为本发明残差块结构图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
实施例1
根据图1、2、3、4所示，本实施例提供了一种通过血小板计数方法评估肝硬化指数检测的方法，包括以下步骤：
步骤一、yolo_v3网络结构建立，建立由主干网络Darknet_53和特征预测Yolo_head组成的yolo_v3网络，主干网络Darknet_53为特征提取主干网络，由五个残差块组成，每个残差块分别有1,2,8,8,4个残差单元构成，残差单元即DBL卷积层、批标准化层和带泄露修正线性单元，特征预测Yolo_head是预测输出网络，主干网络Darknet_53输入三个尺度的特征图后，实现感受野多样化，经过Yolo_head输出为三个尺度的预测，每个尺度的特征图的每个网格设置三个先验框，总共有13*13*3+26*26*3+52*52*3＝10647个预测；
步骤二、训练网络模型，训练选择的学习衰减策略为固定步长衰减，固定步长衰减在训练初期学习率大，使网络模型收敛迅速，训练后期学习率小，使网络模型更好的收敛到最优解，利用迁移学习的方式使用COCO数据集预训练网络模型，再用血细胞进行小样本训练，得到预测框，其中预测框分为正例、负例和忽略样例三种情况：
正例是任取一个ground truth，与网络模型输出的所有预测框全部计算IOU值，IOU值最大的预测框即为正例，正例产生置信度损失、检测框损失和类别损失；
负例是将正例除外之后与全部ground truth的IOU值都小于设定阈值即为负例，负例只有置信度损失；
忽略样例是正例除外，与任意一个ground truth的IOU值大于设定阈值即为忽略样例，忽略样例不产生损失。
步骤三、网络预测输出，利用网络训练后的参数去运行网络，进行预测输出。将原图输入至网络，由网络中的将原图上的每个细胞的位置、类别和概率进行预测，输出每个细胞的位置类别概率并进行标记，预测过程具体为：
1)选择BCCD数据集的血细胞彩色图片输入，做相关处理包括转换成pytorch可以处理的格式BRG，调整成416*416；
2)送入神经网络，获得预测结果，网络吧图片分成S*S个网格，然后每个单元格负责预测中心点落在该格子内的目标，每层最终预测值为S*S*3*(4+1+3)大小的张量，其中第一个3是维度数表示每层anchorbox数量，4表示为边界框大小和中心位置的调整参数(x，y，w，h)，1表示为置信度，3表示为细胞类别数；
3)对预测结果解码，将每个网格点加上对应的x_offset和y_offset，得出的结果即预测框的中心，再利用先验框和h、w结合计算出预测框得到整个预测框的位置；
4)最终预测结果的得分排序和非极大抑制筛选，先通过置信度过滤锚框，然后使用非极大抑制去除多个检测框，其中实现非极大抑制的关键是，选择一个最高分数的框，计算它和其他框的重合度，去除重合度超过IOU阈值的框，回到上一步迭代至没有比当前所选框低的框停止迭代；
5)解码后的输出就是实际检测目标的位置，在原图上将其标记出来；
步骤四、实验结果分析，使用BCCD血细胞数据集加上数据增强的血细胞图片作为训练集和测试集测试网络模型并得出结果。
实施例2
根据图1、2、3、4所示，本实施例提供了一种通过血小板计数方法评估肝硬化指数检测的方法，包括以下步骤：
步骤一、yolo_v3网络结构建立，建立由主干网络Darknet_53和特征预测Yolo_head组成的yolo_v3网络，主干网络Darknet_53为特征提取主干网络，由五个残差块组成，每个残差块分别有1,2,8,8,4个残差单元构成，残差单元即DBL卷积层、批标准化层和带泄露修正线性单元，批标准化层作为正则化的方法、可以加速收敛和避免过拟合，随着网络越来越深，学习特征的难度也就越来越大，残差块的学习过程就从直接学习特征，变成在之前学习的特征的基础上添加某些特征，来获得更好的特征，因此学习的目标就从学习完整的信息，变成学习残差了，这样一来学习优质特征的难度就大大减小了，其中DBL为Darknetconv2D_BN_Leaky的缩写。
特征预测Yolo_head是预测输出网络，主干网络Darknet_53输入三个尺度的特征图后，实现感受野多样化，经过Yolo_head输出为三个尺度的预测，每个尺度的特征图的每个网格设置三个先验框，总共有13*13*3+26*26*3+52*52*3＝10647个预测，每个预测是一个(4+1+3)＝8维向量，这个8维向量包含边框坐标(x,y,w,h)，边框置信度(即该先验框有物体的概率，是一个数值)，对象类别的概率；最小的特征图13*13，有最大的感受野，可以应用较大的三个先验框，(116x90)，(156x198)，(373x326)适合检测较大的对象。26*26的特征图感受野中等，适合检测中等大小的物体，分配给其的先验框为尺寸为(30x61)，(62x45)，(59x119)，而52*52的特征图的先验框为(10x13)，(16x30)，(33x23)，其感受野最小，适合小目标物体检测；
yolo_v3网络结构实现方式为：在Darknet-53得到的特征图的基础上，经过六个DBL结构和最后一层卷积层得到第一个特征映射，在这个特征映射上做第一次预测，Y1支路上，从后向前的倒数第3个卷积层的输出，经过一个DBL结构和一次上采样，将上采样特征与第2个Res8结构输出的卷积特征张量连接，经过六个DBL结构和最后一层卷积层得到第二个特征映射，在这个特征映射上做第二次预测。Y2支路上，从后向前倒数第3个卷积层的输出，经过一个DBL结构和一次上采样，将上采样特征与第1个Res8结构输出的卷积特征张量连接，经过六个DBL结构和最后一层卷积层得到第三个特征图谱，在这个特征映射上做第三次预测。
步骤二、训练网络模型，训练选择的学习衰减策略为固定步长衰减，固定步长衰减在训练初期学习率大，使网络模型收敛迅速，训练后期学习率小，使网络模型更好的收敛到最优解，利用迁移学习的方式使用COCO数据集预训练网络模型，再用血细胞进行小样本训练，得到预测框，其中预测框分为正例、负例和忽略样例三种情况：
正例是任取一个ground truth，与10647个框全部计算IOU值，IOU值最大的预测框即为正例，正例产生置信度损失、检测框损失和类别损失，一个预测框只能分配给一个ground truth；
负例是将正例除外之后与全部ground truth的IOU阈值都小于设定阈值(设定为0.5)即为负例，负例只有置信度损失；
忽略样例是正例除外，与任意一个ground truth的IOU阈值大于设定阈值(设定为0.5)即为忽略样例，忽略样例不产生损失；
在网络最后的输出中，对于每个网格单元对应bounding box的输出有三类参数：一个是对象的box参数，一共是四个值，即box的中心点坐标(x,y)和box的宽和高(w,h)；一个是置信度，这是个区间在[0,1]之间的值；最后一个是一组条件类别概率，都是区间在[0,1]之间的值，代表概率。
步骤三、网络预测输出，利用网络训练后的参数去运行网络，进行预测输出。将原图输入至网络，由网络中的将原图上的每个细胞的位置、类别和概率进行预测，输出每个细胞的位置类别概率并进行标记，预测过程具体为：
1)选择BCCD数据集的血细胞彩色图片输入，做相关处理包括转换成pytorch可以处理的格式BRG，调整成416*416；
2)送入神经网络，获得预测结果，Yolo_head网络把图片分成S*S个网格，然后每个单元格负责预测中心点落在该格子内的目标，每层最终预测值为S*S*3*(4+1+3)大小的张量，其中第一个3是维度数表示每层anchorbox数量，4表示为边界框大小和中心位置的调整参数(x，y，w，h)，1表示为置信度，3表示为细胞类别数；
3)对预测结果解码，将每个网格点加上对应的x_offset和y_offset，得出的结果即预测框的中心，再利用先验框和h、w结合计算出预测框得到整个预测框的位置；
4)对最终预测结果按照得分排序和非极大抑制算法进行筛选，先通过置信度过滤锚框，然后使用非极大抑制去除多个检测框，其中实现非极大抑制的关键是，选择一个最高分数的框，计算它和其他框的重合度，去除重合度超过IOU值的框，回到上一步迭代至没有比当前所选框低的框停止迭代；
5)解码后的输出就是实际检测目标的位置，在原图上将其标记出来。
步骤四、实验结果分析，使用BCCD血细胞数据集加上数据增强的387张血细胞图片，抽出328张作为训练集，抽出59张作为测试集。
每迭代100次会存储一个模型参数，total loss是一个错误率的指标，越低越好，刚开始会很大，训练集损失为3642，验证集损失达到553，但网络收敛很快，损失下降很快，甚至最低到训练集损失44，验证集损失到35，最终选择epoach＝100时的参数，即训练集损失为44，验证集损失为36。
最终的实验结果为：召回率90.1％(56/62)，准确率85.9％(56/65)，59张图片有45张图片的血小板计数完全正确。
该通过血小板计数方法评估肝硬化指数检测的方法使用yolo_v3网络结构可对血液中三种不同尺寸的细胞的分类，且使用的主干网络darknet_53的优越的特征提取能力，深度网络中引入残差块使得算法更准确的检测且不会因为深度太大导致梯度消失，同时避免了人工计数减少人力、物力资源浪费，做到实时性检测目标，回归位置并计数，为临床研究，以及肝硬化检测提升效率节约时间。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种通过血小板计数方法评估肝硬化指数检测的方法，其特征在于包括以下步骤：
步骤一、yolo_v3网络结构建立，建立由主干网络Darknet_53和特征预测Yolo_head组成的yolo_v3网络；
步骤二、训练网络模型，利用迁移学习的方式使用COCO数据集预训练网络模型，再用血细胞进行小样本训练，得到预测框；
步骤三、网络预测输出，利用网络训练后的参数去运行网络，进行预测输出，将原图输入至网络，由网络中的将原图上的每个细胞的位置、类别和概率进行预测，输出每个细胞的位置类别概率并进行标记；
预测过程具体为：
1)选择BCCD数据集的血细胞彩色图片输入，做相关处理包括转换成pytorch可以处理的格式BRG，调整成416*416；
2)送入神经网络，获得预测结果，Yolo_head网络把图片分成S*S个网格，然后每个单元格负责预测中心点落在该格子内的目标，每层最终预测值为S*S*3*(4+1+3)大小的张量，其中第一个3是维度数表示每层anchorbox数量，4表示为边界框大小和中心位置的调整参数(x，y，w，h)，x表示边界框为中心位置的横坐标，y表示边界框为中心位置的纵坐标，w和h分别表示边界框的宽和高，1表示为置信度，3表示为细胞类别数；
3)对预测结果解码，将每个网格点加上对应的x_offset和y_offset，得出的结果即预测框的中心，再利用先验框和h、w结合计算出预测框得到整个预测框的位置；
4)最终预测结果的得分排序和非极大抑制筛选，先通过置信度过滤锚框，然后使用非极大抑制去除多个检测框；
5)解码后的输出就是实际检测目标的位置，在原图上将其标记出来；
步骤四、实验结果分析，使用BCCD血细胞数据集加上数据增强的血细胞图片作为训练集和测试集测试网络模型并得出结果。
2.根据权利要求1所述的一种通过血小板计数方法评估肝硬化指数检测的方法，其特征在于：所述步骤一中主干网络Darknet_53为特征提取主干网络，由五个残差块组成，每个残差块分别有1,2,8,8,4个残差单元构成，残差单元即DBL卷积层、批标准化层和带泄露修正线性单元。
3.根据权利要求1所述的一种通过血小板计数方法评估肝硬化指数检测的方法，其特征在于：所述步骤一中特征预测Yolo_head是预测输出网络，主干网络Darknet_53输入三个尺度的特征图后，经过Yolo_head输出为三个尺度的预测。
4.根据权利要求3所述的一种通过血小板计数方法评估肝硬化指数检测的方法，其特征在于：所述三个尺度的预测中每个尺度的特征图的每个网格设置三个先验框，总共有13*13*3+26*26*3+52*52*3＝10647个预测。
5.根据权利要求1所述的一种通过血小板计数方法评估肝硬化指数检测的方法，其特征在于：步骤4)中实现非极大抑制的关键是，选择一个最高分数的框，计算它和其他框的重合度，去除重合度超过IOU阈值的框，回到上一步迭代至没有比当前所选框低的框停止迭代。
6.根据权利要求1所述的一种通过血小板计数方法评估肝硬化指数检测的方法，其特征在于：所述步骤二中训练模型得到的预测框分为正例、负例和忽略样例三种情况，正例是任取一个ground truth，与网络模型输出的所有预测框全部计算IOU阈值，IOU阈值最大的预测框即为正例，正例产生置信度损失、检测框损失和类别损失；负例是将正例除外之后与全部ground truth的IOU阈值都小于设定阈值即为负例，负例只有置信度损失；忽略样例是正例除外，与任意一个ground truth的IOU阈值大于设定阈值即为忽略样例，忽略样例不产生损失。
7.根据权利要求1所述的一种通过血小板计数方法评估肝硬化指数检测的方法，其特征在于：所述步骤二中训练选择的学习衰减策略为固定步长衰减。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110859107.1A CN113570576B (zh) | 2021-07-28 | 2021-07-28 | 一种通过血小板计数方法评估肝硬化指数检测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110859107.1A CN113570576B (zh) | 2021-07-28 | 2021-07-28 | 一种通过血小板计数方法评估肝硬化指数检测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113570576A CN113570576A (zh) | 2021-10-29 |
| CN113570576B true CN113570576B (zh) | 2024-03-12 |
Family
ID=78168618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110859107.1A Active CN113570576B (zh) | 2021-07-28 | 2021-07-28 | 一种通过血小板计数方法评估肝硬化指数检测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113570576B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116883916A (zh) * | 2023-09-08 | 2023-10-13 | 深圳市国硕宏电子有限公司 | 一种基于深度学习的会议异常行为检测方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816024A (zh) * | 2019-01-29 | 2019-05-28 | 电子科技大学 | 一种基于多尺度特征融合与dcnn的实时车标检测方法 |
| CN111460919A (zh) * | 2020-03-13 | 2020-07-28 | 华南理工大学 | 一种基于改进YOLOv3的单目视觉道路目标检测及距离估计方法 |
| KR102261880B1 (ko) * | 2020-04-24 | 2021-06-08 | 주식회사 핀텔 | 딥러닝 기반 비대면 안면 인식 서비스 제공 방법, 장치 및 시스템 |
| CN113076683A (zh) * | 2020-12-08 | 2021-07-06 | 国网辽宁省电力有限公司锦州供电公司 | 用于变电站行为监测的卷积神经网络模型的建模方法 |
-
2021
- 2021-07-28 CN CN202110859107.1A patent/CN113570576B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816024A (zh) * | 2019-01-29 | 2019-05-28 | 电子科技大学 | 一种基于多尺度特征融合与dcnn的实时车标检测方法 |
| CN111460919A (zh) * | 2020-03-13 | 2020-07-28 | 华南理工大学 | 一种基于改进YOLOv3的单目视觉道路目标检测及距离估计方法 |
| KR102261880B1 (ko) * | 2020-04-24 | 2021-06-08 | 주식회사 핀텔 | 딥러닝 기반 비대면 안면 인식 서비스 제공 방법, 장치 및 시스템 |
| CN113076683A (zh) * | 2020-12-08 | 2021-07-06 | 国网辽宁省电力有限公司锦州供电公司 | 用于变电站行为监测的卷积神经网络模型的建模方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113570576A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112270347B (zh) | 一种基于改进ssd的医疗废弃物分类检测方法 | |
| CN111798416B (zh) | 基于病理图像与深度学习的肾小球智能检测方法及*** | |
| CN109903282B (zh) | 一种细胞计数方法、***、装置和存储介质 | |
| CN113361623B (zh) | 一种轻量级cnn结合迁移学习的医学图像分类方法 | |
| CN107871316A (zh) | 一种基于深度神经网络的x光片手骨兴趣区域自动提取方法 | |
| CN109614869A (zh) | 一种基于多尺度压缩奖惩网络的病理图像分类方法 | |
| CN115994907B (zh) | 用于食品检测机构综合信息的智能处理***及方法 | |
| CN113570576B (zh) | 一种通过血小板计数方法评估肝硬化指数检测的方法 | |
| CN115760858B (zh) | 基于深度学习的肾脏病理切片细胞识别方法及*** | |
| CN113420793A (zh) | 一种基于改进的卷积神经网络ResNeSt50的胃印戒细胞癌分类方法 | |
| CN113822185A (zh) | 一种群养生猪日常行为检测方法 | |
| CN113269799A (zh) | 一种基于深度学习的宫颈细胞分割方法 | |
| Chidester et al. | Discriminative bag-of-cells for imaging-genomics | |
| CN115601330A (zh) | 一种基于多尺度空间反向注意力机制的结肠息肉分割方法 | |
| CN113628297A (zh) | 一种基于注意力机制和迁移学习的covid-19深度学习诊断*** | |
| CN117315380B (zh) | 一种基于深度学习的肺炎ct图像分类方法及*** | |
| Whipp et al. | YOLO-based Deep Learning to Automated Bacterial Colony Counting | |
| CN112508860B (zh) | 一种免疫组化图像核阳性的人工智能判读方法及*** | |
| CN113052227A (zh) | 一种基于SE-ResNet的肺结核识别方法 | |
| CN116597197A (zh) | 一种自适应消除分类负梯度的长尾目标检测方法 | |
| CN114037868B (zh) | 图像识别模型的生成方法及装置 | |
| CN116129185A (zh) | 一种基于数据和模型协同更新的中医舌象腐腻特征模糊分类方法 | |
| CN115330792A (zh) | 一种基于人工智能的污水检测方法及*** | |
| CN113822252A (zh) | 显微镜下病理图像细胞鲁棒检测方法 | |
| CN113034451A (zh) | 一种基于深度学习的胸部dr图像识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |