CN114092456A - 细胞荧光图像判别方法及*** - Google Patents
细胞荧光图像判别方法及*** Download PDFInfo
- Publication number
- CN114092456A CN114092456A CN202111423122.8A CN202111423122A CN114092456A CN 114092456 A CN114092456 A CN 114092456A CN 202111423122 A CN202111423122 A CN 202111423122A CN 114092456 A CN114092456 A CN 114092456A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- image
- fluorescence image
- cell
- 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.)
- Pending
Links
- 238000002073 fluorescence micrograph Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013178 mathematical model Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000010276 construction Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 210000004027 cell Anatomy 0.000 claims description 91
- 230000006870 function Effects 0.000 claims description 35
- 230000004913 activation Effects 0.000 claims description 27
- 238000011176 pooling Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 210000005056 cell body Anatomy 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 6
- 230000007306 turnover Effects 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 4
- 238000012757 fluorescence staining Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明揭示了一种细胞荧光图像判别方法及***,所述细胞荧光图像判别***包括:格式转换模块、图像二值化模块、荧光图形位置获取模块、细胞荧光图像裁剪模块、细胞分类模块、数据集分类模块、样本均衡模块、数据预处理模块、数学模型构建模块、数学模型训练模块、数学模型测试模块及检测模块。本发明提出的细胞荧光图像判别方法及***,可提高荧光细胞识别的效率及精确度。在本发明的一种使用场景中,利用HSV格式的荧光图像进行细胞分割,然后利用深度学习网络模型对分割后的细胞进行阴阳性检测,最终进行阳性细胞数量统计,实现对荧光染色图像的分类识别。
Description
技术领域
本发明属于智能学习技术领域,涉及一种细胞识别***,尤其涉及一种细胞荧光图像判别方法及***。
背景技术
在显微镜下观察细胞荧光玻片,通过人工识别,通常需要一个小时以上的时间,且容易造成视觉疲劳;除此之外,受各个专家主观因素的影响,同样一张片子可能会有不同的审查结果。
而业界内现有的人工智能分析方法多是简单的进行阈值分割,而后进行特征提取、特征降维,最后进行机器学习模型分类。这种方法无法获取到整个荧光细胞所有特征,导致准确率不高。
有鉴于此,如今迫切需要设计一种新的细胞识别方法,以便克服现有细胞识别方法存在的上述至少部分缺陷。
发明内容
本发明提供一种细胞荧光图像判别方法及***,可提高荧光细胞识别的效率及精确度。
为解决上述技术问题,根据本发明的一个方面,采用如下技术方案:
一种细胞荧光图像判别方法,所述细胞荧光图像判别方法包括:
步骤S1、将细胞荧光图像从RGB格式转换为HSV格式,根据荧光的特有色调、饱和度、明度,设置HSV三通道阈值进行图像二值化,来获得细胞体的整体轮廓图;
步骤S2、获取轮廓图在整个荧光图形的位置,然后从原始的细胞荧光图像中裁剪出来,作为待检测数据;
步骤S3、将众多待检测数据进行细胞分类,分为阳性细胞荧光图像、阴性细胞荧光图像、非细胞组成,从而建立数据集;
步骤S4、将数据集分为训练集及测试集;
对数量少于设定指的类别进行数据增强,包括多角度旋转,水分垂直翻转,从而实现训练集的样本均衡;
步骤S5、对将要训练的数据进行预处理操作:1)对图像随机裁剪到原始图像面积的8%到100%,宽高比在3/4和4/3之间随机选择;2)将图片数据转换为Tensor数据类型,方便对数据进行处理和训练;3)对其每个通道的数据进行标准化,即对R、G、B每个通道的值分别减去对应通道整个数据集的均值然后除以对应通道整个数据集的方差;
步骤S6、数学模型构建;首先创建一个设定层数的卷积神经网络,包括卷积层、激活函数、池化层,每个卷积操作之后进行批标准化并利用设定激活函数进行激活,池化采用最大池化,最终实现数学模型的构建;
步骤S7、数学模型训练步骤;在数学模型的训练过程中,采用随机梯度下降法来迭代数学模型的参数;
步骤S8、数学模型测试步骤;在数学模型训练结束后,将测试集效果最好的模型作为深度学习算法最优模型;如果准确率低于设定阈值,扩充数据集优化模型参数,直至符合设定要求;
步骤S9、细胞荧光图像检测步骤;对新的细胞荧光图像片子进行检测。
作为本发明的一种实施方式,所述步骤S2中,获取轮廓图的外接正方形的左上角及右下角坐标在整个荧光图像的坐标,从而获取轮廓图在整个荧光图像的位置。
作为本发明的一种实施方式,所述步骤S3中,保证每个类别数据集至少1000张;所述步骤S4中,将数据集按照8:2分为训练集及测试集;步骤S5中,每个类别的训练数据量为5000张。
作为本发明的一种实施方式,所述步骤S5的步骤1)进一步包括:再通过最近邻插值法的方式将图像像素点变为224*224。
作为本发明的一种实施方式,所述步骤S6中,模型利用两层的全连接以及softmax作为激活函数来最终实现模型的构建。
作为本发明的一种实施方式,所述步骤S7中,初试学习率为0.001,训练120代,每10代学习率变为原来数值的10%,损失函数模型采用交叉熵损失函数。
根据本发明的另一个方面,采用如下技术方案:一种细胞荧光图像判别***,所述细胞荧光图像判别***包括:
格式转换模块,用以将细胞荧光图像从RGB格式转换为HSV格式;
图像二值化模块,用以根据荧光的特有色调、饱和度、明度,设置HSV三通道阈值进行图像二值化,来获得细胞体的整体轮廓图;
荧光图形位置获取模块,用以获取轮廓图在整个荧光图形的位置;
细胞荧光图像裁剪模块,用以将荧光细胞从原始的细胞荧光图像中裁剪出来,作为待检测数据;
细胞分类模块,用以将众多待检测数据进行细胞分类,分为阳性细胞荧光图像、阴性细胞荧光图像、非细胞组成,从而建立数据集;
数据集分类模块,用以将数据集分为训练集及测试集;
样本均衡模块,用以对数量少于设定指的类别进行数据增强,包括多角度旋转,水分垂直翻转,从而实现训练集的样本均衡;
数据预处理模块,用以对将要训练的数据进行预处理操作:1)对图像随机裁剪到原始图像面积的8%到100%,宽高比在3/4和4/3之间随机选择;2)将图片数据转换为Tensor数据类型,方便对数据进行处理和训练;3)对其每个通道的数据进行标准化,即对R、G、B每个通道的值分别减去对应通道整个数据集的均值然后除以对应通道整个数据集的方差;
数学模型构建模块,用以构建数学模型;首先创建一个设定层数的卷积神经网络,包括卷积层、激活函数、池化层,每个卷积操作之后进行批标准化并利用设定激活函数进行激活,池化采用最大池化,最终实现数学模型的构建;
数学模型训练模块,用以训练数学模块;在数学模型的训练过程中,采用随机梯度下降法来迭代数学模型的参数;
数学模型测试模块,用以在训练结束后测试数学模型;将测试集效果最好的模型作为深度学习算法最优模型;如果准确率低于设定阈值,扩充数据集优化模型参数,直至符合设定要求;
检测模块,用以对新的细胞荧光图像片子进行检测。
作为本发明的一种实施方式,所述荧光图形位置获取模块用以获取轮廓图的外接正方形的左上角及右下角坐标在整个荧光图像的坐标,从而获取轮廓图在整个荧光图像的位置。
作为本发明的一种实施方式,所述数学模型构建模块利用两层的全连接以及softmax作为激活函数来最终实现模型的构建。
作为本发明的一种实施方式,所述数学模型训练模块的初试学习率为0.001,训练120代,每10代学习率变为原来数值的10%,损失函数模型采用交叉熵损失函数。
本发明的有益效果在于:本发明提出的细胞荧光图像判别方法及***,可提高荧光细胞识别的效率及精确度。在本发明的一种使用场景中,利用HSV格式的荧光图像进行细胞分割,然后利用深度学习网络模型对分割后的细胞进行阴阳性检测,最终进行阳性细胞数量统计,实现对荧光染色图像的分类识别。
附图说明
图1为本发明一实施例中细胞荧光图像判别方法的流程图。
图2为本发明一实施例中细胞荧光图像判别***的组成示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
为了进一步理解本发明,下面结合实施例对本发明优选实施方案进行描述,但是应当理解,这些描述只是为进一步说明本发明的特征和优点,而不是对本发明权利要求的限制。
该部分的描述只针对几个典型的实施例,本发明并不仅局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
说明书中各个实施例中的步骤的表述只是为了方便说明,本申请的实现方式不受步骤实现的顺序限制。说明书中的“连接”既包含直接连接,也包含间接连接。
本发明揭示了一种细胞荧光图像判别方法,图1为本发明一实施例中细胞荧光图像判别方法的流程图;请参阅图1,所述细胞荧光图像判别方法包括:
【步骤S1】将细胞荧光图像从RGB格式转换为HSV格式,根据荧光的特有色调、饱和度、明度,设置HSV三通道阈值进行图像二值化,来获得细胞体的整体轮廓图;
【步骤S2】获取轮廓图在整个荧光图形的位置,然后从原始的细胞荧光图像中裁剪出来,作为待检测数据;
【步骤S3】将众多待检测数据进行细胞分类,分为阳性细胞荧光图像、阴性细胞荧光图像、非细胞组成,从而建立数据集;
【步骤S4】将数据集分为训练集及测试集;
对数量少于设定指的类别进行数据增强,包括多角度旋转,水分垂直翻转,从而实现训练集的样本均衡;
【步骤S5】对将要训练的数据进行预处理操作:1)对图像随机裁剪到原始图像面积的8%到100%,宽高比在3/4和4/3之间随机选择;2)将图片数据转换为Tensor数据类型,方便对数据进行处理和训练;3)对其每个通道的数据进行标准化,即对R、G、B每个通道的值分别减去对应通道整个数据集的均值然后除以对应通道整个数据集的方差;
【步骤S6】数学模型构建;首先创建一个设定层数的卷积神经网络,包括卷积层、激活函数、池化层,每个卷积操作之后进行批标准化并利用设定激活函数进行激活,池化采用最大池化,最终实现数学模型的构建;
【步骤S7】数学模型训练步骤;在数学模型的训练过程中,采用随机梯度下降法来迭代数学模型的参数;
【步骤S8】数学模型测试步骤;在数学模型训练结束后,将测试集效果最好的模型作为深度学习算法最优模型;如果准确率低于设定阈值,扩充数据集优化模型参数,直至符合设定要求;
【步骤S9】细胞荧光图像检测步骤;对新的细胞荧光图像片子进行检测。
在本发明的一实施例中,所述细胞荧光图像判别方法包括:
【步骤S1】将细胞荧光图像从RGB格式转换为HSV格式,根据荧光的特有色调、饱和度、明度,设置HSV三通道阈值进行图像二值化,来获得细胞体的整体轮廓图;
【步骤S2】获取轮廓图的外接正方形的左上角及右下角坐标在整个荧光图像的坐标,然后从原始的细胞荧光图像中裁剪出来,作为待检测数据;
【步骤S3】重复的进行步骤S1、步骤S2,直至生成足够的代检测数据,然后由业界专业进行细胞分类,分为阳性细胞荧光图像,阴性细胞荧光图像,非细胞组成成分三类.从而建立的数据集;保证每个类别数据集至少1000张;
【步骤S4】将数据集按照8:2分为训练集及测试集;
由于训练集各个类别之间的样本数量不一致,为了保证数量一致,对数量较少的种类进行数据增强,包括多角度旋转,水分垂直翻转等,从而实现训练集的样本均衡;最终,每个类别的训练数据量为5000张;
【步骤S5】对将要训练的数据进行预处理操作;1)对图像随机裁剪到原始图像面积的8%到100%,宽高比在在3/4和4/3之间随机选择。然后再通过最近邻插值法的方式将图像像素点变为224*224,2)将图片数据转换为Tensor数据类型,方便对数据进行处理和训练,3)对其每个通道的数据进行标准化,即对R,G,B,每个通道的值分别减去对应通道整个数据集的均值然后除以对应通道整个数据集的方差;
【步骤S6】模型构建,首先创建一个25层的卷积神经网络,包括卷积层,激活函数,池化层,每个卷积操作之后我们都会进行batch normalization与Relu激活函数进行激活,池化采用最大池化,并且使用了short-cut链接来防止梯度消失问题,模型利用2层的全连接以及softmax作为激活函数来最终实现模型的构建,为了防止过拟合,我们对全连接设置drop-out=0.5;
【步骤S7】在模型的训练过程中,采用随机梯度下降法来迭代模型的参数,初试学习率为0.001,训练120代,每10代学习率变为原来数值的10%,损失函数模型采用交叉熵损失函数;
【步骤S8】训练结束后,将120代中,测试集效果最好的模型作为深度学习算法最优模型,并对新的细胞荧光图像片子进行检测,如果准确率较低,将重复步骤S3来扩充数据集优化模型参数,直至符合设定要求。
本发明进一步揭示一种细胞荧光图像判别***,图2为本发明一实施例中细胞荧光图像判别***的组成示意图;请参阅图2,所述细胞荧光图像判别***包括:格式转换模块1、图像二值化模块2、荧光图形位置获取模块3、细胞荧光图像裁剪模块4、细胞分类模块5、数据集分类模块6、样本均衡模块7、数据预处理模块8、数学模型构建模块9、数学模型训练模块10、数学模型测试模块11及检测模块12。
所述格式转换模块1用以将细胞荧光图像从RGB格式转换为HSV格式。所述图像二值化模块2用以根据荧光的特有色调、饱和度、明度,设置HSV三通道阈值进行图像二值化,来获得细胞体的整体轮廓图。
所述荧光图形位置获取模块3用以获取轮廓图在整个荧光图形的位置。在一实施例中,所述荧光图形位置获取模块3用以获取轮廓图的外接正方形的左上角及右下角坐标在整个荧光图像的坐标,从而获取轮廓图在整个荧光图像的位置。所述细胞荧光图像裁剪模块4用以将荧光细胞从原始的细胞荧光图像中裁剪出来,作为待检测数据。
所述细胞分类模块5用以将众多待检测数据进行细胞分类,分为阳性细胞荧光图像、阴性细胞荧光图像、非细胞组成,从而建立数据集;在一实施例中,保证每个类别数据集至少1000张。所述数据集分类模块6用以将数据集分为训练集及测试集;在一实施例中,将数据集按照8:2分为训练集及测试集。
所述样本均衡模块7用以对数量少于设定指的类别进行数据增强,包括多角度旋转,水分垂直翻转,从而实现训练集的样本均衡;在一实施例中,每个类别的训练数据量为5000张(当然也可以是其他数据,各类别的训练数据量也可以不同)。
所述数据预处理模块8用以对将要训练的数据进行预处理操作:1)对图像随机裁剪到原始图像面积的8%到100%,宽高比在3/4和4/3之间随机选择;2)将图片数据转换为Tensor数据类型,方便对数据进行处理和训练;3)对其每个通道的数据进行标准化,即对R、G、B每个通道的值分别减去对应通道整个数据集的均值然后除以对应通道整个数据集的方差。
所述数学模型构建模块9用以构建数学模型;首先创建一个设定层数的卷积神经网络,包括卷积层、激活函数、池化层,每个卷积操作之后进行批标准化并利用设定激活函数进行激活,池化采用最大池化,最终实现数学模型的构建。在一实施例中,所述数学模型构建模块9利用两层的全连接以及softmax作为激活函数来最终实现模型的构建。
所述数学模型训练模块10用以训练数学模块;在数学模型的训练过程中,采用随机梯度下降法来迭代数学模型的参数。在一实施例中,所述数学模型训练模块的初试学习率为0.001,训练120代,每10代学习率变为原来数值的10%,损失函数模型采用交叉熵损失函数。
所述数学模型测试模块11用以在训练结束后测试数学模型;将测试集效果最好的模型作为深度学习算法最优模型。在一实施例中,如果数学模型测试模块11测试到的准确率低于设定阈值,扩充数据集优化模型参数,直至符合设定要求。
所述检测模块12用以对新的细胞荧光图像片子进行检测。
综上所述,本发明提出的细胞荧光图像判别方法及***,可提高荧光细胞识别的效率及精确度。在本发明的一种使用场景中,利用HSV格式的荧光图像进行细胞分割,然后利用深度学习网络模型对分割后的细胞进行阴阳性检测,最终进行阳性细胞数量统计,实现对荧光染色图像的分类识别。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施;例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中,本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中;例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现;例如,作为与处理器配合从而执行各个步骤或功能的电路。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。实施例中所涉及的效果或优点可因多种因素干扰而可能不能在实施例中体现,对于效果或优点的描述不用于对实施例进行限制。这里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形和改变。
Claims (10)
1.一种细胞荧光图像判别方法,其特征在于,所述细胞荧光图像判别方法包括:
步骤S1、将细胞荧光图像从RGB格式转换为HSV格式,根据荧光的特有色调、饱和度、明度,设置HSV三通道阈值进行图像二值化,来获得细胞体的整体轮廓图;
步骤S2、获取轮廓图在整个荧光图形的位置,然后从原始的细胞荧光图像中裁剪出来,作为待检测数据;
步骤S3、将众多待检测数据进行细胞分类,分为阳性细胞荧光图像、阴性细胞荧光图像、非细胞组成,从而建立数据集;
步骤S4、将数据集分为训练集及测试集;
对数量少于设定指的类别进行数据增强,包括多角度旋转,水分垂直翻转,从而实现训练集的样本均衡;
步骤S5、对将要训练的数据进行预处理操作:1)对图像随机裁剪到原始图像面积的8%到100%,宽高比在3/4和4/3之间随机选择;2)将图片数据转换为Tensor数据类型,方便对数据进行处理和训练;3)对其每个通道的数据进行标准化,即对R、G、B每个通道的值分别减去对应通道整个数据集的均值然后除以对应通道整个数据集的方差;
步骤S6、数学模型构建;首先创建一个设定层数的卷积神经网络,包括卷积层、激活函数、池化层,每个卷积操作之后进行批标准化并利用设定激活函数进行激活,池化采用最大池化,最终实现数学模型的构建;
步骤S7、数学模型训练步骤;在数学模型的训练过程中,采用随机梯度下降法来迭代数学模型的参数;
步骤S8、数学模型测试步骤;在数学模型训练结束后,将测试集效果最好的模型作为深度学习算法最优模型;如果准确率低于设定阈值,扩充数据集优化模型参数,直至符合设定要求;
步骤S9、细胞荧光图像检测步骤;对新的细胞荧光图像片子进行检测。
2.根据权利要求1所述的细胞荧光图像判别方法,其特征在于:
所述步骤S2中,获取轮廓图的外接正方形的左上角及右下角坐标在整个荧光图像的坐标,从而获取轮廓图在整个荧光图像的位置。
3.根据权利要求1所述的细胞荧光图像判别方法,其特征在于:
所述步骤S3中,保证每个类别数据集至少1000张;所述步骤S4中,将数据集按照8:2分为训练集及测试集;步骤S5中,每个类别的训练数据量为5000张。
4.根据权利要求1所述的细胞荧光图像判别方法,其特征在于:
所述步骤S5的步骤1)进一步包括:再通过最近邻插值法的方式将图像像素点变为224*224。
5.根据权利要求1所述的细胞荧光图像判别方法,其特征在于:
所述步骤S6中,模型利用两层的全连接以及softmax作为激活函数来最终实现模型的构建。
6.根据权利要求1所述的细胞荧光图像判别方法,其特征在于:
所述步骤S7中,初试学习率为0.001,训练120代,每10代学习率变为原来数值的10%,损失函数模型采用交叉熵损失函数。
7.一种细胞荧光图像判别***,其特征在于,所述细胞荧光图像判别***包括:
格式转换模块,用以将细胞荧光图像从RGB格式转换为HSV格式;
图像二值化模块,用以根据荧光的特有色调、饱和度、明度,设置HSV三通道阈值进行图像二值化,来获得细胞体的整体轮廓图;
荧光图形位置获取模块,用以获取轮廓图在整个荧光图形的位置;
细胞荧光图像裁剪模块,用以将荧光细胞从原始的细胞荧光图像中裁剪出来,作为待检测数据;
细胞分类模块,用以将众多待检测数据进行细胞分类,分为阳性细胞荧光图像、阴性细胞荧光图像、非细胞组成,从而建立数据集;
数据集分类模块,用以将数据集分为训练集及测试集;
样本均衡模块,用以对数量少于设定指的类别进行数据增强,包括多角度旋转,水分垂直翻转,从而实现训练集的样本均衡;
数据预处理模块,用以对将要训练的数据进行预处理操作:1)对图像随机裁剪到原始图像面积的8%到100%,宽高比在3/4和4/3之间随机选择;2)将图片数据转换为Tensor数据类型,方便对数据进行处理和训练;3)对其每个通道的数据进行标准化,即对R、G、B每个通道的值分别减去对应通道整个数据集的均值然后除以对应通道整个数据集的方差;
数学模型构建模块,用以构建数学模型;首先创建一个设定层数的卷积神经网络,包括卷积层、激活函数、池化层,每个卷积操作之后进行批标准化并利用设定激活函数进行激活,池化采用最大池化,最终实现数学模型的构建;
数学模型训练模块,用以训练数学模块;在数学模型的训练过程中,采用随机梯度下降法来迭代数学模型的参数;
数学模型测试模块,用以在训练结束后测试数学模型;将测试集效果最好的模型作为深度学习算法最优模型;如果准确率低于设定阈值,扩充数据集优化模型参数,直至符合设定要求;
检测模块,用以对新的细胞荧光图像片子进行检测。
8.根据权利要求7所述的细胞荧光图像判别***,其特征在于:
所述荧光图形位置获取模块用以获取轮廓图的外接正方形的左上角及右下角坐标在整个荧光图像的坐标,从而获取轮廓图在整个荧光图像的位置。
9.根据权利要求7所述的细胞荧光图像判别***,其特征在于:
所述数学模型构建模块利用两层的全连接以及softmax作为激活函数来最终实现模型的构建。
10.根据权利要求7所述的细胞荧光图像判别***,其特征在于:
所述数学模型训练模块的初试学习率为0.001,训练120代,每10代学习率变为原来数值的10%,损失函数模型采用交叉熵损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111423122.8A CN114092456A (zh) | 2021-11-26 | 2021-11-26 | 细胞荧光图像判别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111423122.8A CN114092456A (zh) | 2021-11-26 | 2021-11-26 | 细胞荧光图像判别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092456A true CN114092456A (zh) | 2022-02-25 |
Family
ID=80305023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111423122.8A Pending CN114092456A (zh) | 2021-11-26 | 2021-11-26 | 细胞荧光图像判别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092456A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648529A (zh) * | 2022-05-19 | 2022-06-21 | 深圳市中科先见医疗科技有限公司 | 一种基于cnn网络的dpcr液滴荧光检测方法 |
CN117169093A (zh) * | 2023-10-30 | 2023-12-05 | 深圳市明鉴检测专业技术有限公司 | 基于荧光抗体标记的细胞定量检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650796A (zh) * | 2016-12-06 | 2017-05-10 | 国家纳米科学中心 | 一种基于人工智能的细胞荧光图像分类方法和*** |
CN109583493A (zh) * | 2018-11-27 | 2019-04-05 | 上海交通大学 | 一种基于深度学习的***检测和数字识别方法 |
WO2019169772A1 (zh) * | 2018-03-06 | 2019-09-12 | 平安科技(深圳)有限公司 | 图片处理方法、电子装置及存储介质 |
CN111860316A (zh) * | 2020-07-20 | 2020-10-30 | 上海汽车集团股份有限公司 | 一种驾驶行为的识别方法、装置及存储介质 |
WO2021104410A1 (zh) * | 2019-11-28 | 2021-06-03 | 北京小蝇科技有限责任公司 | 血涂片全视野智能分析方法血细胞分割模型及识别模型的构造方法 |
-
2021
- 2021-11-26 CN CN202111423122.8A patent/CN114092456A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650796A (zh) * | 2016-12-06 | 2017-05-10 | 国家纳米科学中心 | 一种基于人工智能的细胞荧光图像分类方法和*** |
WO2019169772A1 (zh) * | 2018-03-06 | 2019-09-12 | 平安科技(深圳)有限公司 | 图片处理方法、电子装置及存储介质 |
CN109583493A (zh) * | 2018-11-27 | 2019-04-05 | 上海交通大学 | 一种基于深度学习的***检测和数字识别方法 |
WO2021104410A1 (zh) * | 2019-11-28 | 2021-06-03 | 北京小蝇科技有限责任公司 | 血涂片全视野智能分析方法血细胞分割模型及识别模型的构造方法 |
CN111860316A (zh) * | 2020-07-20 | 2020-10-30 | 上海汽车集团股份有限公司 | 一种驾驶行为的识别方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
李伟;孙星星;户媛姣;: "基于改进CNN的宫颈细胞自动分类算法", 计算机***应用, no. 06, 15 June 2020 (2020-06-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648529A (zh) * | 2022-05-19 | 2022-06-21 | 深圳市中科先见医疗科技有限公司 | 一种基于cnn网络的dpcr液滴荧光检测方法 |
CN117169093A (zh) * | 2023-10-30 | 2023-12-05 | 深圳市明鉴检测专业技术有限公司 | 基于荧光抗体标记的细胞定量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860533B (zh) | 图像的识别方法及装置、存储介质和电子装置 | |
CN110110799B (zh) | 细胞分类方法、装置、计算机设备和存储介质 | |
CN108537215B (zh) | 一种基于图像目标检测的火焰检测方法 | |
CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
CN109447977B (zh) | 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法 | |
CN107169953B (zh) | 基于hog特征的桥梁混凝土表面裂缝检测方法 | |
CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
CN108596038B (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN107092884B (zh) | 一种快速粗精级联行人检测方法 | |
CN114092456A (zh) | 细胞荧光图像判别方法及*** | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN110189383B (zh) | 基于机器学习的中医舌色苔色定量分析方法 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN114140669B (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
CN109117703A (zh) | 一种基于细粒度识别的混杂细胞种类鉴定方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN109829924A (zh) | 一种基于主体特征分析的图像质量评价方法 | |
CN113658174A (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
CN115294377A (zh) | 一种道路裂缝的识别***及方法 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN115272838A (zh) | 基于信息融合技术的海洋浮游生物自动识别方法及*** | |
CN115082744A (zh) | 一种基于人工智能的太阳能集热效率分析方法及*** | |
CN109523514A (zh) | 对逆合成孔径雷达isar的批量成像质量评估方法 | |
CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 |
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 |