CN116758072B - 一种基于Faster-RCNN的细胞识别计数方法、装置及计算机存储介质 - Google Patents
一种基于Faster-RCNN的细胞识别计数方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN116758072B CN116758072B CN202311036868.2A CN202311036868A CN116758072B CN 116758072 B CN116758072 B CN 116758072B CN 202311036868 A CN202311036868 A CN 202311036868A CN 116758072 B CN116758072 B CN 116758072B
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- training
- faster
- cells
- 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 43
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 230000003416 augmentation Effects 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 230000035800 maturation Effects 0.000 claims abstract description 5
- 210000004027 cell Anatomy 0.000 claims description 104
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000005859 cell recognition Effects 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- 210000002950 fibroblast Anatomy 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 241000699802 Cricetulus griseus Species 0.000 claims description 6
- 210000005265 lung cell Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 3
- 102000007056 Recombinant Fusion Proteins Human genes 0.000 description 2
- 108010008281 Recombinant Fusion Proteins Proteins 0.000 description 2
- 230000006907 apoptotic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 102000008186 Collagen Human genes 0.000 description 1
- 108010035532 Collagen Proteins 0.000 description 1
- 102000010834 Extracellular Matrix Proteins Human genes 0.000 description 1
- 108010037362 Extracellular Matrix Proteins Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 230000004663 cell proliferation Effects 0.000 description 1
- 230000033077 cellular process Effects 0.000 description 1
- 229920001436 collagen Polymers 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000002744 extracellular matrix Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000028617 response to DNA damage stimulus Effects 0.000 description 1
- 230000017423 tissue regeneration Effects 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 108700012359 toxins Proteins 0.000 description 1
- 229960005486 vaccine Drugs 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000029663 wound healing Effects 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明属于目标检测、深度学习和密度估计技术领域，具体涉及一种基于Faster‑RCNN的细胞识别计数方法、装置及计算机存储介质，所述方法包括获取具有细胞特征信息的显微图像，并进行聚类处理；生成初步分类数据集；修正初步分类数据集；创建用于训练的训练集和用于测试的测试集；对训练集进行增广处理，搭建Faster‑CNN模型，并进行训练，得到训练后的Faster‑CNN模型；使用训练后的Faster‑CNN模型识别测试集中的细胞，并对不同成熟阶段的细胞进行计数。本发明通过无监督学习加监督学习的数据驱动算法实现细胞状态的识别，能够学习监测图像中不同类别的物体，实现细胞状态的高精度识别。
Description
技术领域
本发明属于目标检测、深度学习和密度估计技术领域，具体涉及一种基于Faster-RCNN的细胞识别计数方法、装置及计算机存储介质。
背景技术
小鼠成纤维细胞L929和中国仓鼠肺细胞CHL在生物学细胞实验和生物医药检验中常作为实验载体或反应实验对象表现的观测器。小鼠成纤维细胞L929细胞系，是一种常用于研究的小鼠成纤维细胞系。成纤维细胞是产生细胞外基质和胶原纤维的细胞，这对组织修复和伤口愈合很重要。L929细胞经常被用作模型***，研究细胞对各种刺激的反应，包括药物、毒素和病原体。它们还被用于研究细胞增殖、细胞凋亡和基因表达。中国仓鼠肺细胞CHL细胞系，常用于生物技术和制药研究。CHL细胞被广泛用于生产重组蛋白和其他生物制品，包括疫苗和治疗性抗体。它们还被用作研究细胞过程的模型***，如细胞凋亡和DNA损伤反应。
在生物技术和制药研究中，细胞的状态对于重组蛋白和治疗性抗体等生物制品的生产至关重要。监测细胞的生长速度和周期状态对于优化生物工艺条件和确保最终产品的质量至关重要。时至今日，图像处理和分类技术在学术层面正在飞速发展，将此方面的技术应用至生物细胞监测可大幅减少实验室的工作量，进而减少工时降低成本。
细胞在成长过程中，会演变为“坏细胞”、成熟细胞以及未成熟细胞，对于细胞生长速度和周期状态的研究需要对不同类型的细胞进行计数，依此计算细胞成熟度或者其他参数。而传统的细胞计数使用的是基于图像处理的算法，例如现有技术CN112161910A公开的一种血细胞的计数方法，所述方法包括在整张图像上划定一个区域作为计数区间，将计数区间均匀划分为N个扫描单元；然后对N个扫描单元中的M个以预设路径逐个扫描计数，得到M个扫描单元的细胞总数；将该细胞总数除以M，得到每个扫描单元的平均细胞数P，其中，M≤N；最后计算所述计数区间的细胞总数为NP，再根据所述计数区间与整张图像的面积比计算整张图像的细胞总数。该计数方法仅需要对M个扫描单元进行扫描计数，然后通过公式便能得出整张图像所包含的血细胞总数，相比于全图扫描计数的方式，计数效率明显提高；而选取M个扫描单元能最大限度地弥平细胞分布不均带来的误差，减少单个扫描单元计数的偶然性。但是因为显微图像数据量巨大且其形态具有多样性，这种做法越来越无法满足研究人员在细胞计数中遇到的各种复杂问题。
发明内容
为了解决现有技术中基于图像处理的计数方法，计算数据量巨大，计算结果不精确，本发明提供一种基于Faster-RCNN的细胞识别计数方法、装置及计算机存储介质。
为实现上述目的，本发明的技术方案如下：
一种基于Faster-RCNN的细胞识别计数方法，包括：
S1、获取具有细胞特征信息的显微图像，并对显微图像中的细胞团进行聚类处理；
S2、将聚类后的细胞团生成初步分类数据集；
S3、修正初步分类数据集；
S4、利用修正后的分类数据集创建用于训练的训练集和用于测试的测试集；
S5、对训练集进行增广处理，并将增广后的图像标注为真信号或假信号；
S6、搭建Faster-CNN模型，并使用步骤S5中增广处理后的训练集进行训练，得到训练后的Faster-CNN模型；
S7、使用训练后的Faster-CNN模型识别测试集中的细胞，并对不同成熟阶段的细胞进行计数。
进一步地，步骤S1的具体方法为：获取具有细胞特征信息的显微图像，通过无监督学习对显微图像进行预处理：使用CNN神经网络对显微图像中的特征进行提取，再使用DBSCAN算法对显微图像中的细胞团进行分类，定位每个细胞团的位置并生成识别框，之后手动对不同分类贴标签以及修正。
更进一步地，所述细胞团为小鼠成纤维细胞和中国仓鼠肺细胞。
更进一步地，对细胞团进行分类的具体方法为：标定显微图像中变化梯度的数值聚类，根据数值聚类信息进行分类。
更进一步地，步骤S3的具体方法为：手工修正初步分类数据集，合并现有标签，对成长中阶段与成熟阶段细胞分别进行复核选框区与标注，在每张图片中创建多个标签种类与目标。
更进一步地，所述标签包含标注框的中心点、高度、宽度信息以及细胞种类的标注信息。
进一步地，步骤S5中的增广处理包括：将训练集随机拆分为第一部分和第二部分，对第一部分图像进行镜像或随机旋转处理，并将处理后得到的图像标定为真信号；
对第二部分图像进行随机裁剪、随机翻转、随机平移、颜色突变以及添加高斯噪声中的一种或多种处理，并将处理后得到的图像标定为假信号。
进一步地，步骤S6中使用残差网络ResNet作为骨干网络搭建Faster-CNN模型。
更进一步地，搭建Faster-CNN模型的具体方法为：设置一个Faster R-CNN网络架构，使用ResNet模型作为整体加工并调试，使用Layer函数特化网络架构。
本发明还提供一种基于Faster-RCNN的细胞识别计数装置，包括：一个或多个处理器；存储器；以及一个或多个计算机程序，其中，所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述细胞识别计数装置执行时，使得所述细胞识别计数装置执行上述的基于Faster-RCNN的细胞识别计数方法。
本发明还提供一种计算机存储介质，存储有计算机指令，计算机指令用于使计算机执行上述的基于Faster-RCNN的细胞识别计数方法。
相对于现有技术，本发明具有以下有益效果：
本发明提供的基于Faster-RCNN的细胞识别计数方法，通过无监督学习加监督学习的数据驱动算法实现细胞状态的识别，首先获取显微图像，分类后进行增广处理，使用增广处理后的图像进行Faster-CNN模型训练，进而能够学习监测图像中不同类别的物体，实现细胞状态的高精度识别。
具体实施方式
下面将对本发明的技术方案进行清楚的描述，显然，所描述的实施例并不是本发明的全部实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
实施例一
本实施例提供一种基于Faster-RCNN的细胞识别计数方法，本实施例针对的细胞为小鼠成显微细胞L929和中国仓鼠肺细胞CHL，具体细胞识别计数方法包括：
S1、获取具有细胞特征信息的显微图像，并对显微图像中的细胞团进行聚类处理；通过无监督学习对显微图像进行预处理，使用CNN神经网络对显微图像中的特征进行提取，再使用DBSCAN算法对显微图像中的细胞团进行分类，定位每个细胞团的位置并生成识别框，之后手动对不同分类贴标签以及修正。
显微图像的特征是由算法决定的高梯度特征，细胞图像的子部分中明显的特征，例如边界（生物膜）、图像角落、细胞膜轮廓形状、细胞颜色、细胞大小等。
对细胞团进行分类的具体方法为：标定显微图像中各个维度变化梯度的数值聚类，根据数值聚类信息进行分类。例如生物膜这一单一特征，对应于数值参数化的聚类标准，，其中i表示维度，/>表示这一维度上的生物膜的参数化数值，/>为这一维度的判断阈值，/>，/>表示训练中相对于真值偏差的代价函数，/>表示输入值，n表示输入维度。
S2、将聚类后的细胞团生成初步分类数据集；使用imageDatastore和objectDetectorTrainingData函数将标签数据转换成Faster R-CNN训练函数所要求的格式。
S3、修正初步分类数据集；手工修正初步分类数据集，合并现有标签，对成长中阶段与成熟阶段细胞分别进行复核选框区与标注，在每张图片中创建多个标签种类与目标（表示细胞位置）。所述标签包含标注框的中心点、高度、宽度信息以及细胞种类的标注信息。
S4、利用修正后的分类数据集创建用于训练的训练集和用于测试的测试集；
S5、对训练集进行增广处理，并将增广后的图像标注为真信号或假信号；数据集的增广处理会生成一些基于现有信号的真信号，也会产生一些经随机裁剪、颜色突变的假信号，增广处理后进行标注能够提高识别精度并防止过拟合，有效提高模型的性能与鲁棒性，并提高细胞的识别准确率。
将训练集随机拆分为第一部分和第二部分，对第一部分图像进行镜像或随机旋转处理，并将处理后得到的图像标定为真信号；
对第二部分图像进行随机裁剪、随机翻转、随机平移、颜色突变以及添加高斯噪声中的一种或多种处理，并将处理后得到的图像标定为假信号。
S6、使用残差网络ResNet作为骨干网络搭建Faster-CNN模型，并使用步骤S5中增广处理后的训练集进行训练，得到训练后的Faster-CNN模型；搭建Faster-CNN模型的具体方法为：设置一个Faster R-CNN网络架构，使用ResNet模型作为整体加工并调试，使用Layer函数特化网络架构。例如显微镜生成的图片为2592*1944像素，在模型训练的预处理以及实际工作的输入中，图像将全部裁取为1024*1024的正方形大小，在这一过程中，为了保留图像边缘的细胞信息，不适用裁剪等预处理方法，并且限制预处理之前的图片大小与比例一致，以保证在训练过程中，细胞的大小与形状信息不会失真。
S7、使用训练后的Faster-CNN模型识别测试集中的细胞，并对不同成熟阶段的细胞进行计数。
细胞的成熟状态可以通过细胞的形状进行判断，小鼠成纤维细胞L929和中国仓鼠肺细胞CHL都贴壁生长，呈成纤维细胞样，在显微镜视野中未成熟时为圆形，当呈有两角的纺锤形或带有三至五个角的形状时，可判断为成熟的、可使用的“好细胞”，而当细胞的形状不规则、不为圆形或不带多角时，则是“坏细胞”。另外，坏细胞可分为大小两类，大的坏细胞是肉眼可见、易于发现的，但由于形状差异大，所以难以建立数据库；小的坏细胞跟好细胞的大小相近，易于建立数据库。因此，在实验员用本软件前就发现大的坏细胞时，即可判断此盘细胞的状态不佳，若未发现大的坏细胞则可用本软件进一步辅助判断，通过细胞计数，计算出好细胞的占比以及视野中细胞的密度，即可判断此盘细胞的状态。
实施例二
本实施例提供一种基于Faster-RCNN的细胞识别计数装置，包括：一个或多个处理器；存储器；以及一个或多个计算机程序，其中，所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述细胞识别计数装置执行时，使得所述细胞识别计数装置执行实施例一提供的基于Faster-RCNN的细胞识别计数方法。
将包含执行实施例一提供的基于Faster-RCNN的细胞识别计数方法的指令的计算机程序储存至存储器中，可以实现离线使用，节省资源。在需要快速处理时，可以设置并行运行的多个处理器，提高运行效率，实现在线处理。
实施例三
本实施例还提供一种计算机存储介质，存储有计算机指令，计算机指令用于使计算机执行实施例一提供的基于Faster-RCNN的细胞识别计数方法。
以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实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范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于Faster-RCNN的细胞识别计数方法，其特征在于，包括：
S1、获取具有细胞特征信息的显微图像，并对显微图像中的细胞团进行聚类处理；
S2、将聚类后的细胞团生成初步分类数据集；
S3、修正初步分类数据集；
S4、利用修正后的分类数据集创建用于训练的训练集和用于测试的测试集；
S5、对训练集进行增广处理，并将增广后的图像标注为真信号或假信号；
S6、搭建Faster-CNN模型，并使用步骤S5中增广处理后的训练集进行训练，得到训练后的Faster-CNN模型；
S7、使用训练后的Faster-CNN模型识别测试集中的细胞，并对不同成熟阶段的细胞进行计数；
步骤S5中的增广处理包括：将训练集随机拆分为第一部分和第二部分，对第一部分图像进行镜像或随机旋转处理，并将处理后得到的图像标定为真信号；
对第二部分图像进行随机裁剪、随机翻转、随机平移、颜色突变以及添加高斯噪声中的一种或多种处理，并将处理后得到的图像标定为假信号；
获取具有细胞特征信息的显微图像，通过无监督学习对显微图像进行预处理：使用CNN神经网络对显微图像中的特征进行提取，再使用DBSCAN算法对显微图像中的细胞团进行分类，定位每个细胞团的位置并生成识别框，之后手动对不同分类贴标签以及修正；
步骤S1中对细胞团进行分类的具体方法为：标定显微图像中各个维度变化梯度的数值聚类，根据数值聚类信息进行分类；细胞图像的特征为生物膜时，对应于数值参数化的聚类标准，，其中i表示维度，/>表示这一维度上的生物膜的参数化数值，/>为这一维度的判断阈值，/>，/>表示训练中相对于真值偏差的代价函数，/>表示输入值，n表示输入维度。
2.根据权利要求1所述的细胞识别计数方法，其特征在于，所述细胞团为小鼠成纤维细胞和中国仓鼠肺细胞。
3.根据权利要求1所述的细胞识别计数方法，其特征在于，步骤S3的具体方法为：手工修正初步分类数据集，合并现有标签，对成长中阶段与成熟阶段细胞分别进行复核选框区与标注，在每张图片中创建多个标签种类与目标。
4.根据权利要求3所述的细胞识别计数方法，其特征在于，所述标签包含标注框的中心点、高度、宽度信息以及细胞种类的标注信息。
5.根据权利要求1所述的细胞识别计数方法，其特征在于，步骤S6中使用残差网络ResNet作为骨干网络搭建Faster-CNN模型。
6.根据权利要求5所述的细胞识别计数方法，其特征在于，搭建Faster-CNN模型的具体方法为：设置一个Faster R-CNN网络架构，使用ResNet模型作为整体加工并调试，使用Layer函数特化网络架构。
7.一种基于Faster-RCNN的细胞识别计数装置，其特征在于，包括：一个或多个处理器；存储器；以及一个或多个计算机程序，其中，所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述细胞识别计数装置执行时，使得所述细胞识别计数装置执行权利要求1-6任一项所述的基于Faster-RCNN的细胞识别计数方法。
8.一种计算机存储介质，存储有计算机指令，其特征在于，计算机指令用于使计算机执行权利要求1-6任一项所述的基于Faster-RCNN的细胞识别计数方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311036868.2A CN116758072B (zh) | 2023-08-17 | 2023-08-17 | 一种基于Faster-RCNN的细胞识别计数方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311036868.2A CN116758072B (zh) | 2023-08-17 | 2023-08-17 | 一种基于Faster-RCNN的细胞识别计数方法、装置及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116758072A CN116758072A (zh) | 2023-09-15 |
| CN116758072B true CN116758072B (zh) | 2023-12-22 |
Family
ID=87948181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311036868.2A Active CN116758072B (zh) | 2023-08-17 | 2023-08-17 | 一种基于Faster-RCNN的细胞识别计数方法、装置及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116758072B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117253229B (zh) * | 2023-11-17 | 2024-07-02 | 浙江大学海南研究院 | 基于深度学习的海洋贻贝微核细胞识别与计数方法及应用 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598849A (zh) * | 2020-04-29 | 2020-08-28 | 北京小白世纪网络科技有限公司 | 一种基于目标检测的病理图像细胞计数方法、设备及介质 |
| CN112868024A (zh) * | 2018-10-15 | 2021-05-28 | 文塔纳医疗***公司 | 用于细胞分类的***和方法 |
| WO2021139258A1 (zh) * | 2020-06-19 | 2021-07-15 | 平安科技（深圳）有限公司 | 基于图像识别的细胞识别计数方法、装置和计算机设备 |
| CN115270874A (zh) * | 2022-07-28 | 2022-11-01 | 无锡博奥玛雅医学科技有限公司 | 一种基于密度估计的流式细胞分类和计数的方法和*** |
| CN116385374A (zh) * | 2023-03-16 | 2023-07-04 | 中国科学院青岛生物能源与过程研究所 | 基于卷积神经网络的细胞计数方法 |
-
2023
- 2023-08-17 CN CN202311036868.2A patent/CN116758072B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112868024A (zh) * | 2018-10-15 | 2021-05-28 | 文塔纳医疗***公司 | 用于细胞分类的***和方法 |
| CN111598849A (zh) * | 2020-04-29 | 2020-08-28 | 北京小白世纪网络科技有限公司 | 一种基于目标检测的病理图像细胞计数方法、设备及介质 |
| WO2021139258A1 (zh) * | 2020-06-19 | 2021-07-15 | 平安科技（深圳）有限公司 | 基于图像识别的细胞识别计数方法、装置和计算机设备 |
| CN115270874A (zh) * | 2022-07-28 | 2022-11-01 | 无锡博奥玛雅医学科技有限公司 | 一种基于密度估计的流式细胞分类和计数的方法和*** |
| CN116385374A (zh) * | 2023-03-16 | 2023-07-04 | 中国科学院青岛生物能源与过程研究所 | 基于卷积神经网络的细胞计数方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116758072A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116758072B (zh) | 一种基于Faster-RCNN的细胞识别计数方法、装置及计算机存储介质 | |
| Wang et al. | Cellular phenotype recognition for high-content RNA interference genome-wide screening | |
| CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、***及介质 | |
| CN105303169B (zh) | 一种基于慢特征的细胞***识别方法及其识别装置 | |
| CN109726195B (zh) | 一种数据增强方法及装置 | |
| CN105976397B (zh) | 一种目标跟踪方法 | |
| CN114283407A (zh) | 一种自适应的白细胞自动分割、亚类检测方法及*** | |
| CN112132001B (zh) | 一种用于iPSC的自动追踪和质量控制方法及终端设备 | |
| CN112052772A (zh) | 一种人脸遮挡检测算法 | |
| CN111414995A (zh) | 小目标菌落的检测处理方法、装置、电子设备及介质 | |
| CN110458096A (zh) | 一种基于深度学习的大规模商品识别方法 | |
| CN114359199A (zh) | 一种基于深度学习的鱼类计数方法、装置、设备和介质 | |
| CN112949517A (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及*** | |
| CN114463843A (zh) | 一种基于深度学习的多特征融合鱼类异常行为检测方法 | |
| CN111402235A (zh) | 菌落图像的生长记录方法、装置、电子设备及存储介质 | |
| CN117495851B (zh) | 一种基于图像轮廓处理的水环境微生物检测方法 | |
| CN114235539A (zh) | 基于深度学习的pd-l1病理切片自动判读方法及*** | |
| CN113569737A (zh) | 基于自主学习网络模型笔记本屏幕缺陷检测方法及介质 | |
| CN110111307B (zh) | 一种免疫教学用免疫***反馈模拟***及方法 | |
| CN107194319B (zh) | 基于支持向量机排序的有丝***定位和识别的方法 | |
| CN109344859B (zh) | 一种基于混合时间池化算子的有丝***定位和识别的方法 | |
| CN116229063B (zh) | 基于类别色彩化技术的语义分割网络模型及其训练方法 | |
| CN118072115B (zh) | 一种医学细胞检测方法及*** | |
| CN113723370B (zh) | 基于斜框的染色体检测方法及装置 | |
| CN110728304B (zh) | 现场勘验刀具图像识别方法 |
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 |