[发明专利]细胞图片识别方法、系统、计算机设备及可读存储介质

说明书

本发明实施例提供了一种基于CapsNet胶囊网络的细胞图片识别方法，所述方法包括：将细胞图片输入到CapsNet胶囊网络中；通过卷积层对所述细胞图片执行卷积操作，以得到A个卷积特征图；通过第一胶囊层对所述A个卷积特征图执行卷积操作，以得到B个多维向量；通过第二胶囊层对所述B个多维向量进行全连接操作，以得到C个激活向量，所述C个激活向量表示有C个细胞类别；根据第二胶囊层输出的C个激活向量，计算所述细胞图片中的细胞影像对应各个细胞类别的概率。本发明实施例的CapsNet胶囊网络结构对识别细胞类别，可以在生物医学图像数据集偏小、细胞之间互相距离近、同一张图有多个细胞等情况下，对细胞实施识别操作并保持较高的识别准确率。

技术领域

本发明实施例涉及计算机数据处理领域，尤其涉及一种基于CapsNet胶囊网络的细胞图片识别方法、系统、计算机设备及计算机可读存储介质。

背景技术

现有技术中，细胞分类通常需要借助生化和光路设备，当前研究人员多采用显微镜图像来采集病人血清图像，医生利用该血清图像检查抗体的存在，从而判断是否存在自体免疫疾病。凭借医生的判断是十分主观的方法，对于医生的经验依赖性较高，因此不易实现高效准确的诊断。因此，医学诊断领域迫切需要自动的显微镜图像处理技术和细胞分类技术，以辅助医生实现便捷和高效的医疗诊断。深度学习自从面世以来一直备受关注，深度学习技术开始应用于细胞分类技术中。使用深度学习对细胞进行分类能够帮助科研人员更好的认识细胞的特征，建立基因组连接，加速药物研发，甚至发现人类无法觉察到的细节。

近几年来，CNN模型日益成熟，科研人员不断尝试利用CNN模型对细胞进行分类，但是CNN模型依然存在很多问题。首先训练CNN模型需要准备大量的数据，但是对于很多问题并不能获取到大量的数据集，比如对很多冷门的分类，就没有完善的数据集可以使用；其次，CNN模型不能很好的解决图像中物体重叠的情况，在微观世界中，细胞之间可能密度很大，紧紧靠在一起，CNN便不能够很好的识别其特征；同时，CNN大规模的使用池化层，虽然池化层能够帮助提取主要信息，迅速缩小图像尺寸，但是带来的是信息的丢失，很可能在主要特征周围的细节特征被丢失掉；最后，CNN只能提取到图像的特征，但不能学习到特征之间的关系，导致CNN学习分类任务时，可能只识别到眼睛鼻子等就判定为人脸，但可能眼睛是在鼻子下面，这就会导致错误判别。

在细胞分类问题上，CNN的以上缺点就非常明显。首先，关于细胞类别缺少完善成熟的数据集可以使用；细胞之间可能互相距离很近，很难单个划分出来，同时，还会造成同一张图片有多个细胞，CNN不能在一张图上学习多个类别的特征；同时，在多标签分类时，CNN不能学习到细胞与细胞之间的关系，导致错分。

因此，有必要提供一种新的细胞识别技术，来提高细胞识别的准确性。

发明内容

有鉴于此，本发明实施例的目的是提供一种基于CapsNet胶囊网络的细胞图片识别方法、系统、计算机设备及计算机可读存储介质，解决细胞识别错误、识别准确率低的问题。

为实现上述目的，本发明实施例提供了一种基于CapsNet胶囊网络的细胞图片识别方法，包括以下步骤：

将细胞图片输入到CapsNet胶囊网络中；

通过卷积层对所述细胞图片执行卷积操作，以得到A个卷积特征图；

通过第一胶囊层对所述A个卷积特征图执行卷积操作，以得到B个多维向量；

通过第二胶囊层对所述B个多维向量进行全连接操作，以得到C个激活向量，所述C个激活向量表示有C个细胞类别；及

根据第二胶囊层输出的C个激活向量，计算所述细胞图片中的细胞影像对应各个细胞类别的概率。

优选地，通过第一胶囊层对所述A个卷积特征图执行卷积操作，以得到B个多维向量的步骤，包括：

将所述A个卷积特征图分为B个卷积特征图组合；