[发明专利]一种基于深度学习的细胞图像分析方法

说明书

本发明提供一种基于深度学习的细胞图像分析方法，包括以下步骤：步骤S1：构建细胞图像的参考标准数据集；步骤S2：构建细胞图像分析模型；步骤S3：构建细胞图像样本数据集；步骤S4：更新细胞图像参考标准数据集；步骤S5：优化细胞图像分析模型；步骤S6：更新细胞图像样本数据集。其优点在于，使用模型对细胞图像原始数据进行细胞的分类检测，生成细胞图像样本数据集；再通过细胞图像参考标准数据集的更新，对数据集和模型进行迭代训练，提高细胞图像样本数据集的分类检测准确率；有效提高细胞图像数据集的构建效率，解决实际应用中构建细胞图像数据集工作量大，工作时间过长的问题。

技术领域

本发明属于深度学习，图像处理技术领域，尤其涉及一种基于深度学习的细胞图像分析方法。

背景技术

传统的机器学习方法和基于卷积神经网络的深度学习方法在很多领域得到了广泛的应用，相关研究表明，传统的机器学习方法和基于卷积神经网络的深度学习方法在医疗影像领域的分类识别及分割方面已经取得了很大的成就，具有非常大的实际应用潜力，有希望在细胞图像分类检测中达到细胞病理诊断专家的精度，实现比相关病理诊断专家更快的速度且鲁棒性强。

大规模高质量的细胞图像样本数据集，是构建性能优异的学习模型的必要条件之一。然而在实际应用情况中，经常缺少大规模高质量的细胞图像样本数据集。很多的医院都有大量真实病例的细胞图像数据，对这些细胞图像数据进行样本标注需要花费相应的人力成本和时间成本。据统计，细胞病理诊断专家诊断每张细胞图像的时间大约是3分钟，所以完全基于人工标注细胞图像数据构建大规模细胞图像样本数据集的方法是极其困难的，也不符合实际应用的需要。

因此，在医疗影像领域亟需一种基于深度学习的细胞图像分析方法，具有对细胞图像数据分类及分割处理速度快、准确率高、鲁棒性强的优点。

发明内容

本发明的目的是针对现有技术的不足，提供一种基于深度学习的细胞图像分析方法。

为实现上述目的，本发明采取的技术方案是：

本发明的第一方面提供了一种细胞图像数据集构建方法，包括以下步骤：

步骤S1：构建细胞图像的参考标准数据集

在N张细胞图像中任意选取n张细胞图像，并对选取得到的n(n<N)张细胞图像进行人工标注(含标签及分类掩模)，使用标注后的所述细胞图像构建参考标准数据集；

步骤S2：构建细胞图像分析的分类模型

建立基于深度学习的卷积神经网络分类模型(如ResNet)，基于迁移学习的方法，构建出细胞图像分类模型，并采用所述步骤S1构建的所述参考标准数据集对所述细胞图像分类模型进行训练；

建立基于深度学习的卷积神经网络分割模型(如U-Net),基于迁移学习的方法，构建出细胞图像分割模型；

步骤S3：构建细胞图像样本数据集

采用经所述步骤S2学习训练后的所述细胞图像分析模型对剩余的所述细胞图像数据进行分类与分割，构建细胞图像样本数据集。

具体地，还包括：

步骤S4：更新细胞图像参考标准数据集

在所述步骤S3构建的所述细胞图像样本数据集中任意选取m(m<N)张细胞图像，并对m张所述细胞图像进行评估，将所述评估后符合标准的细胞图像添加至所述细胞图像参考标准数据集，达到更新细胞图像参考标准数据集的目的。

具体地，还包括：

步骤S5：优化细胞图像分析模型

采用经步骤S4更新后的细胞图像参考标准数据集对步骤S2构建的所述细胞图像分析模型进行迭代学习训练，从而获得性能优化后的所述细胞图像分析模型。