[发明专利]针对医学图像的细胞核自动检测方法

权利要求书

1.一种针对医学图像的细胞核自动检测方法，其特征在于，包括：

按如下方式构建深度神经网络：在编码器-解码器的网络结构基础上设计连接支路代替跳跃连接，连接支路由通道注意力模块、多尺度特征提取器和空间注意力模块串联组成；深度神经网络通过编码器逐层提取医学图像的语义信息，得到语义特征图；通过连接支路提取从语义特征图中提取多尺度的细胞核空间位置信息，并结合通道注意力模块和空间注意力模块从通道和空间位置两个角度自动选择与细胞核相关的信息；再通过解码器得到医学图像中每一像素被预测为细胞核的概率，即位置概率图P_k；其中，所述多尺度特征提取器由串联的inception模块构成；编码器和解码器间的连接支路采用加权求和的方式进行特征融合；

利用训练集对深度神经网络进行迭代训练，并通过验证集进行评估，选择其中性能最好的网络；

在测试阶段，将测试集中的医学图像输入至选择的性能最好的网络中，得到对应的位置概率图，对位置概率图进行后处理得到最终的检测结果。

2.根据权利要求1所述的一种针对医学图像的细胞核自动检测方法，其特征在于，

通道注意力模块包括以下操作：使用平均池化将输入的特征图h变成1维向量v，对该1维向量v进行卷积并用sigmoid函数得到1维通道注意力向量f^ca，将通道注意力向量f^ca按维度与输入的特征图h相乘得到通道注意力模块的输出；

空间注意力模块包括以下操作：对输入的特征图h′进行卷积并用sigmoid函数得到2维空间注意力向量f^sa，将空间注意力向量f^sa按像素与输入的特征图h′相乘得到空间注意力模块的输出。

3.根据权利要求1或2所述的一种针对医学图像的细胞核自动检测方法，其特征在于，选择二值交叉熵作为深度神经网络的损失函数，表示为：

其中，x_i为训练样本，y_i为对应的标签，n为训练样本总数；G_θ(·)为深度神经网络，θ是深度神经网络的参数集合。

4.根据权利要求1或2所述的一种针对医学图像的细胞核自动检测方法，其特征在于，该方法还包括：进行数据预处理，步骤包括：

将数据集分成训练集、验证集和测试集三部分，并计算训练集的均值μ和方差σ；其中，针对训练集的数据采用旋转和翻转的方式进行数据增广；

针对增广后的数据集中的每一张图像I_k，都以均值μ和方差σ进行归一化操作，即从而得到归一化后的训练集、验证集以及测试集。

5.根据权利要求1所述的一种针对医学图像的细胞核自动检测方法，其特征在于，位置概率图进行后处理的方式包括：针对位置概率图采用非极大值抑制法得到检测候选点，针对检测候选点采用阈值法得到最终的检测结果。