[发明专利]一种细胞检测方法有效
申请号: | 202010148787.1 | 申请日: | 2020-03-05 |
公开(公告)号: | CN111369535B | 公开(公告)日: | 2023-04-07 |
发明(设计)人: | 杨永全;郑众喜;王杰;向旭辉 | 申请(专利权)人: | 笑纳科技(苏州)有限公司 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06N3/0464;G06N3/08;G06T7/11 |
代理公司: | 苏州优特博知识产权代理事务所(普通合伙) 32695 | 代理人: | 吝秀梅 |
地址: | 215000 江苏省苏州市中国(江苏)自由贸易试验区苏州*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 细胞 检测 方法 | ||
1.一种细胞检测方法,其特征在于,包括以下步骤:
步骤s1:由人工在测试图像上标注点标注信息,并从点标注信息中提取若干个标签;
步骤s2:通过对若干个标签进行联合学习,得到若干个教师模型;
步骤s3:对若干个教师模型的权重进行学习优化;
步骤s4:基于步骤s3中得到的教师模型的权重,生成加权标签,并用于训练单个学生模型;
步骤s5:基于步骤s4中得到的训练后的学生模型完成对细胞检测的测试,得到检测结果; 在步骤s1中,从点标注信息中提取若干个标签的过程的表达式如下所示:
y′=TargetExtraction(Y′)
={y1,y2,…,yn}
其中Y′为点标注,y′为从Y′中提取到的若干标签的集合,n为y′中元素的个数;
TargetExtraction的表达式如下:
C=s/2
σ=((s-1)*0.5-1)*0.3+0.8
其中,(i,j)为标签中高斯核的坐标,s为高斯核的尺度,c为高斯核的中心点,σ为高斯核的平滑方差;
提取的n个标签是通过采用不同尺度的高斯核标注来表示点标注的不同形态的。
2.根据权利要求1所述的一种细胞检测方法,其特征在于:在步骤s2中,通过步骤s1所得到的若干个标签,构造深度卷积模型输出与n个标签间的联合损失函数Losst,如下所示:
其中y为教师模型的输出,n为标签的个数。
3.根据权利要求2所述的一种细胞检测方法,其特征在于:在步骤s2中,随机生成m组并基于Losst优化训练深度卷积神经网络,得到m个教师模型。
4.根据权利要求3所述的一种细胞检测方法,其特征在于:在步骤s3中,将所得到的m个教师模型的输出进行加权,得到加权输出yw如下所示:
其中β为教师模型的权重参数。
5.根据权利要求4所述的一种细胞检测方法,其特征在于:在步骤s3中,基于加权输出yw和标签y1构建损失函数如下所示:
并基于Lossw优化教师模型权重参数β。
6.根据权利要求5所述的一种细胞检测方法,其特征在于:在步骤s4中,基于所得到的m个教师模型以及教师模型的权重参数,生成加权标签-一即用于训练学生模型的标签y′w,如下所示:
7.根据权利要求6所述的一种细胞检测方法,其特征在于:在步骤s4中,基于得到的标签y′w来构建损失函数Losss如下所示:
其中,ys为学生模型的输出,并基于Losss优化学生模型参数得到学生模型。
8.根据权利要求1所述的一种细胞检测方法,其特征在于:在步骤s5中,将测试图像输入学生模型,由学生模型生成预测结果图,并采用二维局部极值点查找算法来查找预测结果图中的局部极值点,最后将局部极值点显示到测试图像上,得到检测结果。
9.根据权利要求1所述的一种细胞检测方法,其特征在于:在步骤s5之后,基于性能度量指标,采用全卷积网络FCN作为集成模型来测试性能;所述性能度量指标包括tp、fp、fn、precision、recall、acc以及f1,tp为检测正确的细胞数量,fp为检测错误的细胞数量,fn为漏检的细胞数量,precision为精准率,recall为召回率,f1为整体性能,acc为整体准备率,并由下列关系式表示:
所述全卷积网络FCN为所述教师模型和所述学生模型的基础结构。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于笑纳科技(苏州)有限公司,未经笑纳科技(苏州)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010148787.1/1.html,转载请声明来源钻瓜专利网。