[发明专利]一种细胞检测方法

说明书

本发明公开一种细胞检测方法,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。本发明基于知识蒸馏模型方法，通过更有效率地利用点标注信息来提高细胞检测性能。

技术领域

本发明涉及计算机神经网络技术应用领域，尤其涉及一种细胞检测方法。

背景技术

基于深度卷积神经网络的图像语义分割技术被广泛的应用于细胞检测问题。相比于传统视觉算法，基于深度卷积神经网络的图像语义分割技术取得了显著的性能提升。

一些经典的深度卷积神经网络结构，如FCN(fully convolutional neuralnetworks),U-net和Segnet在细胞检测问题中已然成为了基准方案。但由于细胞检测问题中错综复杂的场景，如粘连细胞，背景噪声以及细胞大小和形态的多变，使得这些基于深度卷积神经网络的图像语义分割技术在细胞检测问题上的性能仍有待进一步提升。

目前的一些细胞检测技术由于不能充分利用点标注监督信息进而不能进一步有效提高细胞检测性能。

发明内容

本发明旨在提供一种基于知识蒸馏、更有效地利用点标注信息从而提高细胞检测性能的细胞检测方法。

为达到上述目的，本发明是采用以下技术方案实现的：

一种细胞检测方法，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。

优选的，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。

进一步的，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Loss_t，如下所示：

其中y为教师模型的输出，n为标签的个数。

进一步的，在步骤s2中，随机生成m组并基于Loss_t优化训练深度卷积神经网络，得到m个教师模型。