[发明专利]一种基于深度学习的细胞检测方法

说明书

本发明提供了一种基于深度学习的细胞检测方法，包括如下步骤：对血样进行拍照，得到原始图片；对原始图片进行扩充处理，得到扩充图片；对扩充图片进行人工标注，得到标注图片；将标注图片输入深度学习模型进行训练，当准确度达到预设值时得到最终的检测模型。本发明在对原始图片进行扩充处理后，得到的扩充图片能够最大限度地模拟不同拍摄环境下得到的图像照片，以此为基础训练出来的检测模型将具有更高的准确度及普适性，扩大检测模型的识别范围。

技术领域

本发明涉及细胞图像识别技术领域，尤其涉及一种基于深度学习的细胞检测方法。

背景技术

为实现血常规镜检法检测的自动化，需要准确地对细胞计数与分类。由于细胞间的形态变换多，杂质与细胞间分界特征不明显，如何将细胞与杂志进行区分并准确计数，已成为业内共同关注的课题。

传统的处理方式有平滑处理、灰度处理、二值化处理、图像膨胀、图像腐蚀、边缘检测等，这些方法大多需要人为设定一个阈值，而且这个阈值需要在一定的拍摄环境下才有效，否则效果不佳，比如二值化处理，Canny边缘检测等；另外部分方法虽然不需要人为的设定的值，但分割效果不是很好，尤其是细胞多、杂质多、细胞重叠的情况。

有鉴于此，需要提出一种新的技术方案来解决上述技术问题。

发明内容

本发明的目的在于提供一种基于深度学习的细胞检测方法，用于解决上述现有技术中的问题。

为实现上述目的，本发明采用以下技术手段：

一种基于深度学习的细胞检测方法，包括如下步骤：

对血样进行拍照，得到原始图片；

对原始图片进行扩充处理，得到扩充图片；

对扩充图片进行人工标注，得到标注图片；

将标注图片输入深度学习模型进行训练，当准确度达到预设值时得到最终的检测模型。

作为进一步的改进，所述所述扩充处理包括随机调整图片的背景亮度、随机旋转图片的角度和添加图片噪音中的一种或多种。

作为进一步的改进，所述原始图片与所述扩充图片的数量比为1:(10-20)。

作为进一步的改进，所述人工标注采用labelme标注工具，标注时沿着细胞边界用线圈起来，并标注细胞的类型和区别码。

作为进一步的改进，所述原始图片中的细胞具有清晰的形态特征，所述形态特征包括细胞的形状、颜色和边缘。

作为进一步的改进，所述将标注图片输入深度学习模型进行训练的步骤具体包括：

1)所述标注图片划分为训练集和测试集；

2)将所述训练集输入深度学习模型进行训练，得到最终的检测模型；

3)将所述测试集在最终的检测模型上进行验证；

其中，所述训练集的数量多于所述测试集的数量。

作为进一步的改进，所述训练集和所述测试集的比例为8:2。

作为进一步的改进，所述深度学习模型为Mask R-CNN，所述训练的时间为3-5天。

作为进一步的改进，所述预设值为[0.9,1)。

作为进一步的改进，所述细胞包括红细胞、白细胞和血小板。

相比于现有技术，本发明带来以下技术效果：