[发明专利]一种基于深度学习的多细胞球识别与分类方法

说明书

本发明公开了一种基于深度学习的多细胞球识别与分类方法，首先对多细胞球培养显微图像转化成灰度图像；然后通过人工标注的训练集对RCNN算法模型进行训练得到最优RCNN检测模型；训练好的最优检测模型对图像中目标多细胞球进行识别和定位，提取图像中多细胞球的子图像；多：采用基于直方图分割阈值的算法，对细胞球分割，并提取分割后的多细胞图像，再通过人工分类后的大样本多细胞子图像进行训练，得到最优细胞分类模型；利用训练好的最优细胞分类模型对细胞显微图像进行细胞分类。本发明能显著增强细胞识别检测和泛化性能和鲁棒性，大幅降低外界环境和人工操作对检测结果的影响，提高了检测分析的准确率，同时提高了检测效率。

技术领域

本发明主要涉及基于人工智能的精子形态学分析相关的临床应用和科研。

背景技术

随着现代细胞和分子生物学技术的发展，人类对于各类疾病的发病及转归机理的研究取得了巨大的进展，并基于此发展出了各种新型治疗方法，从而极大程度地改善了各类疾病的诊断、治疗以及患者预后。癌症的诊断和治疗以及细胞靶向药物的研制过程都需要对细胞进行培养，从而进行体外细胞试验，进而为动物试验甚至人体临床试验提供前期基础研究。而目前传统的细胞培养需要频繁的人工干预和操作并进行细胞的确定及分类，因此存在因为人工经验、评价分类方法及操作习惯的差异，这种方法耗时且效率低下；检验结果受检验人员的主观成分影响较重，不同检验人员的分类结果差异较大，导致细胞的识别和分类的判断出现误差，影响最终的体外细胞试验结果。

随着人工智能的快速发展，通过计算机图像处理和分析的辅助手段得到快速广泛应用，如果细胞计数、染色体分析、细胞识别和分类的自动处理，大大降低了细胞培养与检测的工作强度，并提高了检测和分析的准确性，有助于细胞培养和病理试验的准确小。而对于多细胞球有限团聚培养的的复杂性和特殊性，尤其是针对细胞团聚形态的识别和分类，现有显微图像算法的准确率还有待提高。

发明内容

针对现有技术存在的问题，本发明提供了一种基基于深度学习的多细胞球识别与分类方法，在确保检测准确度的同时提高了检测速度。

为解决上述技术问题，本发明采用了以下技术方案：一种基于深度学习的多细胞球识别与分类方法，包括以下步骤：

S1：通过激光扫描共聚焦显微镜获取大样本的多细胞球培养显微图像，并转化成灰度图像；

S2，对灰度图像中多细胞球进行人工标注，然后通过深度学习目标算法对RCNN算法模型进行训练得到最优RCNN检测模型；

S3，通过训练好的最优RCNN检测模型对灰度图像中的目标多细胞球进行识别和定位，提取图像中多细胞球的子图像；

S4，多细胞球的分割：采用基于直方图分割阈值的算法，从图像背景中对目标细胞进行分离：

首先，将多细胞球的子图像的最大灰度和最小灰度的中值作为初始阈值，遍历灰度图像中所有像素点并根据阈值划分为两个区域U1和U2；

然后，计算两个区域U1和U2的区域弧度平均值TU1和TU2，以TU1和TU2的平均值T1更新原阈值，并重复上述步骤直到，为误差系数，最终得到最优的分割阈值；

最后，并根据最优的分割阈值对多细胞球的子图像进行二值化分割标定，并进行存储；

S5，提取分割后的多细胞图像经过人工分类，利用卷积神经网络算法搭建细胞分类模型，并通过人工分类后的大样本多细胞子图像进行训练，得到最优细胞分类模型。

S6，利用训练好的最优细胞分类模型对步骤S4得到的二值化图像进行细胞分类。

进一步的，步骤S1中多细胞球培养显微图像经过灰度转化后，还需经过缺省值处理：缺省值处理按照与该数据最相近的若干个非空邻居帧的加权平均值进行设置，缺省数据的加权平均值通过式（1）计算：

（1）