CN107609585A - 一种基于卷积神经网络的体液细胞显微图像识别方法 - Google Patents

一种基于卷积神经网络的体液细胞显微图像识别方法 Download PDF

Info

Publication number
CN107609585A
CN107609585A CN201710803598.1A CN201710803598A CN107609585A CN 107609585 A CN107609585 A CN 107609585A CN 201710803598 A CN201710803598 A CN 201710803598A CN 107609585 A CN107609585 A CN 107609585A
Authority
CN
China
Prior art keywords
max
cell
neural networks
convolutional neural
length
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710803598.1A
Other languages
English (en)
Inventor
梁光明
邱立华
闫妍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Friend Technology Co Ltd
Original Assignee
Hunan Friend Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan Friend Technology Co Ltd filed Critical Hunan Friend Technology Co Ltd
Priority to CN201710803598.1A priority Critical patent/CN107609585A/zh
Publication of CN107609585A publication Critical patent/CN107609585A/zh
Pending legal-status Critical Current

Links

Abstract

本发明公开了一种基于卷积神经网络的体液细胞显微图像识别方法，体液细胞显微图像的识别方法，具体包括：先遍历训练集的图片，计算出归一化的尺寸；对训练集中大小、种类不同的细胞图像进行归一化处理，得到尺寸一致的细胞图像；搭建卷积神经网络；训练卷积神经网络；对细胞图片测试集输入网络得到细胞识别结果，准确率达98.6％。本发明无需复杂预处理，具有好的自适应性和稳定性，不仅是别准确率较高，且在可靠性和鲁棒性上有提升。

Description

一种基于卷积神经网络的体液细胞显微图像识别方法
技术领域
本发明涉及图像识别领域，尤其涉及人体体液细胞的显微图像识别方法，且是一种基于卷积神经网络的手写数字识别方法，在医学检测中有着极其广泛的应用。
背景技术
细胞图像的自动化分析是医疗辅助诊断的重要方法，可以定性定量地诊断病情，更快、更直接地发现病源与病因。在临床应用中，妇科宫颈刮片分析、白带湿片显微图像分析、尿沉渣细胞成分分析、血液红白细胞分析等对预防疾病与指导治疗方面有非常重要的作用。其中细胞的正确识别是细胞图像自动化分析的关键。
尽管目前细胞图像的自动化分析技术的研究已经取得了一定的成果，且细胞图像自动分析技术也得到了比较广泛的应用，但目前将人工提取的图像特征输入BP模型进行分类的主流细胞识别方法易受到采样图像清晰度的影响及人工设计特征的步骤过于复杂不易实现使得识别的准确率有一定瓶颈；如果考虑应用图像识别领域目前分类效果最好的CNN模型，则又由于不同类型的细胞显微图像的尺寸差异较大不能将不同种类的细胞图像直接作为 CNN模型的输入，若采用简单插值缩放得到统一尺寸的图像则又囿于采样图像的清晰度导致图像特征的缺失而降低分类的准确率。因此，设计一种将CNN应用于细胞显微图像识别的新方法是本领域亟需解决的问题。
发明内容
针对现有技术存在的缺陷和不足，本发明提出一种基于卷积的体液细胞识别的新方法，包括如下步骤：
1、计算统一的尺寸
遍历待训练图片集，对于每一张单个细胞图片Q：
a)提取细胞轮廓，记细胞部分为点集C，背景部分为点集B；
b)对提取的轮廓作与X轴、Y轴平行的最小外接矩，记该外接矩的水平长为Mi，竖直长为Ni；
c)定义细胞库中细胞轮廓外接矩的水平最大长为Mmax，Mmax＝0，竖直最大长为Nmax,Nmax＝0；比较Mi与Mmax，Ni与Nmax，若Mi>Mmax，令Mmax＝Mi；若Ni>Nmax，令Nmax＝Ni。
2、训练图片集尺寸归一化
遍历待训练图片集，对于每一张单个细胞图片Q：
a)提取细胞轮廓，记细胞部分为点集C，背景部分为点集B；
b)求背景区域的平均颜色，其中xi∈B；
c)令xi＝meanColor，其中xi∈B；
d)新建一幅尺寸为Mmax×Nmax的图片P，其中每个像素赋值为meanColor；
e)对于Q中的每个点Qx，y，令
f)P中每个像素值除以255；
g)用P覆盖Q。
3、待识别图像尺寸归一化
遍历待识别图片集，对于每一张单个细胞图片Q：
a)提取细胞轮廓，记细胞部分为点集C，背景部分为点集B；
b)计算平均背景颜色其中xi∈B；
c)对提取的轮廓作与X轴平行的外接矩，记该外接矩的水平长为Mi，竖直长为Ni；
d)新建一幅尺寸为Mmax×Nmax的图片P，其中每个像素赋值为meanColor；
e)若Mi≥Mmax且Ni≥Nmax：对于Q中的点Qx，y，其中， 令若Mi≥Mmax且Ni<Nmax，对于Q 中的点Qx，y，其中，y∈[0，Ni]，令若Mi<Mmax且Ni≥Nmax，对于Q中的点Qx，y，其中，x∈[0，Mi]， 令若Mi<Mmax且Ni<Nmax，对于Q 中的每个点Qx，y，令
f)P中每个像素值除以255；
g)用P覆盖Q。
4、搭建一个卷积神经网络
a)输入层的节点个数为Mmax×Nmax；
b)卷积层卷积核大小为3×3，步长为1×1，filter个数为32；
c)池化层采用Fractional Max Pooling，卷积核为1.414×1.414，步长为1×1；
d)(b)(c)中的卷积层和池化层交替连接16层，后接两层全连接层，节点个数分别为256、128；
e)最后一层为softmax层，输出节点数为待分类的细胞类别数。
5、训练搭建好的卷积神经网络
a)设定卷积神经网络的迭代次数，迭代次数的设定影响着卷积神经网络的性能，迭代
次数过高可能会发生过拟合，迭代次数过少又会欠拟合，迭代次数的设定一般根据经验与尝试来进行；
b)全连接层采用dropout方法按照一定的概率丢弃全连接层的神经元，dropout值取0.5；
c)采用分批的方法将训练集送入到卷积神经网络中，即在卷积神经网络的训练过程中，每次并不是将所有的图片一次送入到卷积神经网络中进行训练，而是将所有的图片非为若干批，逐批输入。
6、识别待识别的图片集
a)将归一化后的待识别图片输入训练好的网络中，进行识别，得出识别结果；
b)将网络输出与待识别图片原有的标签进行对比，得出网络的识别率。
从上述技术方案可以看出，本发明公开的基于卷积神经网络的体液细胞显微图像识别方法，通过对待识别图片进行简单的归一化后将原图直接输入上述网络模型得到结果，省去了传统方法繁复的人工提取特征步骤，解决了人工设计图像特征鲁棒性不强、难度大的问题。相较传统的人工提取形态学特征再输入BP模型的识别方法，简化步骤的同时又提高了识别速度和准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明公开的一种计算归一化尺寸的流程图；
图2为本发明公开的一种训练集图片归一化的流程图；
图3为本发明公开的一种卷积神经网络的结构图；
图4为本发明公开的一种卷积神经网络训练流程图；
图5为本发明公开的一种细胞识别的流程图；
图6为本发明实施例数据集中的细胞图例；
具体实施方式
下面将结合本发明实例中的附图，对本发明实例中的技术方案进行清除、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例公开了一种体液细胞显微图像识别方法，数据集选用尿液细胞小图谱进行细胞四分类，类别为：红细胞，白细胞，皱缩红细胞，芽孢红细胞，每类20000张图片。将数据集随机排列，制作成10个小批数据，取前9批为训练数据，第10批为测试数据。这四类细胞的识别过程包括如下步骤：
(1)按照图1的流程，计算归一化的图片尺寸。先遍历待训练图片集，对于每一张单个细胞图片Q，提取细胞轮廓，记细胞部分为点集C，背景部分为点集B；对提取的轮廓作与 X轴平行的外接矩，记该外接矩的水平长为Mi，竖直长为Ni；定义细胞库中细胞轮廓外接矩的水平最大长为Mmax＝0，竖直最大长为Nmax＝0,比较Mi与Mmax，Ni与Nmax，若Mi>Mmax，令Mmax＝Mi；若Ni>Nmax，令Nmax＝Ni；直到训练集图片全部处理完。
(2)按照图2的流程，训练图片集尺寸归一化。再次遍历待训练图片集，对于每一张单个细胞图片Q，提取细胞轮廓，记细胞部分为点集C，背景部分为点集B；求背景区域的平均颜色，其中xi∈B；新建一幅尺寸为Mmax×Nmax的图片P，其中每个像素赋值为meanColor；对于Q中的每个点Qx，y，令P中每个像素值除以255；用P覆盖Q；直到训练及图片全部处理完毕。
(3)按照图3的结构图，使用Tensorflow搭建卷积神经网络模型。其中，输入层的节点个数为Mmax×Nmax；卷积层卷积核大小为3×3，步长为1×1，filter个数为32；池化层采用Fractional Max Pooling，卷积核为1.414×1.414，步长为1×1；上述卷积层和池化层交替连接16层，后接两层全连接层，节点个数分别为256、128；最后一层为softmax层，输出节点数为4。
(4)按照图4的流程，训练(3)中搭建好的网络模型。设置训练次数为100，全连接层dropout 为0.6；输入训练数据对网络训练。
(5)按照图5的流程，识别测试图片集。对测试图片进行归一化处理后输入网络模型，记录识别结果。

Claims (1)

1.一种基于卷积神经网络的体液细胞显微图像识别方法，其特征在于，包括如下步骤：
(1)定义细胞库中细胞轮廓外接矩的水平最大长为Mmax，Mmax＝0，竖直最大长为Nmax,Nmax＝0；遍历待训练图片集，对于每一个单个细胞图片：提取细胞轮廓，对提取的轮廓作与X轴、Y轴平行的最小外接矩，记该外接矩的水平长为Mi，竖直长为Ni；比较Mi与Mmax，Ni与Nmax，若Mi>Mmax，令Mmax＝Mi；若Ni>Nmax，令Nmax＝Ni；
(2)由遍历待训练图片集，对于每一张单个细胞图片Q：提取细胞轮廓，记细胞部分为点集C，背景部分为点集B；求背景区域的平均颜色，其中xi∈B；新建一幅尺寸为Mmax×Nmax的图片P，其中每个像素赋值为meanColor；对于Q中的每个点Qx，y，令P中每个像素值除以255；用P覆盖Q；
(3)输入层的节点个数为Mmax×Nmax；卷积层卷积核大小为3×3，步长为1×1，filter个数为32；池化层采用Fractional Max Pooling，卷积核为1.414×1.414，步长为1×1；卷积层和池化层交替连接16层，后接两层全连接层，节点个数分别为256、128；最后一层为softmax层，输出节点数为待分类的细胞类别数；
(4)用训练集训练搭建好的卷积神经网络，其中迭代次数设为100次，全连接层dropout取0.5；
(5)将归一化后的测试图片输入到训练好的网络中，进行识别，记录识别结果。
CN201710803598.1A 2017-09-08 2017-09-08 一种基于卷积神经网络的体液细胞显微图像识别方法 Pending CN107609585A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710803598.1A CN107609585A (zh) 2017-09-08 2017-09-08 一种基于卷积神经网络的体液细胞显微图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710803598.1A CN107609585A (zh) 2017-09-08 2017-09-08 一种基于卷积神经网络的体液细胞显微图像识别方法

Publications (1)

Publication Number Publication Date
CN107609585A true CN107609585A (zh) 2018-01-19

Family

ID=61062791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710803598.1A Pending CN107609585A (zh) 2017-09-08 2017-09-08 一种基于卷积神经网络的体液细胞显微图像识别方法

Country Status (1)

Country Link
CN (1) CN107609585A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197606A (zh) * 2018-01-31 2018-06-22 浙江大学 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法
CN113205054A (zh) * 2021-05-10 2021-08-03 江苏硕世生物科技股份有限公司 菌丝显微图像识别方法和系统、设备、可读介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654107A (zh) * 2015-09-21 2016-06-08 长春迪瑞医疗科技股份有限公司 一种基于svm的有形成分分类方法
CN106228177A (zh) * 2016-06-30 2016-12-14 浙江大学 基于卷积神经网络的日常生活物体图像识别方法
CN106709421A (zh) * 2016-11-16 2017-05-24 广西师范大学 一种基于变换域特征和cnn的细胞图像识别分类方法
CN106897682A (zh) * 2017-02-15 2017-06-27 电子科技大学 一种基于卷积神经网络的白带中白细胞自动识别方法
CN107066934A (zh) * 2017-01-23 2017-08-18 华东交通大学 胃部肿瘤细胞图像识别判定装置、方法及胃部肿瘤切片识别判定设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654107A (zh) * 2015-09-21 2016-06-08 长春迪瑞医疗科技股份有限公司 一种基于svm的有形成分分类方法
CN106228177A (zh) * 2016-06-30 2016-12-14 浙江大学 基于卷积神经网络的日常生活物体图像识别方法
CN106709421A (zh) * 2016-11-16 2017-05-24 广西师范大学 一种基于变换域特征和cnn的细胞图像识别分类方法
CN107066934A (zh) * 2017-01-23 2017-08-18 华东交通大学 胃部肿瘤细胞图像识别判定装置、方法及胃部肿瘤切片识别判定设备
CN106897682A (zh) * 2017-02-15 2017-06-27 电子科技大学 一种基于卷积神经网络的白带中白细胞自动识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
施彦等编著: "《神经网络设计方法与实例分析》", 31 December 2009, 北京邮电大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197606A (zh) * 2018-01-31 2018-06-22 浙江大学 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法
CN113205054A (zh) * 2021-05-10 2021-08-03 江苏硕世生物科技股份有限公司 菌丝显微图像识别方法和系统、设备、可读介质

Similar Documents

Publication Publication Date Title
CN106682633B (zh) 基于机器视觉的粪便镜检图像有形成分的分类识别方法
CN112418117B (zh) 一种基于无人机图像的小目标检测方法
William et al. Cervical cancer classification from Pap-smears using an enhanced fuzzy C-means algorithm
CN109300111B (zh) 一种基于深度学习的染色体识别方法
CN106248559B (zh) 一种基于深度学习的白细胞五分类方法
CN109447977B (zh) 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法
CN111079620B (zh) 基于迁移学习的白细胞图像检测识别模型构建方法及应用
CN111860459B (zh) 一种基于显微图像的禾本科植物叶片气孔指数测量方法
CN109740697B (zh) 基于深度学习的尿沉渣显微图像有形成分识别方法
CN106340016A (zh) 一种基于细胞显微镜图像的dna定量分析方法
CN111046886A (zh) 号码牌自动识别方法、装置、设备及计算机可读存储介质
CN105760858A (zh) 一种基于类Haar中间层滤波特征的行人检测方法及装置
CN112215790A (zh) 基于深度学习的ki67指数分析方法
Tofighi et al. Deep networks with shape priors for nucleus detection
CN112529005B (zh) 基于语义特征一致性监督金字塔网络的目标检测方法
CN107766860A (zh) 基于级联卷积神经网络的自然场景图像文本检测方法
Quiñones et al. Leukocyte segmentation and counting based on microscopic blood images using HSV saturation component with blob analysis
CN109117703A (zh) 一种基于细粒度识别的混杂细胞种类鉴定方法
CN112862849A (zh) 一种基于图像分割和全卷积神经网络的田间稻穗计数方法
CN111914902A (zh) 一种基于深度神经网络的中药识别与表面缺陷检测方法
CN107292346A (zh) 一种基于局部子空间学习的mr图像海马体分割算法
CN113221956A (zh) 基于改进的多尺度深度模型的目标识别方法及装置
CN111899274A (zh) 一种基于深度学习tem图像分割的粒径分析方法
CN107609585A (zh) 一种基于卷积神经网络的体液细胞显微图像识别方法
CN110188592B (zh) 一种尿液有形成分细胞图像分类模型构建方法及分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180119

RJ01 Rejection of invention patent application after publication