CN109376619B - 一种细胞检测方法 - Google Patents

一种细胞检测方法 Download PDF

Info

Publication number
CN109376619B
CN109376619B CN201811158967.7A CN201811158967A CN109376619B CN 109376619 B CN109376619 B CN 109376619B CN 201811158967 A CN201811158967 A CN 201811158967A CN 109376619 B CN109376619 B CN 109376619B
Authority
CN
China
Prior art keywords
network
task
value
formula
anchor network
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.)
Active
Application number
CN201811158967.7A
Other languages
English (en)
Other versions
CN109376619A (zh
Inventor
刘丽
肖晶晶
吴毅
翟永平
谭立文
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.)
Third Military Medical University TMMU
Original Assignee
Third Military Medical University TMMU
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 Third Military Medical University TMMU filed Critical Third Military Medical University TMMU
Priority to CN201811158967.7A priority Critical patent/CN109376619B/zh
Publication of CN109376619A publication Critical patent/CN109376619A/zh
Application granted granted Critical
Publication of CN109376619B publication Critical patent/CN109376619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种细胞检测方法，包括以下步骤，S1：统计样本数据深层特征并生成深度检测锚网络；S2：对深度检测锚网络进行训练；S3：采用完成训练的深度检测锚网络检测待检测数据。本发明所提供细胞检测方法相较于目前的细胞检测方法具有更好的检测精度和检测速度，实现了检测速度和计算资源消耗的平衡。

Description

一种细胞检测方法
技术领域
本发明涉及一种细胞检测方法，具体涉及一种采用多任务驱动深度检测锚网络的细胞检测方法。
背景技术
现有细胞检测的方法包括基于先验知识的方法和基于监督学习的方法。
基于先验知识的方法包括霍夫变换、高斯滤波拉普拉斯，基于径向对称的投票算法等，主要是设计者根据任务的理解和设计的，可能会受到研究人员主观偏好的影响。
基于监督学习的方法包括向量机、随机森林、卷积神经网络等.
上述两种方法均存在结果准确度低，计算速度慢，计算资源消耗大,损失曲线波动较大损失较高的缺陷。
发明内容
为了解决上述问题，本发明提供一种细胞检测方法，包括以下步骤，
S1：统计样本数据深层特征并生成深度检测锚网络；
S2：对深度检测锚网络进行训练；
S3：采用完成训练的深度检测锚网络检测待检测数据。
进一步的，
所述步骤S1还包括，
对训练样本进行预处理和标定；
对训练样本标定包括标定训练样本坐标和标定训练样本类别并将标定结果存储为xml文件。
进一步的，
所述深度检测锚网络包括深层卷积神经网络、面向任务的锚网络、多任务学习网络；
所述深层卷积神经网络用于提取图像特征；
所述面向任务的锚网络用于在提取出的图像特征中选择感兴趣候选区域；
所述多任务学习网络用于预估细胞的位置和大小和识别检测到的细胞。
进一步的，
所述面向任务的锚网络的样本标签数据中锚的大小为a，锚的长宽比为b，a的取值采用以下公式确定：
min|S1-S2|s.t.Pr(S1≤uS≤S2)＞＝0.8 (1)
Figure BDA0001819584430000021
其中，us表示标签中锚的面积S的集合的平均值；
公式(1)表示S1，S2为S中的任意取值，且满足在S上置信区间大于或等于0.8，且对于us对称；
公式(2)表示a的取值为满足公式(1)中S1，S2取值范围内的2的倍数的个数和具体值；
b的取值采用以下公式确定：
min|R1-R2|s.t.Pr(R1≤uR≤R2)＞＝0.8 (3)
Figure BDA0001819584430000022
其中，uR表示标签中锚的长宽比R的集合的平均值；
公式(3)表示R1，R2为R中任意取值，且满足在R上置信区间大于或等于0.8，且对于uR对称；
公式(4)表示b的取值为满足公式(3)中R1，R2取值范围内1/2的倍数的个数和具体值。
进一步的，
根据a,b的取值来确定深度检测锚网络在每一像素点生成的锚的个数k,其中k＝a*b。
进一步的，
所述多任务学习网络包含分类任务和回归任务，
所述多任务学习网络通过将多重相关任务包含的域信息作为归纳偏差来对网络进行改进和泛化，任务之间共享参数，其损失函数定义如下：
Figure BDA0001819584430000031
其中，i表示上述锚网络所生成的候选框的序号，ci表示细胞属于某个类别的概率，
Figure BDA0001819584430000032
表示标签所属类别；bi表示生成的边框的坐标，
Figure BDA0001819584430000033
表示标签的坐标，在分类任务上其损失函数Lc为对数损失，在回归任务上，损失函数
Figure BDA0001819584430000034
为鲁棒性强的L1损失函数；
当预测标签与地面实况标签相同时，Li＝1。
进一步的，
若样本数据数量低于预设阀值则在训练过程中采用迁移学习策略并选择已完成训练的模型根据样本数据进行微调。
进一步的，
所述步骤S3包括，
S31：采用完成训练的深度检测锚网络在待测数据图像中检测目标，生成坐标；
S32：采用深度检测锚网络预估目标所属类别标签；
S33：将待检测数据放入完成训练的的深度检测锚网络中进行测试并生成统计信息，所述统计信息包括精确率和灵敏性。
本发明的有益效果是：
本发明所提供的细胞检测方法相较于目前的细胞检测方法具有更好的检测精度和检测速度，实现了检测速度和计算资源消耗的平衡，损失曲线波动较小，损失较小。
附图说明
图1为本发明一实施例流程图。
图2为本发明一实施例流程图。
图3为本发明一实施例像素点生成候选区域示意图。
图4为本发明一实施例三种细胞检测网络损失曲线对比示意图。
具体实施方式
如图2所示，本发明的发明思路之一是，先通过一个深层卷积神经网络来提取图像特征；然后通过面向任务的锚网络在提取出的图像特征中选择感兴趣候选区域；最后通过多任务学习网络从生成的锚中提取深层特征，最终细化所提出的的锚点并估计细胞的准确位置以及其对应的类别标签。
如图1所示本发明提供一种细胞检测方法，包括以下步骤，
S1：统计样本数据深层特征并生成深度检测锚网络；
S2：对深度检测锚网络进行训练；
S3：采用完成训练的深度检测锚网络检测待检测数据。
所述步骤S1还包括，对训练样本进行预处理和标定；
对训练样本标定包括标定训练样本坐标和标定训练样本类别并将标定结果存储为xml文件。
对训练样本的标定由人工进行。
所述深度检测锚网络包括深层卷积神经网络、面向任务的锚网络、多任务学习网络；
所述深层卷积神经网络用于提取图像特征；
在本发明一实施例中深层卷积神经网络我们采用VGG16网络，并且使用迁移学习的概念，在VGG16已经在ImageNet训练好的模型上进行微调，提取图片特征。
VGG16具有较好的计算性能和计算速度可以提高本发明方法的计算性能和计算速度。
在本发明一实施例中如图3所示，深层卷积神经网络使用一个卷积核为n*n的网络对上一步生成的特征图像进行滤波，并且在每一个像素点上生成候选区域。
所述面向任务的锚网络用于在提取出的图像特征中选择感兴趣候选区域；
所述多任务学习网络用于预估细胞的位置和大小和识别检测到的细胞。
所述面向任务的锚网络的样本标签数据中锚的大小为a，锚的长宽比为b，a的取值采用以下公式确定：
min|S1-S2|s.t.Pr(S1≤uS≤S2)＞＝0.8 (1)
Figure BDA0001819584430000051
其中，us表示标签中锚的面积S的集合的平均值；
公式(1)表示S1，S2为S中的任意取值，且满足在S上置信区间大于或等于0.8，且对于us对称；
公式(2)表示a的取值为满足公式(1)中S1，S2取值范围内的2的倍数的个数和具体值；
b的取值采用以下公式确定：
min|R1-R2|s.t.Pr(R1≤uR≤R2)＞＝0.8 (3)
Figure BDA0001819584430000061
其中，uR表示标签中锚的长宽比R的集合的平均值；
公式(3)表示R1，R2为R中任意取值，且满足在R上置信区间大于或等于0.8，且对于uR对称；
公式(4)表示b的取值为满足公式(3)中R1，R2取值范围内1/2的倍数的个数和具体值。
进一步的，
根据a,b的取值来确定深度检测锚网络在每一像素点生成的锚的个数k,其中k＝a*b。
所述多任务学习网络包含分类任务和回归任务，
在本发明一实施例中深度检测锚网络包括多任务学习网络，多少任务学习网络主要实现两个功能：1)预估细胞的位置和大小，这是一个回归问题；2)识别检测到的细胞，这是一个分类问题。所述多任务学习网络通过将多重相关任务包含的域信息作为归纳偏差来对网络进行改进和泛化，任务之间共享参数，其损失函数定义如下：
Figure BDA0001819584430000062
其中，i表示上述锚网络所生成的候选框的序号，ci表示细胞属于某个类别的概率，
Figure BDA0001819584430000063
表示标签所属类别；bi表示生成的边框的坐标，
Figure BDA0001819584430000064
表示标签的坐标，在分类任务上其损失函数Lc为对数损失，在回归任务上，损失函数
Figure BDA0001819584430000071
为鲁棒性强的L1损失函数；
当预测标签与地面实况标签相同时，Li＝1。
若样本数据数量低于预设阀值则在训练过程中采用迁移学习策略并选择已完成训练的模型根据样本数据进行微调。
所述步骤S3包括，
S31：采用完成训练的深度检测锚网络在待测数据图像中检测目标，生成坐标；
S32：采用深度检测锚网络预估目标所属类别标签；
S33：将待检测数据放入完成训练的的深度检测锚网络中进行测试并生成统计信息，所述统计信息包括精确率和灵敏性。
实施例1
在本实施例中将原始细胞图片裁剪成2048*2048，并将由专家对特定细胞进行标定，标出特定类型及细胞位置，存储为xml文件，将标定了的特定细胞图片集作为训练集对图片进行训练样本；
2、对训练样本中的特定细胞的面积、长宽比和每张存在的特定细胞数量进行统计和分析，选择最适合的网络参数，这里主要包括anchor_size参数和anchor_scalse参数；
3、设置好网络参数使用训练样本对算法进行训练，图片在进入算法之前统一被缩放为600*800，并保存好训练模型和训练中的参数，包含loss参数,accurate参数等；
4、将待检测的细胞图片(以裁剪为2048*2048)放入训练好的模型中进行测试，最终标出特定细胞。
实施例2
在本实施例中我们选择图片的分辨率为2048*2048，在一共73个图片中人工标定出98个特定细胞，并选择58个图片(58个图片中有78个人工标定的特定细胞)对神经网络进行训练，并用剩余的15个图片(15图片中有20个人工标定特定细胞)进行测试。
在本实施例中分别选择YOLO网络，FASTER网络和本发明所提供的多任务驱动深度检测锚网络来进行训练和测试。最终得到三个网络的损失曲线如图4所示。
从图中可以看出YOLO损失曲线波动较大，即使1000次迭代后依然具有较高的损失，本发明提供的多任务驱动深度检测锚网络明显优于YOLO网络。
从图中可以看出，由于本发明多任务驱动深度检测锚网络引入锚网络来提取的图像特征中提供感兴趣候选区域，使得本发明的损失曲线在前1000次迭代中明显低于FASTER网络，即使在1000次迭代以后损失也略微低于FASTER网络。本发明提供的多任务驱动深度检测锚网络明显优于FASTER网络。
本实施例中的YOLO网络由以下论文公开“J.Redmon,S.Divvala,R.Girshick,etal.You Only Look Once:Unified,Real-Time Object Detection.IEEE CVPR,779-788,2016”。
本实施例中的FASTER网络由以下论文公开“S.Ren,R.Girshick,R.Girshick,etal.Faster R-CNN:Towards Real-Time Object Detection with Region ProposalNetworks.IEEE TPAMI,39(6):1137-1149,2015”。
在本发明一实施例中，细胞检测方法用于检测检测鳞状上皮细胞，特定细胞指鳞状上皮细胞，检测完成的鳞状上皮细胞用于后续对细胞进行分割和三维重建，以期观察目标解剖学形态和特征。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种细胞检测方法，其特征在于，包括以下步骤，
S1统计样本数据深层特征并生成深度检测锚网络；
S2对深度检测锚网络进行训练；
S3采用完成训练的深度检测锚网络检测待检测数据；
所述深度检测锚网络包括深层卷积神经网络、面向任务的锚网络、多任务学习网络；
所述深层卷积神经网络用于提取图像特征；
所述面向任务的锚网络用于在提取出的图像特征中选择感兴趣候选区域；
所述多任务学习网络用于预估细胞的位置和大小并识别检测到的细胞；
所述面向任务的锚网络的样本标签数据中锚的大小为a，锚的长宽比为b，a的取值采用以下公式确定：
min|S1-S2|s.t.Pr(S1≤uS≤S2)＞＝0.8 (1)
Figure 818626DEST_PATH_IMAGE001
其中，us表示标签中锚的面积S的集合的平均值；
公式(1)表示S1，S2为S中的任意取值，且满足在S上置信区间大于或等于0.8，且对于us对称；
公式(2)表示a的取值为满足公式(1)中S1，S2取值范围内的2的倍数的个数和具体值；
b的取值采用以下公式确定：
min|R1-R2|s.t.Pr(R1≤uR≤R2)＞＝0.8 (3)
Figure 326574DEST_PATH_IMAGE002
其中，uR表示标签中锚的长宽比R的集合的平均值；
公式(3)表示R1，R2为R中任意取值，且满足在R上置信区间大于或等于0.8，且对于uR对称；
公式(4)表示b的取值为满足公式(3)中R1，R2取值范围内1/2的倍数的个数和具体值；
公式（2）和公式（4）中n表示取整数，ni表示不同n的取值；
根据a,b的取值来确定面向任务的锚网络在每一像素点生成的锚的个数k,其中k＝a*b。
2.如权利要求1所述的一种细胞检测方法，其特征在于，
所述步骤S1还包括，对训练样本进行预处理和标定；
对训练样本标定包括标定训练样本坐标和标定训练样本类别并将标定结果存储为xml文件。
3.如权利要求1所述的一种细胞检测方法，其特征在于，
所述多任务学习网络包含分类任务和回归任务，
所述多任务学习网络通过将多重相关任务包含的域信息作为归纳偏差来对网络进行改进和泛化，任务之间共享参数，其损失函数定义如下：
Figure 531291DEST_PATH_IMAGE003
其中，i表示上述锚网络所生成的候选框的序号，ci表示细胞属于某个类别的概率，
Figure 651562DEST_PATH_IMAGE004
表示标签所属类别；bi表示生成的边框的坐标，
Figure 258124DEST_PATH_IMAGE005
表示标签的坐标，在分类任务上其损失函数Lc为对数损失，在回归任务上，损失函数
Figure 736641DEST_PATH_IMAGE006
为鲁棒性强的L1损失函数；
当预测标签与地面实况标签相同时，
Figure DEST_PATH_IMAGE007
。
4.如权利要求1所述的一种细胞检测方法，其特征在于，
若样本数据数量低于预设阀值则在训练过程中采用迁移学习策略并选择已完成训练的模型根据样本数据进行微调。
5.如权利要求1所述的一种细胞检测方法，其特征在于，
所述步骤S3包括，
S31：采用完成训练的深度检测锚网络在待测数据图像中检测目标，生成坐标；
S32：采用深度检测锚网络预估目标所属类别标签；
S33：将待检测数据放入完成训练的的深度检测锚网络中进行测试并生成统计信息，所述统计信息包括精确率和灵敏性。
CN201811158967.7A 2018-09-30 2018-09-30 一种细胞检测方法 Active CN109376619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811158967.7A CN109376619B (zh) 2018-09-30 2018-09-30 一种细胞检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811158967.7A CN109376619B (zh) 2018-09-30 2018-09-30 一种细胞检测方法

Publications (2)

Publication Number Publication Date
CN109376619A CN109376619A (zh) 2019-02-22
CN109376619B true CN109376619B (zh) 2021-10-15

Family

ID=65403336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811158967.7A Active CN109376619B (zh) 2018-09-30 2018-09-30 一种细胞检测方法

Country Status (1)

Country Link
CN (1) CN109376619B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931751B (zh) * 2020-10-13 2021-01-26 深圳市瑞图生物技术有限公司 深度学习训练方法、目标物识别方法、系统和存储介质
CN112950585B (zh) * 2021-03-01 2022-11-29 中国人民解放军陆军军医大学 基于液基薄层细胞检测技术的宫颈癌细胞智能检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108121986A (zh) * 2017-12-29 2018-06-05 深圳云天励飞技术有限公司 目标检测方法及装置、计算机装置和计算机可读存储介质
CN108550133A (zh) * 2018-03-02 2018-09-18 浙江工业大学 一种基于Faster R-CNN的癌细胞检测方法
CN108564097A (zh) * 2017-12-05 2018-09-21 华南理工大学 一种基于深度卷积神经网络的多尺度目标检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9430829B2 (en) * 2014-01-30 2016-08-30 Case Western Reserve University Automatic detection of mitosis using handcrafted and convolutional neural network features

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564097A (zh) * 2017-12-05 2018-09-21 华南理工大学 一种基于深度卷积神经网络的多尺度目标检测方法
CN108121986A (zh) * 2017-12-29 2018-06-05 深圳云天励飞技术有限公司 目标检测方法及装置、计算机装置和计算机可读存储介质
CN108550133A (zh) * 2018-03-02 2018-09-18 浙江工业大学 一种基于Faster R-CNN的癌细胞检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Cancer Cells Detection in Phase-Contrast Microscopy Images based on Faster R-CNN;Junkang Zhang 等;《2016 9th International Symposium on Computational Intelligence and Design》;20170126;第363-367页 *
Deep Learning in Label-free Cell Classification;Claire Lifan Chen 等;《SCIENTIFIC REPORTS》;20160315;第1-16页 *
基于Faster R-CNN的目标检测算法的研究;伍伟明;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180515(第（2018）05期);I138-508第三章 *
基于卷积神经网络的红细胞检测和计数方法;刘树杰;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180615(第（2018）06期);I138-1259 *
应用深度卷积神经网络的机场及机场内飞机目标识别技术;李耀龙 等;《重庆理工大学学报(自然科学)》;20180331;第32卷(第03期);第210-216页 *
目标检测网络SSD的区域候选框的设置问题研究;翁昕;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180415(第（2018）04期);I138-3308 *

Also Published As

Publication number Publication date
CN109376619A (zh) 2019-02-22

Similar Documents

Publication Publication Date Title
CN108765412B (zh) 一种带钢表面缺陷分类方法
CN108898047B (zh) 基于分块遮挡感知的行人检测方法及系统
US20140219538A1 (en) Method and software for analysing microbial growth
CN111401419A (zh) 基于改进RetinaNet的员工着装规范检测方法
CN112365497A (zh) 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统
CN108664970A (zh) 一种快速目标检测方法、电子设备、存储介质及系统
CN106372624A (zh) 人脸识别方法及系统
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
CN113870254B (zh) 目标对象的检测方法、装置、电子设备及存储介质
CN109376619B (zh) 一种细胞检测方法
CN105447863B (zh) 一种基于改进vibe的遗留物检测方法
CN110991437B (zh) 字符识别方法及其装置、字符识别模型的训练方法及其装置
CN113393454A (zh) 活检组织中病理目标实例分割方法和装置
CN113435460A (zh) 一种亮晶颗粒灰岩图像的识别方法
CN111291818A (zh) 一种面向云掩膜的非均匀类别的样本均衡化方法
CN114881996A (zh) 缺陷检测方法及装置
CN106548195A (zh) 一种基于改进型hog‑ulbp特征算子的目标检测方法
CN108154199B (zh) 一种基于深度学习的高精度快速单类目标检测方法
CN112200862B (zh) 目标检测模型的训练方法、目标检测方法及装置
CN113673618A (zh) 一种融合注意力模型的烟虫目标检测方法
CN109492573A (zh) 一种指针读取方法及装置
CN113313678A (zh) 一种基于多尺度特征融合的精子形态学自动分析方法
Lee A Study on Fruit Quality Identification Using YOLO V2 Algorithm
CN115100656B (zh) 空白答题卡识别方法、系统、存储介质及计算机设备

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
GR01 Patent grant
GR01 Patent grant