CN115294570A - 一种基于深度学习的细胞图像识别方法 - Google Patents

Abstract

本发明属于细胞图像处理技术领域，尤其是一种基于深度学习的细胞图像识别方法，包括视觉图像处理模块，所述视觉图像处理模块将细胞图像分解成n*m个传感器大小的图像，传感器为每个细胞采样赋予0到(2^b‑1)之间的值，所述传感器为每个细胞采样赋予0到(2^b‑1)之间的值为像素值时，使用二维离散矩阵I(n₁，n₂)来表示像素值矩阵，像素值矩阵。该基于深度学习的细胞图像识别方法，通过设置滤波器，经过滤波器滤波后的图像特征可使用数据训练模块借助回归方法使得数据集方便形成一个模型，以此模型来对每个细胞中的每个数据实现回归模拟，以此方便对细胞数据未来的变化做出贴合实际的预测，实现能够利用细胞现有的数据自我学习，演变或者预知细胞未来走向。

Description

一种基于深度学习的细胞图像识别方法

技术领域

本发明涉及细胞图像处理技术领域，尤其涉及一种基于深度学习的细胞图像识别方法。

背景技术

随着人工智能技术的发展及其在医学影像领域的广泛应用，出现了通过计算机视觉技术实现计算机辅助细胞的病理检测，即异常细胞的方式，可以大幅提高细胞病变前的检出率。

然而，目前的传统的通过计算机视觉技术进行细胞中异常细胞的方式，缺乏有效的计算机辅助阅片系统，筛查出异常细胞后还需要通过专业知识人工进行识别且未能较好地对异常细胞的提取结果提供可解释性依据，大多数识别出的细胞数据的数量以及颜色，而针对细胞的具体数据，例如单个细胞的形状、直径以及扁平度，却很难自动统计分析识别出来，而每次检测中细胞群里的单个细胞状态，是能够直接体现出结果的数据，通过这些细胞检测的图像中，异常细胞的占比多少，就能够知晓其检测结果。

发明内容

基于现有的细胞图像识别很难实现单个细胞数据的自动计算的技术问题，本发明提出了一种基于深度学习的细胞图像识别方法。

本发明提出的一种基于深度学习的细胞图像识别方法，包括视觉图像处理模块，所述视觉图像处理模块将细胞图像分解成n*m个传感器大小的图像，传感器为每个细胞采样赋予0到(2^b-1)之间的值，所述传感器为每个细胞采样赋予0到(2^b-1)之间的值为像素值时，使用二维离散矩阵I(n₁，n₂)来表示像素值矩阵，像素值矩阵。

所述像素值矩阵使用变换域表示，细胞图像经过变换域表示后再变换域建模。

经过视觉图像处理模块后的细胞图像数据被分解成n*m个图像后再用滤波器来实现与底层图像I(n₁，n₂)的卷积实现，得到数据点(x_P，y_P)，判定数据点(x_P，y_P)是否正常以实现对细胞图像的识别。

优选地，所述二维离散矩阵I(n₁，n₂)中的n₁和n₂分别索引矩阵的第n₁行和第n₁列的像素，I(n₁，n₂)的值对应像素强度。

通过上述技术方案，每个像素独立于其他像素进行采样，但相邻像素之间通常是相关的。以此实现对每个细胞图像中的像素做更清晰的设定，就能够对每个细胞的数据进行识别。

优选地，给定的图像I(n₁，n₂)，使用下方式分解：

其中，I_F(u，v)是傅里叶系数，由如下方式得到：

以此将像素表示的图像I(n₁，n₂)被分解成频率分量。

通过上述技术方案，每个频率分量的系数描述该频率分量存在的多少。频率分量在这里成为表示图像的基础。这种方法的常见应用是JPEG(Joint PhotographiceExpertsGroup)图像压缩中用到的可变离散余弦变换(Discrete CosineTransform,DCT)。JPEG编解码器仅使用式

中正弦曲线的余弦分量，因此称为离散余弦基。

优选地，所述像素表示到变换域表示的任何变换核写成b(n₁，n₂，u，v)，逆向类变换写成b^/(n₁，n₂，u，v)，以此完成从图像空间到基空间的映射。

优选地，从图像空间到基空间的映射为：

它的逆变换为：

式

是式

的一般化，通过此形式在变换域建模。

通过上述技术方案，经过视觉图像处理模块后的细胞图像数据被分解成n*m个图像，这些图像的边沿处特征是呈断裂状态或不平滑的状态，此时就需要使用滤波器来实现与底层图像I(n₁，n₂)的卷积实现。

优选地，所述滤波器为：

v∈[1，2，...，V]；

其中，U*V是滤波器的大小。

通过上述技术方案，例如一个3*3的平均盒状滤波器的形式为

该滤波器可以再9个像素的领域中平均像素。高斯平滑滤波器是利用高斯函数实现像素的加权平均，即，一个点离中心越远，则权重越低。

优选地，所述滤波器为高斯平滑滤波器：

采用LoG滤波器：

来检测出细胞图像很难被检测到的图片信息。

通过上述技术方案，经过上述滤波器滤波后的图像特征可使用数据训练模块借助回归方法使得数据集方便形成一个模型，以此模型来对每个细胞中的每个数据实现回归模拟，以此方便对细胞数据未来的变化做出贴合实际的预测，实现能够利用细胞现有的数据自我学习，演变或者预知细胞未来走向。

优选地，对细胞图像数据清晰度/像素处理后，将细胞输出的最终图像数据设为由P个输入/输出二维数据点集：{(x₁，y₁)，(x₂，y₂)，...(x_P，y_P)}，简写成：

其中x_P和y_P分别表示第P个输入和输出。

所述数据点集所组成的数据集构成线性回归后是用一条直线来拟合二维空间中离散的数据点，每个输入x_P都是一个长度为N的列向量：

在此种情况下线性回归问题类似于用一个超平面来拟合N+1维空间中离散的数据点。

通过上述技术方案，当上式描述为细胞病变可能性时，输入特征向量的第一个元素可以是形状，第二个元素可以是细胞扁平的厚度。

优选地，当输入是标量时，确定一条斜率为w、偏置为b的直线来拟合数据，得出输入/输出数据之间近似的线性关系：

b+x_pw≈y_p，p＝1，...，P；

其中b+xw＝y定义为二维空间直线；

b为偏置；

w为权重。

优选地，当输入数据的维度N≥1时，需要调整1个偏置和N个权重：

并以此确定一个超平面：

p＝1，...，P；

其中，输入向量x_P中的元素被称为线性回归问题的输入特征，b+x^Tw＝y定义为超平面，b为偏置，w是权重向量。

通过上述技术方案，而当细胞病变需要多个元素来参考时，则第三个元素可以是细胞的颜色，以此构成细胞图像识别时的三维数据，即上述超平面。将上述细胞数据传送至数据库内进行比对，当超过一定阈值时，细胞数据被标记出来，再反推至照片上具体细胞的所在位置。

本发明中的有益效果为：

1、通过设置视觉图像处理模块，能够对细胞图像的像素做前期处理。

2、通过设置滤波器，经过滤波器滤波后的图像特征可使用数据训练模块借助回归方法使得数据集方便形成一个模型，以此模型来对每个细胞中的每个数据实现回归模拟，以此方便对细胞数据未来的变化做出贴合实际的预测，实现能够利用细胞现有的数据自我学习，演变或者预知细胞未来走向。

当细胞病变需要多个元素来参考时，则第三个元素可以是细胞的颜色，以此构成细胞图像识别时的三维数据，即上述超平面。将上述细胞数据传送至数据库内进行比对，当超过一定阈值时，细胞数据被标记出来，再反推至照片上具体细胞的所在位置。

附图说明

图1为本发明提出的一种基于深度学习的细胞图像识别方法的细胞数据表示图；

图2为本发明提出的一种基于深度学习的细胞图像识别方法的细胞传感器原理图；

图3为本发明提出的一种基于深度学习的细胞图像识别方法的二维空间中离散数据点图；

图4为本发明提出的一种基于深度学习的细胞图像识别方法的细胞数据超平面图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、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。

参照图1-4，一种基于深度学习的细胞图像识别方法，包括视觉图像处理模块：例如细胞的形状x以及直径y，其图像可以看作一个矩阵，如果考虑色彩平面，此矩阵可以为三个矩阵，该矩阵是景物的反射光在相机成像平面上的强度和色彩信息的量化数据，在数码相机上成像的过程：相机中的传感器阵列决定了图像的大小和分辨率。假设传感器阵列有n*m个传感器，则产生n*m大小的图像。每个传感器捕获通过透镜人射到该传感器上的光线。对于一个b位图像，传感器为每个采样赋予0到(2^b-1)之间的值。假设一个8位图像，那么采样值就在0到255之间，此过程称为采样和量化。

具体到细胞图像采样和量化过程为：使用现有的细胞成像系统显微镜专用相机拍摄出细胞相片，然后针对相片中细胞的数据，此类数据不仅可以是细胞的直径，使用y表示，还可以为细胞的形状，厚度，使用x表示。甚至可以用x和y来表示细胞的颜色，以此来建立一系列衡量细胞的标准。

而所谓采样就是在连续视场中选择某些点；所谓量化就是把光强的取值限制在有限的离散数值内。在相机设计和相机模型中，采样、量化和图像形成涉及很多主题。彩色图像在照相机中通常会分别对应生成红(R)、绿(G)和蓝(B)三个基色图像。如何产生这些R、G和B图像取决于相机，大多数消费级相机在传感器平面前设置滤色器来捕获所有三个颜色通道的马赛克图像，然后依靠“解马赛克”过程来创建全分辨率、分离的R、G和B图像。

有了这个装置，就能把图像表示为计算机中可存储的数字数据，称为图像的像素表示。每个图像是表示一个(灰色)或三个(彩色)或更多(深度和其他场)通道的矩阵或张量。像素顺序与采样顺序相同，也就是采集像素的传感器的位置顺序。像素值越大，对应的颜色强度就越大，这可能是图像最明显的表示方法。图像越大，像素越多。当要捕获景物的细节时，传感器需靠得更近，产生的图像分辨率也越高。如果用两个大小不同的图像来拍摄现实世界的相同区域和视场，那么较大图像比较小图像具有更高的分辨率，这是因为较大图像可以分辨更多的细节。对于灰度图像，通常使用二维离散矩阵I(n₁，n₂)来表示像素值矩阵，其中n₁和n₂分别索引矩阵的第n₁行和第n₁列的像素，I(n₁，n₂)的值对应像素强度。

虽然每个像素独立于其他像素进行采样，但相邻像素之间通常是相关的。因为典型场景不会在任何地方都有剧烈变化，除了两个不同实体间的边界像素外，相邻像素一般会很相似。因此，图像中像素值不连续(或变化较大)的“边界”能较好地识别出不同实体。通常情况下，除了实体边界的像素之外，自然景观的图像很多区域是平滑的(即没有变化或变化很小)。

如上所述，像素矩阵是图像的基本表示方式，通常称为空域表示。像素是对空间，更准确地说是对成像平面上的光强的测量值进行采样。还有使用所谓的频域方法来观察甚至获取图像，将图像分解成频率分量，类似于棱镜将太阳光分解成不同的色带。还有一些方法，如小波变换，使用时频变换来分析或分解图像，这里的时间在图像领域实际上是指空间(Meyer,1995)。所有这些表示方法都称为图像的变换域表示。通常，图像的变换域表示是可逆的，即可以从变换域表示返回到原始图像。实际上，对于特定的处理任务使用哪种表示确实是个问题。除了空间域和变换域中的表示之外，许多计算机视觉任务首先从图像中(原始图像或-些变换域表示)计算各种类型的特征，然后基于所计算的特征执行-些分析/推断任务。从某种意义上说，这种计算出的特征充当底层图像的新表示，故将此称为特征表示。

针对上述特征表示的方法，使用图像变换域表示和特征表示，以此用来表示出细胞数据的方法：

变换域表示：是被研究最多的图像(或任何序列数据)变换域表示是通过傅里叶分析(见Stein和Shakarchi,2003)。所谓的傅里叶表示就是使用正弦函数的线性组合来表示信号。对于一个给定的图像I(n₁，n₂)，可以用如下方式分解它(即逆傅里叶变换)；

其中，I_F(u，v)是傅里叶系数，可以由如下方式(即傅里叶变换)得到：

在这种表示中，像素表示的图像I(n₁，n₂)被分解成频率分量。每个频率分量的系数描述该频率分量存在的多少。频率分量在这里成为表示图像的基础。这种方法的常见应用是JPEG(Joint Photographice ExpertsGroup)图像压缩中用到的可变离散余弦变换(Discrete CosineTransform,DCT)。JPEG编解码器仅使用式

中正弦曲线的余弦分量，因此称为离散余弦基。

从像素表示到变换域表示的任何变换核都可以写成b(n₁，n₂，u，v)，逆向类变换写成b^/(n₁，n₂，u，v)对于许多变换，这些基在数学上通常是可逆的，相互之间可以转换，从图像空间到基空间的映射或变换可以公式化为：

它的逆变换为：

式

是式

的一般化，众多图像表示均可通过此形式在变换域建模。

经过视觉图像处理模块后的细胞图像数据被分解成n*m个图像，这些图像的边沿处特征是呈断裂状态或不平滑的状态，此时就需要使用滤波器来实现与底层图像I(n₁，n₂)的卷积实现，而滤波器的使用原理如下：

滤波器：

v∈[1，2，...，V]，此滤波器也可成为盒状滤波器。

其中，U*V是滤波器的大小，例如，一个3*3的平均盒状滤波器的形式为

该滤波器可以再9个像素的领域中平均像素。高斯平滑滤波器是利用高斯函数实现像素的加权平均，即，一个点离中心越远，则权重越低，高斯滤波器的形式如下：

为了进一步检测出细胞图像很难被检测到的图片信息，采用LoG滤波器：

经过上述滤波器滤波后的图像特征可使用数据训练模块借助回归方法使得数据集方便形成一个模型，以此模型来对每个细胞中的每个数据实现回归模拟，以此方便对细胞数据未来的变化做出贴合实际的预测，实现能够利用细胞现有的数据自我学习，演变或者预知细胞未来走向：

在经过上述对细胞图像数据清晰度/像素处理后，将细胞输出的最终图像数据设为由P个输入/输出二维数据点集：{(x₁，y₁)，(x₂，y₂)，...(x_P，y_P)}，可以简写成：

其中x_P和y_P分别表示第P个输入和输出。

这些数据集构成线性回归后是用一条直线来拟合二维空间中离散的数据点，而在一般情况下，每个输入x_P都可能会是一个长度为N的列向量：

在此种情况下线性回归问题类似于用一个超平面来拟合N+1维空间中离散的数据点。

当输入是标量时，需要确定一条斜率为w、偏置(也可称y轴的截距)为b的直线来拟合数据，从而得出输入/输出数据之间近似的线性关系：

b+x_pw≈y_p，p＝1，...，P，其中b+xw＝y定义为二维空间直线，b为偏置，w为权重，当数据点(x_P，y_P)满足x_Pw≈y_P，则将靠近直线。

例如，当上式描述为细胞病变可能性时，输入特征向量的第一个元素可以是形状，第二个元素可以是细胞扁平的厚度。

在上述公式中之所以使用约等号，是因为无法保证所有的数据都能完全通过这条直线，且当输入数据的维度N≥1时，需要适当调整1个偏置和N个权重：

并以此确定一个超平面：

p＝1，...，P，其中，输入向量x_P中的元素被称为线性回归问题的输入特征，b+x^Tw＝y定义为超平面，b仍为偏置，w是权重向量，当数据点(x_P，y_P)满足

则将靠近超平面。

而当细胞病变需要多个元素来参考时，则第三个元素可以是细胞的颜色，以此构成细胞图像识别时的三维数据，即上述超平面。将上述细胞数据传送至数据库内进行比对，当超过一定阈值时，细胞数据被标记出来，再反推至照片上具体细胞的所在位置。

最后将上述超平面构成的细胞的每个数据输入至卷积神经网络内对细胞图像数据实现算法训练，在遇到特殊细胞数据时，例如显示出细胞哪一类数据异常，但经过后期进一步确认后，亦属于正常范围内，此时可人工或神经网络自动调整阈值，以此增加数据库的数据样本，供神经网络进行数据的模拟计算。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的细胞图像识别方法，其特征在于：

包括视觉图像处理模块，所述视觉图像处理模块将细胞图像分解成n*m个传感器大小的图像，传感器为每个细胞采样赋予0到(2^b-1)之间的值，所述传感器为每个细胞采样赋予0到(2^b-1)之间的值为像素值时，使用二维离散矩阵I(n₁，n₂)来表示像素值矩阵，像素值矩阵；

所述像素值矩阵使用变换域表示，细胞图像经过变换域表示后再变换域建模；

经过视觉图像处理模块后的细胞图像数据被分解成n*m个图像后再用滤波器来实现与底层图像I(n₁，n₂)的卷积实现，得到数据点(x_P，y_P)，判定数据点(x_P，y_P)是否正常以实现对细胞图像的识别。

2.根据权利要求1所述的一种基于深度学习的细胞图像识别方法，其特征在于：所述二维离散矩阵I(n₁，n₂)中的n₁和n₂分别索引矩阵的第n₁行和第n₁列的像素，I(n₁，n₂)的值对应像素强度。

3.根据权利要求2所述的一种基于深度学习的细胞图像识别方法，其特征在于：给定的图像I(n₁，n₂)，使用下方式分解：

其中，I_F(u，v)是傅里叶系数，由如下方式得到：

以此将像素表示的图像I(n₁，n₂)被分解成频率分量。

4.根据权利要求3所述的一种基于深度学习的细胞图像识别方法，其特征在于：所述像素表示到变换域表示的任何变换核写成b(n₁，n₂，u，v)，逆向类变换写成b^/(n₁，n₂，u，v)，以此完成从图像空间到基空间的映射。

5.根据权利要求4所述的一种基于深度学习的细胞图像识别方法，其特征在于：从图像空间到基空间的映射为：

它的逆变换为：

式

是式

的一般化，通过此形式在变换域建模。

6.根据权利要求5所述的一种基于深度学习的细胞图像识别方法，其特征在于：所述滤波器为：

其中，U*V是滤波器的大小。

7.根据权利要求6所述的一种基于深度学习的细胞图像识别方法，其特征在于：所述滤波器为高斯平滑滤波器：

采用LoG滤波器：

来检测出细胞图像很难被检测到的图片信息。

8.根据权利要求7所述的一种基于深度学习的细胞图像识别方法，其特征在于：对细胞图像数据清晰度/像素处理后，将细胞输出的最终图像数据设为由P个输入/输出二维数据点集：{(x₁，y₁)，(x₂，y₂)，...(x_P，y_P)}，简写成：

其中x_P和y_P分别表示第P个输入和输出；

所述数据点集所组成的数据集构成线性回归后是用一条直线来拟合二维空间中离散的数据点，每个输入x_P都是一个长度为N的列向量：

在此种情况下线性回归问题用一个超平面来拟合N+1维空间中离散的数据点。

9.根据权利要求8所述的一种基于深度学习的细胞图像识别方法，其特征在于：当输入是标量时，确定一条斜率为w、偏置为b的直线来拟合数据，得出输入/输出数据之间近似的线性关系：

b+x_pw≈y_p，p＝1，...，P；

其中b+xw＝y定义为二维空间直线；

b为偏置；

w为权重。

10.根据权利要求9所述的一种基于深度学习的细胞图像识别方法，其特征在于：当输入数据的维度N≥1时，需要调整1个偏置和N个权重：

并以此确定一个超平面：

其中，输入向量x_P中的元素被称为线性回归问题的输入特征，b+x^Tw＝y定义为超平面，b为偏置，w是权重向量。

Images