【技術實現步驟摘要】
本申請涉及醫學圖像識別，特別是涉及一種細胞圖像識別方法、裝置、系統、計算機設備和介質。
技術介紹
1、內窺鏡是一種通過頭部探頭和光學透鏡實現對人體內部組織進行檢查與治療的設備，其工作原理基于光學成像和探頭技術，通過向體腔或組織中引入光源和鏡頭，進而觀察到體內的顯微結構或病變組織。
2、然而，雖然當前通過內窺鏡的光學成像已經能夠實時提供反映細胞形態的清晰圖像，但是使用者在使用內窺鏡的過程中仍需要人為分析實時的圖像信息，判斷實時的圖像信息中的正常細胞情況或腫瘤細胞情況，不可避免地分散一部分精力，并且圖像分析效率較低，很難適應于手術時對目標區域是否存在腫瘤病變的快速診斷。
技術實現思路
1、基于此，有必要針對上述技術問題，提供一種能夠提高細胞圖像分析效率的細胞圖像識別方法、裝置、系統、計算機設備和介質。
2、第一方面，本申請提供了一種細胞圖像識別方法。該方法包括：
3、接收圖像采集裝置發送的待測細胞圖像；所述待測細胞圖像是內窺鏡視野中活體組織的實時圖像，所述圖像采集裝置與所述內窺鏡連接；
4、基于所述待測細胞圖像，通過訓練好的細胞圖像識別模型獲得所述待測細胞圖像的識別結果；所述識別結果包括細胞類別和細胞位置；
5、其中，所述細胞圖像識別模型以yolo網絡為基礎，且將ghostnet特征提取網絡作為主干網絡。
6、在其中一個實施例中，所述訓練好的細胞圖像識別模型是通過以下步驟訓練得到的：
7、獲取攜帶細胞信
8、將所述初始樣本細胞圖像集進行數據增強，得到攜帶細胞信息標注的增強樣本細胞圖像集；
9、利用細胞圖像識別模型對目標樣本細胞圖像進行細胞識別，得到樣本細胞結果；所述目標樣本細胞圖像包括所述初始樣本細胞圖像集中的初始樣本細胞圖像和所述增強樣本細胞圖像集中的增強樣本細胞圖像；
10、根據所述樣本細胞結果以及所述細胞信息標注，對所述細胞圖像識別模型進行參數優化。
11、在其中一個實施例中，所述細胞圖像識別模型包括順次連接的ghostnet特征提取網絡、spp池化網絡、panet頸部網絡和頭部預測網絡；
12、所述利用細胞圖像識別模型對目標樣本細胞圖像進行細胞識別，得到樣本細胞結果，包括：
13、基于所述ghostnet特征提取網絡，對所述目標樣本細胞圖像進行特征提取，得到所述目標樣本細胞圖像對應的第一特征圖、第二特征圖和第三特征圖；所述第三特征圖為所述ghostnet特征提取網絡提取的最后一層特征圖；
14、將所述第三特征圖經三層依次連接的標準卷積層后，輸入所述spp池化網絡中進行池化處理，將池化處理后的結果進行拼接和三層依次連接的標準卷積層后，得到第四特征圖；
15、基于所述panet頸部網絡，對所述第一特征圖、第二特征圖和第四特征圖進行特征增強并融合不同層次的特征，輸出多個尺度的特征向量，所述多個尺度的特征向量用于表征所述目標樣本細胞圖像對應的多個不同尺寸的目標樣本區域；
16、基于所述頭部預測網絡，在多個不同尺寸的目標樣本區域中預測多個邊界框，并確定多個邊界框分別對應于正常細胞和腫瘤細胞的置信度，得到所述樣本細胞結果。
17、在其中一個實施例中，所述panet頸部網絡還包括多個組合卷積，所述組合卷積包括兩層依次連接的深度可分離卷積和三層依次連接的標準卷積層；所述三層依次連接的標準卷積層依次包括第一層卷積、第二層卷積和第三層卷積；所述方法還包括：
18、基于所述第一層卷積的卷積核均值，對第一層卷積輸入的所述待測細胞圖像的特征圖作卷積操作，獲得第一輸出；同時，基于第一層卷積的卷積核，對第一層卷積輸入的所述待測細胞圖像的特征圖作卷積操作，獲得第三輸出；以及，在獲得第三輸出之后，利用所述第三輸出和所述第一輸出的差值，得到第四輸出；
19、在獲得所述第一輸出之后，基于第二層卷積的卷積核均值，對第一輸出作卷積操作，獲得第二輸出；同時，基于第二層卷積的卷積核，對第一輸出作卷積操作，獲得第五輸出；在獲得所述第四輸出之后，基于第二層卷積的卷積核，對所述第四輸出作卷積操作，得到第六輸出；并結合所述第五輸出和所述第六輸出，得到第七輸出；利用所述第七輸出和所述第二輸出的差值，獲得第九輸出；
20、在獲得所述第二輸出之后，基于第三層卷積的卷積核，對所述第二輸出作卷積操作，得到第八輸出；在獲得所述第九輸出之后，基于第三層卷積的卷積核，對所述第九輸出作卷積操作，得到第十輸出；并結合所述第八輸出和所述第十輸出，得到第十一輸出，所述第十一輸出為所述三層依次連接的標準卷積層的最終輸出。
21、在其中一個實施例中，所述將所述初始樣本細胞圖像集進行數據增強，得到攜帶細胞信息標注的增強樣本細胞圖像集，包括：
22、針對預設的多維度細胞特征參數，獲取所述初始樣本細胞圖像集中正常細胞和腫瘤細胞分別對應的各維度細胞特征數據；
23、針對每一種細胞類別，將所述細胞類別對應的各維度細胞特征數據和所述細胞類別進行關聯分析，得到各維度細胞特征參數和細胞類別的相關性；
24、基于所述相關性，從與腫瘤細胞類別低相關性的細胞特征參數中剔除與正常細胞類別高相關性的細胞特征參數，得到目標細胞特征參數；
25、基于所述目標細胞特征參數，對所述初始樣本細胞圖像集進行數據擾動，得到攜帶細胞信息標注的增強樣本細胞圖像集。
26、在其中一個實施例中，所述基于所述目標細胞特征參數，對所述初始樣本細胞圖像集進行數據擾動，得到攜帶細胞信息標注的增強樣本細胞圖像集，包括：
27、基于所述細胞信息標注，從所述初始樣本細胞圖像集中的初始樣本細胞圖像提取樣本腫瘤細胞子圖；
28、基于所述目標細胞特征參數，對所述樣本腫瘤細胞子圖進行數據擾動，得到第一增強腫瘤細胞子圖；
29、結合所述第一增強腫瘤細胞子圖和所述第一增強腫瘤細胞子圖對應的初始樣本細胞圖像，得到攜帶細胞信息標注的第一增強樣本細胞圖像，所述第一增強樣本細胞圖像用于確定所述增強樣本細胞圖像集。
30、第二方面，本申請還提供了一種細胞圖像識別裝置。該裝置包括：
31、接收模塊，用于接收圖像采集裝置發送的待測細胞圖像；所述待測細胞圖像是內窺鏡視野中活體組織的實時圖像，所述圖像采集裝置與所述內窺鏡連接；
32、識別模塊，用于基于所述待測細胞圖像，通過訓練好的細胞圖像識別模型獲得所述待測細胞圖像的識別結果；所述識別結果包括細胞類別和細胞位置；
33、其中，所述細胞圖像識別模型以yolo網絡為基礎，且將ghostnet特征提取網絡作為主干網絡。
34、第三方面，本申請還提供了一種細胞圖像識別系統，該系統包括：
35、內窺鏡，用于觀察視野中活體組織的實時本文檔來自技高網...
【技術保護點】
1.一種細胞圖像識別方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述訓練好的細胞圖像識別模型是通過以下步驟訓練得到的：
3.根據權利要求2所述的方法，其特征在于，所述細胞圖像識別模型包括順次連接的GhostNet特征提取網絡、SPP池化網絡、PANet頸部網絡和頭部預測網絡；
4.根據權利要求3所述的方法，其特征在于，所述PANet頸部網絡還包括多個組合卷積，所述組合卷積包括兩層依次連接的深度可分離卷積和三層依次連接的標準卷積層；所述三層依次連接的標準卷積層依次包括第一層卷積、第二層卷積和第三層卷積；所述方法還包括：
5.根據權利要求2所述的方法，其特征在于，所述將所述初始樣本細胞圖像集進行數據增強，得到攜帶細胞信息標注的增強樣本細胞圖像集，包括：
6.根據權利要求5所述的方法，其特征在于，所述基于所述目標細胞特征參數，對所述初始樣本細胞圖像集進行數據擾動，得到攜帶細胞信息標注的增強樣本細胞圖像集，包括：
7.一種細胞圖像識別裝置，其特征在于，所述裝置包括：
8.一
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至6中任一項所述的方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至6中任一項所述的方法的步驟。
...【技術特征摘要】
1.一種細胞圖像識別方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述訓練好的細胞圖像識別模型是通過以下步驟訓練得到的：
3.根據權利要求2所述的方法，其特征在于，所述細胞圖像識別模型包括順次連接的ghostnet特征提取網絡、spp池化網絡、panet頸部網絡和頭部預測網絡；
4.根據權利要求3所述的方法，其特征在于，所述panet頸部網絡還包括多個組合卷積，所述組合卷積包括兩層依次連接的深度可分離卷積和三層依次連接的標準卷積層；所述三層依次連接的標準卷積層依次包括第一層卷積、第二層卷積和第三層卷積；所述方法還包括：
5.根據權利要求2所述的方法，其特征在于，所述將所述初始樣本細胞圖像集進行數...
【專利技術屬性】
技術研發人員：鄒翔，陳亮，盛致遠，蔣琮林，
申請(專利權)人：復旦大學附屬華山醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。