申请/专利权人：脉得智能科技(无锡)有限公司

申请日：2020-10-26

公开（公告）日：2024-04-16

公开（公告）号：CN112465745B

主分类号：G06T7/00

分类号：G06T7/00;G06T7/60;G06T5/30;G06V10/52;G06V10/766;G06V10/80;G06V10/82;G06N3/0455;G06N3/0464;G06N3/084;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.03.26#实质审查的生效;2021.03.09#公开

摘要：本发明涉及医学图像技术领域，具体为一种基于全卷积回归网络的细胞计数方法，基于全卷积网络来完成密度估计，具体操作步骤如下：S1：图像预处理；S2：模型架构及训练；S3：多尺度块输入及融合。本发明基于深度学习，设计了一个利用全卷积回归网络来解决密度估计问题的CNN模型，解决了细胞计数问题基于密度估计的方法其图像特征提取算法性能局限性比较大，精度有限且泛化性能较弱的问题，本发明引入了DenseNet中的密集连接来加强原始U‑Net中的基本构造模块，可提高U‑Net中模型的特征表达能力以及更有效地训练模型。

主权项：1.一种基于全卷积回归网络的细胞计数方法，其特征在于：基于全卷积网络来完成密度估计，具体操作步骤如下：S1：图像预处理；S2：模型架构及训练；S3：多尺度块输入及融合；S1中图像预处理的具体操作为：需要将标记的细胞点图通过高斯滤波操作转换为密度图,在细胞标记点图中，每一个点代表了一个细胞，其大小为一个像素，将细胞标记点作为高斯核的中心，使用高斯滤波算法生成密度图，其公式定义为：Di,j＝∑m,n∈PNi,j；m,n,σ2I；其中，P为所有细胞标记点的集合，m，n为高斯分布的均值点位置，Ni，j；m，n，σ2I表示i，j处的二维高斯分布值，σ2I为高斯分布的协方差矩阵，Di，j就为i，j处所对应的密度值；S2中模型架构及训练中所使用的模型架构为CNN模型架构图，CNN模型属于一个端到端的深度学习模型，该模型的输入为原始细胞图像及其不同尺寸的降采样图像，而输出则为细胞密度图，其主要包含三个部分，即编码器，解码器以及处于中间的多尺度块；CNN模型的输出层包含一个1×1的卷积，且CNN模型取消掉了最后的Sigmoid层或Softmax层，从而使得本模型执行的是一个逐像素回归任务，模型在该像素点的输出回归值即为该像素点在细胞密度图中的值，通过对模型输出的输出回归值进行求和计算，就可以得到该图像的细胞数量,采用均方误差作为网络模型训练的损失函数，其定义为： 其中，W代表网络模型中所有能被训练的参数的集合，X*为输入网络模型的标准化后的细胞图像，m表示所有训练细胞图像的个数，D表示X*所对应的真实细胞密度图，为模型预测的细胞密度图。

全文数据：

权利要求：

百度查询： 脉得智能科技(无锡)有限公司 一种基于全卷积回归网络的细胞计数方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD