Nothing Special   »   [go: up one dir, main page]

CN110738254B - 一种基于深度几何特征谱的显微图像目标检测方法及系统 - Google Patents

一种基于深度几何特征谱的显微图像目标检测方法及系统 Download PDF

Info

Publication number
CN110738254B
CN110738254B CN201910977216.6A CN201910977216A CN110738254B CN 110738254 B CN110738254 B CN 110738254B CN 201910977216 A CN201910977216 A CN 201910977216A CN 110738254 B CN110738254 B CN 110738254B
Authority
CN
China
Prior art keywords
determining
heat map
target
detection target
point
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
CN201910977216.6A
Other languages
English (en)
Other versions
CN110738254A (zh
Inventor
张阳
江浩
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN201910977216.6A priority Critical patent/CN110738254B/zh
Publication of CN110738254A publication Critical patent/CN110738254A/zh
Application granted granted Critical
Publication of CN110738254B publication Critical patent/CN110738254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深度几何特征谱的显微图像目标检测方法及系统，所述方法包括：首先构建训练集，其次根据所述训练集训练得到带有参数的漏斗网络；再次将待检测的显微图像输入到带有参数的所述漏斗网络，输出待检测的显微图像对应的四张极值点热图和中心点热图；然后根据所述四张极值点热图和所述中心点热图确定待选检测目标和邻接特征谱；最后根据所述待选检测目标和所述邻接特征谱确定检测目标。本发明采用深度几何特征谱进行检测，提高检测目标的准确性。

Description

一种基于深度几何特征谱的显微图像目标检测方法及系统
技术领域
本发明涉及显微图像分析中的目标检测技术领域，特别是涉及一种基于深度几何特征谱的显微图像目标检测方法及系统。
背景技术
寄生虫是一种具有各种形态的细胞，并且寄生虫病是大多贫穷国家面临地困难的公共卫生问题，由于医疗条件和技术的落后使这些国家的人民长期遭受着寄生虫病的侵害。根据应用价值和对象特征，本发明选取弓形虫、锥虫、巴贝斯虫和正常细胞作为研究对象。对微观生物分析大都依靠显微镜图像进行辅助，因此，显微镜图像为细胞检测和统计带来了便利。然而，人工显微镜观察的方法耗时且研究人员知识存在差异，此外，涂片颜色、光照强度、目标尺寸在不同实验场景下存在较大差异，因此本发明试图寻找一种计算机辅助的方法对显微镜下的寄生虫图像进行自动地分析。
深度学习技术被大量用于目标检测领域，但主要都是基于候选区域。最近，基于关键点的检测方法被提出，有基于角点、中心点、极值点等的算法，这些方法在目标检测中取得较好的效果，但它们都忽略了关键点之间的密切联系，特别是在目标形态复杂、数量繁多的显微图像中，细胞几何形态对于检测过程至关重要。
现有提出的基于点的目标检测算法不能直接迁移到显微目标检测中，它们大都忽略了每两个关键点之间的几何关联性，导致在关键点组合过程中异目标的点组合在一起从而形成错误的组合结果，影响目标检测的正确结果。
发明内容
本发明的目的是提供一种基于深度几何特征谱的显微图像目标检测方法及系统，采用深度几何特征谱进行检查，提高检测目标的准确性。
为实现上述目的，本发明提供了一种基于深度几何特征谱的显微图像目标检测方法，所述方法包括：
步骤S1：构建训练集，所述训练集包括多张带有标记的显微图像；
步骤S2：根据所述训练集训练得到带有参数的漏斗网络；
步骤S3：将待检测的显微图像输入到带有参数的所述漏斗网络，输出待检测的显微图像对应的四张极值点热图和中心点热图；所述四张极值点热图分别为上、下、左、右四个方向热图；
步骤S4：根据所述四张极值点热图和所述中心点热图确定待选检测目标和邻接特征谱；
步骤S5：根据所述待选检测目标和所述邻接特征谱确定检测目标。
可选的，所述根据所述训练集训练得到带有参数的漏斗网络，具体包括：
步骤S21：基于全卷积网络构建漏斗网络；
步骤S22：从所述训练集中选取设定数目的带有标记的显微图像输入至所述漏斗网络进行训练，在局部损失和修正损失监督下，采用反向传播算法更新所述漏斗网络中的参数；
步骤S23：判断迭代次数是否大于或等于迭代次数阈值；如果所述迭代次数大于或等于迭代次数阈值，则将所述漏斗网络的参数输出；如果迭代次数小于迭代次数阈值，则返回步骤S22。
可选的，所述根据所述四张极值点热图和所述中心点热图确定待选检测目标和邻接特征谱，具体包括：
步骤S41：提取各极值点热图中的全部极值点，并分别放置与各极值点热图对应的集合内；
步骤S42：从各集合中任选一个极值点组成关键点；
步骤S43：根据所述关键点计算中心点；
步骤S44：在所述中心点热图上确定所述中心点对应的像素值；
步骤S45：判断所述像素值是否大于或等于像素设定阈值；如果所述像素值小于像素设定阈值，则去除所述关键点，返回步骤S42；如果所述像素值大于或等于像素设定阈值，则将所述关键点和所述中心点作为待选检测目标；
步骤S46：根据所述关键点构建加权图；
步骤S47：根据所述加权图确定邻接矩阵；
步骤S48：根据所述邻接矩阵确定邻接特征谱。
可选的，所述根据所述待选检测目标和所述邻接特征谱确定检测目标，具体包括：
步骤S51：根据所述邻接特征谱确定欧式距离；
步骤S52：判断所述欧式距离是否在距离设定阈值内；如果所述欧式距离在距离设定阈值内，则该所述关键点对应待选检测目标为检测目标；如果所述欧式距离不在距离设定阈值内，则解除该所述关键点对应待选检测目标。
可选的，所述极值点为n×n滑动窗口中的极大值，其中n为选定的窗口宽度像素值。
本发明还提供一种基于深度几何特征谱的显微图像目标检测系统，所述系统包括：
训练集构建模块，用于构建训练集，所述训练集包括多张带有标记的显微图像；
漏斗网络确定模块，用于根据所述训练集训练得到带有参数的漏斗网络；
热图输出模块，用于将待检测的显微图像输入到带有参数的所述漏斗网络，输出待检测的显微图像对应的四张极值点热图和中心点热图；所述四张极值点热图分别为上、下、左、右四个方向热图；
参数确定模块，用于根据所述四张极值点热图和所述中心点热图确定待选检测目标和邻接特征谱；
检测目标确定模块，用于根据所述待选检测目标和所述邻接特征谱确定检测目标。
可选的，所述漏斗网络确定模块，具体包括：
漏斗网络构建单元，用于基于全卷积网络构建漏斗网络；
参数更新单元，用于从所述训练集中选取设定数目的带有标记的显微图像输入至所述漏斗网络进行训练，在局部损失和修正损失监督下，采用反向传播算法更新所述漏斗网络中的参数；
第一判断单元，用于判断迭代次数是否大于或等于迭代次数阈值；如果所述迭代次数大于或等于迭代次数阈值，则将所述漏斗网络的参数输出；如果迭代次数小于迭代次数阈值，则返回“参数更新单元”。
可选的，所述参数确定模块，具体包括：
提取单元，用于提取各极值点热图中的全部极值点，并分别放置与各极值点热图对应的集合内；
关键点确定单元，用于从各集合中任选一个极值点组成关键点；
中心点确定单元，用于根据所述关键点计算中心点；
像素值确定单元，用于在所述中心点热图上确定所述中心点对应的像素值；
第二判断单元，用于判断所述像素值是否大于或等于像素设定阈值；如果所述像素值小于像素设定阈值，则去除所述关键点，返回“关键点确定单元”；如果所述像素值大于或等于像素设定阈值，则将所述关键点和所述中心点作为待选检测目标；
加权图构建单元，用于根据所述关键点构建加权图；
邻接矩阵确定单元，用于根据所述加权图确定邻接矩阵；
邻接特征谱确定单元，用于根据所述邻接矩阵确定邻接特征谱。
可选的，所述检测目标确定模块，具体包括：
欧式距离确定单元，用于根据所述邻接特征谱确定欧式距离；
第三判断单元，用于判断所述欧式距离是否在距离设定阈值内；如果所述欧式距离在距离设定阈值内，则该所述关键点对应待选检测目标为检测目标；如果所述欧式距离不在距离设定阈值内，则解除该所述关键点对应待选检测目标。
可选的，所述极值点为n×n滑动窗口中的极大值，其中n为选定的窗口宽度像素值。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种基于深度几何特征谱的显微图像目标检测方法及系统，所述方法包括：首先构建训练集，其次根据所述训练集训练得到带有参数的漏斗网络；再次将待检测的显微图像输入到带有参数的所述漏斗网络，输出待检测的显微图像对应的四张极值点热图和中心点热图；然后根据所述四张极值点热图和所述中心点热图确定待选检测目标和邻接特征谱；最后根据所述待选检测目标和所述邻接特征谱确定检测目标。本发明采用深度几何特征谱进行检测，提高检测目标的准确性。
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施例，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为本发明实施例显微图像目标检测方法流程图；
图2为本发明实施例显微图像目标检测系统结构图；
图3为本发明实施例检测目标为细胞核的检测图；
图4为本发明实施例检测目标为锥虫的检测图；
图5为本发明实施例检测目标为弓形虫的检测图；
图6为本发明实施例检测目标为巴贝斯虫的检测图。
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。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。
本发明的目的是提供一种基于深度几何特征谱的显微图像目标检测方法及系统，采用深度几何特征谱进行检测，提高检测目标的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例显微图像目标检测方法流程图，如图1所示，本发明提供了一种基于深度几何特征谱的显微图像目标检测方法，其特征在于，所述方法包括：
步骤S1：构建训练集，所述训练集包括多张带有标记的显微图像；
步骤S2：根据所述训练集训练得到带有参数的漏斗网络；
步骤S3：将待检测的显微图像输入到带有参数的所述漏斗网络，输出待检测的显微图像对应的四张极值点热图和中心点热图；所述四张极值点热图分别为上、下、左、右四个方向热图；
步骤S4：根据所述四张极值点热图和所述中心点热图确定待选检测目标和邻接特征谱；
步骤S5：根据所述待选检测目标和所述邻接特征谱确定检测目标。
下面对各个步骤进行详细论述：
步骤S2：根据所述训练集训练得到带有参数的漏斗网络，具体包括：
步骤S21：基于全卷积网络构建漏斗网络；
步骤S22：从所述训练集中选取设定数目的带有标记的显微图像输入至所述漏斗网络进行训练，在局部损失和修正损失监督下，采用反向传播算法更新所述漏斗网络中的参数；本发明实施例所述设定数目为28，共使用4块图形处理器GPU训练漏斗网络。
本发明设置的局部损失Ldet是对每张热图进行加权逐点逻辑回归，加权的目的是为了减少真值周围的虚警惩罚；偏移修正损失Loff是为了提高目标检测的准确性而提出的，它用来弥补在下采样过程中引起的分辨率损失。
所述局部损失的公式为：
Figure BDA0002234029100000061
其中，H为显微图像的长的像素，W为显微图像的宽的像素，N为显微图像中目标的个数，α、β分别为超参数，Yij为训练集中显微图像的真实像素值，
Figure BDA0002234029100000062
为通过网络计算输出热图中位置(i,j)的预测得分；本实施例中α为2、β为4。
Figure BDA0002234029100000063
其中，N为显微图像中目标的个数，SL1为平滑损失，ok和
Figure BDA0002234029100000064
分别表示偏移量的实际值和预测值。
步骤S23：判断迭代次数是否大于或等于迭代次数阈值；如果所述迭代次数大于或等于迭代次数阈值，则将所述漏斗网络的参数输出；如果迭代次数小于迭代次数阈值，则返回步骤S22。本发明实施例所述迭代次数阈值为100000。
步骤S4：所述根据所述四张极值点热图和所述中心点热图确定待选检测目标和邻接特征谱，具体包括：
步骤S41：提取各极值点热图中的全部极值点，并分别放置与各极值点热图对应的集合内；所述极值点为n×n滑动窗口中的极大值，其中n为选定的窗口宽度像素值。
步骤S42：从各集合中任选一个极值点组成关键点K；具体公式为：
K＝{(x(t),y(t)),(x(l),y(l)),(x(b),y(b)),(x(r),y(r))}，其中，(x(t),y(t))为顶端极值点的坐标位置，(x(l),y(l))为左端极值点的坐标位置，(x(b),y(b))为底端极值点的坐标位置，(x(r),y(r))为右端极值点的坐标位置。
步骤S43：根据所述关键点计算中心点，具体公式为：
Figure BDA0002234029100000071
其中，x(l)为左端极值点横坐标、x(r)为右端极值点横坐标、y(t)为顶端极值点纵坐标、y(b)为底端极值点纵坐标。
步骤S44：在所述中心点热图上确定所述中心点对应的像素值；
步骤S45：判断所述像素值是否大于或等于像素设定阈值；如果所述像素值小于像素设定阈值，则去除所述关键点，返回步骤S42；如果所述像素值大于或等于像素设定阈值，则将所述关键点和所述中心点作为待选检测目标；
步骤S46：根据所述关键点构建加权图G＝(V,E)，其中，V＝{v1,v2,...vn}为加权图G中的节点，E＝{e1,e2,...em}为V中的任意两个节点连接形成的边集合。
步骤S47：根据所述加权图确定邻接矩阵A(G)，具体公式为：
Figure BDA0002234029100000072
其中：
Figure BDA0002234029100000073
n为节点的总数，权重ωij用两点间的欧式距离d(vi,vj)表示，即ωij＝d(vi,vj)＝|vi-vj|。
步骤S48：根据所述邻接矩阵确定邻接特征谱。邻接矩阵A(G)的特征多项式为：f(G,λ)＝|λE-A|，求f(G,λ)的特征值λ就是加权图G的邻接特征谱Spec(A)，其过程转化为求特征方程|λE-A|x＝0的解。即
Figure BDA0002234029100000081
求解n个复根λ1,λ2,...,λn，为邻接矩阵的n个特征根，即邻接特征谱Spec(A)＝[λ1,λ2,...,λn]。
步骤S5：根据所述待选检测目标和所述邻接特征谱确定检测目标，具体包括：
步骤S51：根据所述邻接特征谱确定欧式距离，具体公式为：
Ds＝|Spec(A)-Spec(0)|；
其中，Spec(A)为邻接特征谱，Spec(0)为训练得到的初始特征谱，所述初始特征谱是根据标定的参数确定得出的。
步骤S52：判断所述欧式距离是否在距离设定阈值内；如果所述欧式距离在距离设定阈值内，则该所述关键点对应待选检测目标为检测目标；如果所述欧式距离不在距离设定阈值内，则解除该所述关键点对应待选检测目标。
图2为本发明实施例显微图像目标检测系统结构图，如图2所示，本发明还提供一种基于深度几何特征谱的显微图像目标检测系统，所述系统包括：
训练集构建模块1，用于构建训练集，所述训练集包括多张带有标记的显微图像；
漏斗网络确定模块2，用于根据所述训练集训练得到带有参数的漏斗网络；
热图输出模块3，用于将待检测的显微图像输入到带有参数的所述漏斗网络，输出待检测的显微图像对应的四张极值点热图和中心点热图；所述四张极值点热图分别为上、下、左、右四个方向热图；
参数确定模块4，用于根据所述四张极值点热图和所述中心点热图确定待选检测目标和邻接特征谱；
检测目标确定模块5，用于根据所述待选检测目标和所述邻接特征谱确定检测目标。
下面对各个模块进行详细论述：
所述漏斗网络确定模块2，具体包括：
漏斗网络构建单元，用于基于全卷积网络构建漏斗网络；
参数更新单元，用于从所述训练集中选取设定数目的带有标记的显微图像输入至所述漏斗网络进行训练，在局部损失和修正损失监督下，采用反向传播算法更新所述漏斗网络中的参数；
第一判断单元，用于判断迭代次数是否大于或等于迭代次数阈值；如果所述迭代次数大于或等于迭代次数阈值，则将所述漏斗网络的参数输出；如果迭代次数小于迭代次数阈值，则返回“参数更新单元”。
参数确定模块4，具体包括：
提取单元，用于提取各极值点热图中的全部极值点，并分别放置与各极值点热图对应的集合内；所述极值点为n×n滑动窗口中的极大值，其中n为选定的窗口宽度像素值。
关键点确定单元，用于从各集合中任选一个极值点组成关键点；
中心点确定单元，用于根据所述关键点计算中心点；
像素值确定单元，用于在所述中心点热图上确定所述中心点对应的像素值；
第二判断单元，用于判断所述像素值是否大于或等于像素设定阈值；如果所述像素值小于像素设定阈值，则去除所述关键点，返回“关键点确定单元”；如果所述像素值大于或等于像素设定阈值，则将所述关键点和所述中心点作为待选检测目标；
加权图构建单元，用于根据所述关键点构建加权图；
邻接矩阵确定单元，用于根据所述加权图确定邻接矩阵；
邻接特征谱确定单元，用于根据所述邻接矩阵确定邻接特征谱。
检测目标确定模块5，具体包括：
欧式距离确定单元，用于根据所述邻接特征谱确定欧式距离；
第三判断单元，用于判断所述欧式距离是否在距离设定阈值内；如果所述欧式距离在距离设定阈值内，则该所述关键点对应待选检测目标为检测目标；如果所述欧式距离不在距离设定阈值内，则解除该所述关键点对应待选检测目标。
本发明使用Olympus IX53型号显微镜采集的弓形虫、锥虫、巴贝斯虫三种寄生虫和一种细胞核，共四个数据集，即四个训练集，利用本发明设定的方法分别对四种显微图像进行测试，得到测试结果如下：图3为本发明实施例检测目标为细胞核的检测图，图4为本发明实施例检测目标为锥虫的检测图，图5为本发明实施例检测目标为弓形虫的检测图，图6为本发明实施例检测目标为巴贝斯虫的检测图，在细胞核、巴贝虫、弓形虫和锥虫四种数据集上分别取得90.2％、69.3％、70.2％和95.9％的识别精度，平均测试耗时为11.5秒，达到了显微图像自动化识别的要求。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于深度几何特征谱的显微图像目标检测方法，其特征在于，所述方法包括：
步骤S1：构建训练集，所述训练集包括多张带有标记的显微图像；
步骤S2：根据所述训练集训练得到带有参数的漏斗网络；
步骤S3：将待检测的显微图像输入到带有参数的所述漏斗网络，输出待检测的显微图像对应的四张极值点热图和中心点热图；所述四张极值点热图分别为上、下、左、右四个方向热图；
步骤S4：根据所述四张极值点热图和所述中心点热图确定待选检测目标和邻接特征谱，具体包括：
步骤S41：提取各极值点热图中的全部极值点，并分别放置与各极值点热图对应的集合内；
步骤S42：从各集合中任选一个极值点组成关键点；
步骤S43：根据所述关键点计算中心点；
步骤S44：在所述中心点热图上确定所述中心点对应的像素值；
步骤S45：判断所述像素值是否大于或等于像素设定阈值；如果所述像素值小于像素设定阈值，则去除所述关键点，返回步骤S42；如果所述像素值大于或等于像素设定阈值，则将所述关键点和所述中心点作为待选检测目标；
步骤S46：根据所述关键点构建加权图；
步骤S47：根据所述加权图确定邻接矩阵；
步骤S48：根据所述邻接矩阵确定邻接特征谱；
步骤S5：根据所述待选检测目标和所述邻接特征谱确定检测目标。
2.根据权利要求1所述的基于深度几何特征谱的显微图像目标检测方法，其特征在于，所述根据所述训练集训练得到带有参数的漏斗网络，具体包括：
步骤S21：基于全卷积网络构建漏斗网络；
步骤S22：从所述训练集中选取设定数目的带有标记的显微图像输入至所述漏斗网络进行训练，在局部损失和修正损失监督下，采用反向传播算法更新所述漏斗网络中的参数；
步骤S23：判断迭代次数是否大于或等于迭代次数阈值；如果所述迭代次数大于或等于迭代次数阈值，则将所述漏斗网络的参数输出；如果迭代次数小于迭代次数阈值，则返回步骤S22。
3.根据权利要求1所述的基于深度几何特征谱的显微图像目标检测方法，其特征在于，所述根据所述待选检测目标和所述邻接特征谱确定检测目标，具体包括：
步骤S51：根据所述邻接特征谱确定欧式距离；
步骤S52：判断所述欧式距离是否在距离设定阈值内；如果所述欧式距离在距离设定阈值内，则该所述关键点对应待选检测目标为检测目标；如果所述欧式距离不在距离设定阈值内，则解除该所述关键点对应待选检测目标。
4.根据权利要求1所述的基于深度几何特征谱的显微图像目标检测方法，其特征在于，所述极值点为n×n滑动窗口中的极大值，其中n为选定的窗口宽度像素值。
5.一种基于深度几何特征谱的显微图像目标检测系统，其特征在于，所述系统包括：
训练集构建模块，用于构建训练集，所述训练集包括多张带有标记的显微图像；
漏斗网络确定模块，用于根据所述训练集训练得到带有参数的漏斗网络；
热图输出模块，用于将待检测的显微图像输入到带有参数的所述漏斗网络，输出待检测的显微图像对应的四张极值点热图和中心点热图；所述四张极值点热图分别为上、下、左、右四个方向热图；
参数确定模块，用于根据所述四张极值点热图和所述中心点热图确定待选检测目标和邻接特征谱；
检测目标确定模块，用于根据所述待选检测目标和所述邻接特征谱确定检测目标；
所述参数确定模块，具体包括：
提取单元，用于提取各极值点热图中的全部极值点，并分别放置与各极值点热图对应的集合内；
关键点确定单元，用于从各集合中任选一个极值点组成关键点；
中心点确定单元，用于根据所述关键点计算中心点；
像素值确定单元，用于在所述中心点热图上确定所述中心点对应的像素值；
第二判断单元，用于判断所述像素值是否大于或等于像素设定阈值；如果所述像素值小于像素设定阈值，则去除所述关键点，返回“关键点确定单元”；如果所述像素值大于或等于像素设定阈值，则将所述关键点和所述中心点作为待选检测目标；
加权图构建单元，用于根据所述关键点构建加权图；
邻接矩阵确定单元，用于根据所述加权图确定邻接矩阵；
邻接特征谱确定单元，用于根据所述邻接矩阵确定邻接特征谱。
6.根据权利要求5所述的基于深度几何特征谱的显微图像目标检测系统，其特征在于，所述漏斗网络确定模块，具体包括：
漏斗网络构建单元，用于基于全卷积网络构建漏斗网络；
参数更新单元，用于从所述训练集中选取设定数目的带有标记的显微图像输入至所述漏斗网络进行训练，在局部损失和修正损失监督下，采用反向传播算法更新所述漏斗网络中的参数；
第一判断单元，用于判断迭代次数是否大于或等于迭代次数阈值；如果所述迭代次数大于或等于迭代次数阈值，则将所述漏斗网络的参数输出；如果迭代次数小于迭代次数阈值，则返回“参数更新单元”。
7.根据权利要求5所述的基于深度几何特征谱的显微图像目标检测系统，其特征在于，所述检测目标确定模块，具体包括：
欧式距离确定单元，用于根据所述邻接特征谱确定欧式距离；
第三判断单元，用于判断所述欧式距离是否在距离设定阈值内；如果所述欧式距离在距离设定阈值内，则该所述关键点对应待选检测目标为检测目标；如果所述欧式距离不在距离设定阈值内，则解除该所述关键点对应待选检测目标。
8.根据权利要求5所述的基于深度几何特征谱的显微图像目标检测系统，其特征在于，所述极值点为n×n滑动窗口中的极大值，其中n为选定的窗口宽度像素值。
CN201910977216.6A 2019-10-15 2019-10-15 一种基于深度几何特征谱的显微图像目标检测方法及系统 Active CN110738254B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910977216.6A CN110738254B (zh) 2019-10-15 2019-10-15 一种基于深度几何特征谱的显微图像目标检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910977216.6A CN110738254B (zh) 2019-10-15 2019-10-15 一种基于深度几何特征谱的显微图像目标检测方法及系统

Publications (2)

Publication Number Publication Date
CN110738254A CN110738254A (zh) 2020-01-31
CN110738254B true CN110738254B (zh) 2022-03-25

Family

ID=69269331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910977216.6A Active CN110738254B (zh) 2019-10-15 2019-10-15 一种基于深度几何特征谱的显微图像目标检测方法及系统

Country Status (1)

Country Link
CN (1) CN110738254B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311601B (zh) * 2020-03-26 2023-10-13 山东极视角科技股份有限公司 一种拼接图像的分割方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800631A (zh) * 2018-12-07 2019-05-24 天津大学 基于掩膜区域卷积神经网络的荧光编码微球图像检测方法
CN109858333A (zh) * 2018-12-20 2019-06-07 腾讯科技（深圳）有限公司 图像处理方法、装置、电子设备及计算机可读介质
CN109858386A (zh) * 2019-01-09 2019-06-07 深圳市趣方科技有限公司 一种基于荧光显微图像的微藻细胞识别方法
WO2019110567A1 (en) * 2017-12-05 2019-06-13 Ventana Medical Systems, Inc. Method of computing tumor spatial and inter-marker heterogeneity

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019110567A1 (en) * 2017-12-05 2019-06-13 Ventana Medical Systems, Inc. Method of computing tumor spatial and inter-marker heterogeneity
CN109800631A (zh) * 2018-12-07 2019-05-24 天津大学 基于掩膜区域卷积神经网络的荧光编码微球图像检测方法
CN109858333A (zh) * 2018-12-20 2019-06-07 腾讯科技（深圳）有限公司 图像处理方法、装置、电子设备及计算机可读介质
CN109858386A (zh) * 2019-01-09 2019-06-07 深圳市趣方科技有限公司 一种基于荧光显微图像的微藻细胞识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Bottom-up Object Detection by Grouping Extreme and Center Points;Xingyi Zhou et al.;《arXiv:1901.08043v3》;20190425;第3-4节 *

Also Published As

Publication number Publication date
CN110738254A (zh) 2020-01-31

Similar Documents

Publication Publication Date Title
CN110598736B (zh) 一种电力设备红外图像故障定位、识别与预测方法
CN111783590A (zh) 一种基于度量学习的多类别小目标检测方法
CN113240688A (zh) 一种一体化洪涝灾害精准监测预警方法
CN111553387A (zh) 一种基于Yolov3的人员目标检测方法
CN109285139A (zh) 一种基于深度学习的x射线成像焊缝检测方法
CN111310756B (zh) 一种基于深度学习的损伤玉米颗粒检测和分类方法
CN106845374A (zh) 基于深度学习的行人检测方法及检测装置
CN109711389B (zh) 一种基于Faster R-CNN和HMM的哺乳母猪姿态转换识别方法
CN113255589B (zh) 一种基于多卷积融合网络的目标检测方法及系统
CN113569724B (zh) 基于注意力机制和扩张卷积的道路提取方法及系统
CN110738132B (zh) 一种具备判别性感知能力的目标检测质量盲评价方法
CN109636846B (zh) 基于循环注意力卷积神经网络的目标定位方法
CN106340016A (zh) 一种基于细胞显微镜图像的dna定量分析方法
CN109711401A (zh) 一种基于Faster Rcnn的自然场景图像中的文本检测方法
CN111161224A (zh) 基于深度学习的铸件内部缺陷分级评估系统及方法
CN113420619A (zh) 一种遥感影像建筑物提取方法
CN112633257A (zh) 基于改良卷积神经网络的马铃薯病害识别方法
Arjmand et al. Deep learning in liver biopsies using convolutional neural networks
CN115131561A (zh) 基于多尺度特征提取与融合的钾盐浮选泡沫图像分割方法
CN106251362A (zh) 一种基于快速相关邻域特征点的滑窗目标跟踪方法及系统
CN110307903B (zh) 一种家禽特定部位无接触温度动态测量的方法
CN115187786A (zh) 一种基于旋转的CenterNet2目标检测方法
CN114120359A (zh) 一种基于堆叠沙漏网络的群养猪体尺测量方法
CN114494870A (zh) 一种双时相遥感图像变化检测方法、模型构建方法和装置
CN110738254B (zh) 一种基于深度几何特征谱的显微图像目标检测方法及系统

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