欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022106682812
申请人: 云南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于Mask R-CNN的疟疾血涂片细胞检测和分割方法,其特征在于,包括以下步骤:S1:数据预处理,在每张光学显微镜采集的薄血涂片图像上,标注不同种类、不同时期疟原虫和红细胞,对标注后的数据集进行数据增强并统一图像尺寸大小,得到薄血涂片图像训练集;

S2:特征提取和处理,构建基于改进的Mask R-CNN网络模型,对输入的薄血涂片图像进行特征提取和处理;

S3:模型训练,将步骤S1中的薄血涂片图像训练集输入步骤S2中的模型,计算损失函数并进行反向传播,迭代更新网络模型的权重;

S3.1:损失函数的构建和计算

重新构建损失函数,在细胞分类损失函数中加入损失权重和调节因子,降低红细胞对网络参数的贡献,改善细胞类别不均衡导致检测精度不高的情况,重构后的损失函数包括RPN网络中的分类损失和检测框偏移损失、输出分支网络的细胞分类损失、细胞检测框偏移损失和细胞掩码分割损失五个部分:(1)RPN网络分类损失,计算公式如下:

(3-1)

其中,为训练RPN网络时一个mini-batch中采样细胞候选框的数量;为细胞候选框的索引;为第个细胞候选框的真实标签,当第个细胞候选框含有细胞时,则;当第个细胞候选框不含有细胞时,则;为第个细胞候选框中含有细胞的置信度;

(2)RPN网络检测框偏移损失,计算公式如下:

(3-2)

其中,为第个细胞候选框与细胞检测框之间的中心偏移量和长宽缩放量,为第个细胞候选框与细胞真实框之间的中心偏移量和长宽缩放量,为函数,定义如下:(3-3)

(3)细胞分类损失,计算公式如下:

(3-4)

其中,为训练输出分支网络时一个mini-batch中采样细胞候选框的数量;为细胞类别数;为第类细胞的候选框数量;表示第个细胞候选框为第类细胞的置信度,表示第个细胞候选框的真实标签,时属于第类细胞,时不属于第类细胞;为损失权重,当某类细胞数量较少时,损失权重会相对较大,使模型更加关注数量少的细胞类别;为调节因子,易分类的红细胞置信度接近于1,会接近于0,可降低红细胞对损失函数的影响,根据经验取值为2;

(4)细胞检测框偏移损失,计算公式如下:

(3-5)

其中,为第个细胞候选框的真实标签,表示第个细胞候选框与细胞检测框之间的中心偏移量和长宽缩放量,表示第个细胞候选框与细胞真实框之间的中心偏移量和长宽缩放量,为函数;

(5)细胞分割损失,计算公式如下:

(3-6)

其中,为细胞掩码分辨率的大小;为细胞掩码中第个像素的真实标签,1时属于第类细胞,时不属于第类细胞;为细胞掩码中第个像素为第类细胞的置信度;

(6)总体损失是以上RPN网络中的分类损失和检测框偏移损失、输出网络的细胞分类损失、细胞检测框偏移损失以及细胞掩码分割损失五个部分之和,计算公式如下:(3-7)

S3.2:网络权重的迭代更新

将步骤S1中的薄血涂片图像训练集输入步骤S2中构建的Mask R-CNN网络模型进行训练,在训练网络模型时,首先加载预训练权重文件,作为网络模型初始化参数,并对FPN基础上增添的右侧连接路径进行随机初始化参数,接着对步骤S3.1中总体损失函数的各参数计算梯度值,采用随机梯度下降算法(Stochastic Gradient Descent, SGD)迭代更新网络模型的权重参数:(3-8)

其中,为当前待更新的权重参数,为学习率且,为总体损失函数关于的梯度,为更新后的参数;

S4:疟疾检测,将待检测的薄血涂片图像输入到步骤S3中训练好的模型,进行细胞检测和分割,并计算疟原虫寄生密度。