基于卷积神经网络的真菌显微图像分割检测方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110796661A(43)申请公布日2020.02.14(21)申请号201810866451.1(22)申请日2018.08.01(71)申请人华中科技大学地址430074湖北省武汉市洪山区珞喻路1037号(72)发明人程胜华吕晓华曾绍群刘越田靓(74)专利代理机构华中科技大学专利中心42201代理人李智曹葆青(51)Int.Cl.G06T7/10(2017.01)G06N3/04(2006.01)权利要求书2页说明书6页附图3页(54)发明名称基于卷积神经网络的真菌显微图像分割检测方法及系统(57)摘要本发明公开了一种基于卷积神经网络的真菌显微图像分割检测方法及系统，包括：将若干真菌显微图像分为正样本与负样本，同时对正样本中的菌丝进行标记得到标记后的正样本；将未标记的负样本和标记后的正样本进行切片和样本增强操作，生成可供进行深度学习的训练数据集；构建深度卷积神经网络模型，读取训练数据集生成用于分割检测的分割模型，以采用分割模型识别待检测真菌显微图像中的致病相和非致病相后，用热值图表示全局的真菌显微图像，并且将致病相结构在待检测真菌显微图像中的轮廓描绘出来。通过本发明不仅对真菌显微图像进行分类，而且能够将致病相的菌丝结构从图像中分割并精准定位。CN110796661ACN110796661A权利要求书1/2页1.一种基于卷积神经网络的真菌显微图像分割检测方法，其特征在于，包括：(1)将若干真菌显微图像分为正样本与负样本，同时对所述正样本中的菌丝进行标记得到标记后的正样本，其中，所述正样本为包含致病相菌丝结构的图像，所述负样本图像为完全不包含致病相菌丝结构的图像；(2)将未标记的正样本、标记后的正样本和所述负样本进行切片和样本增强操作，生成可供进行深度学习的训练数据集；(3)构建深度卷积神经网络模型，读取所述训练数据集生成用于分割检测的分割模型，以采用所述分割模型识别待检测真菌显微图像中的致病相和非致病相后，用热值图表示全局的真菌显微图像，并且将致病相结构在所述待检测真菌显微图像中的轮廓描绘出来。2.根据权利要求1所述的方法，其特征在于，步骤(1)包括：(1.1)将包含致病相菌丝结构的真菌显微图像作为正样本，将完全不包含致病相菌丝结构的真菌显微图像作为负样本；(1.2)将所述正样本中的每张图像中的致病相部分标记出来，得到标记好的正样本图像，并且将标记好的正样本图像作为原始未被标记的正样本图像的掩码图。3.根据权利要求2所述的方法，其特征在于，步骤(2)包括：(2.1)对于负样本，提取原始负样本图像的前景区域得到负样本前景图像，并在所述负样本前景图像中随机取若干个点，以取出的点为中心，在原始负样本图像中截取第一目标大小的图片，得到与取出的点数相同个数的第一负样本训练数据；(2.2)对于正样本，在标记得到的掩码图中随机选取若干个点，将取出的掩码图中点的坐标映射到原始正样本图像上，以映射点为中心，在原始正样本图像中截取第二目标大小的图片，得到与映射点数相同个数的正样本训练数据；同时，提取原始正样本图像的正样本前景图像，将所述正样本前景图像的前景点作为集合A，将掩码图中标记的致病相前景点作为集合B，集合A和集合B的差集作为集合C，并在集合C中随机取若干个点，以从C中选取的点为中心，在原始正样本图像中截取第三目标大小的图片，得到与从C中选取点数相同个数的第二负样本训练数据，其中，由所述第一负样本训练数据、所述正样本训练数据及所述第二负样本训练数据组成所述训练数据集。4.根据权利要求3所述的方法，其特征在于，所述构建深度卷积神经网络模型，读取所述训练数据集生成用于分割检测的分割模型，包括：构建深度卷积神经网络模型model，将所述训练数据集中得到的样本作为模型model的输入，经过反复迭代，测试所述训练样本集的损失和分类准确率，调整神经网络的权值，最后得到一个收敛的深度卷积神经网络模型model-1；将model-1产生的预测热值图和原始标记的掩码图对比，热值图中识别为阳性而掩码图中为阴性的作为假阳性结构；对于每张原始图像的假阳性结构中随机取若干个点，以取出的点为中心，在对应的原始图像中截取第四目标大小的图片，生成假阳性训练数据集；读取训练好的模型model-1，将由所述第一负样本训练数据、所述正样本训练数据、所述第二负样本训练数据及所述假阳性训练数据按照预设比例读取并进行训练，得到最终收敛的分割模型。5.根据权利要求4所述的方法，其特征在于，所述采用所述分割模型识别待检测真菌显2CN110796661A权利要求书2/2页微图像中的致病相和非致病相，包括：将所述待检测真菌显微图像进行缩小，并进行补零操作；读取训练好的所述分割模型，设置滑动窗，由所述滑动窗对补零