本發(fā)明涉及人工智能，特別是涉及一種基于數(shù)碼顯微鏡圖像的細(xì)胞切片識(shí)別方法及系統(tǒng)。

背景技術(shù)：

1、顯微鏡是生物學(xué)、醫(yī)學(xué)等領(lǐng)域的重要研究工具，用于觀察和研究微觀結(jié)構(gòu)，而細(xì)胞圖像分析則是生物醫(yī)學(xué)研究中關(guān)鍵的課題。

2、目前的顯微鏡圖像通常通過(guò)顯微鏡采集，采集到的數(shù)據(jù)則通過(guò)usb接口傳輸?shù)接?jì)算機(jī)或移動(dòng)設(shè)備進(jìn)行后續(xù)分析。但系統(tǒng)需要通過(guò)復(fù)雜的連接線將電子目鏡與計(jì)算機(jī)或手機(jī)連接，這不僅操作繁瑣，而且容易出現(xiàn)連接問(wèn)題，影響系統(tǒng)的整體用戶(hù)體驗(yàn)和穩(wěn)定性。而且現(xiàn)有系統(tǒng)適配的終端較少，功能單一，難以適應(yīng)不同的應(yīng)用需求和多樣化的應(yīng)用場(chǎng)景。這種局限性限制了系統(tǒng)的普遍適用性和靈活性，難以滿(mǎn)足不同領(lǐng)域和用途的需求。另外，在傳統(tǒng)的技術(shù)中，細(xì)胞分析往往依賴(lài)人工觀察及簡(jiǎn)單的圖像處理方法，這不僅耗時(shí)耗力，還容易產(chǎn)生人為誤差。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于數(shù)碼顯微鏡圖像的細(xì)胞切片識(shí)別方法及系統(tǒng)，利用智能模型對(duì)顯微鏡圖像進(jìn)行細(xì)胞分析，提高了細(xì)胞識(shí)別的智能性和準(zhǔn)確性。

2、為了解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種基于數(shù)碼顯微鏡圖像的細(xì)胞切片識(shí)別方法，包括：

3、接收第一顯微鏡圖像；

4、當(dāng)檢測(cè)到所述第一顯微鏡圖像存在細(xì)胞圖像時(shí)，利用第一特征提取模型在所述第一顯微鏡圖像中提取細(xì)胞特征數(shù)據(jù)；其中，所述細(xì)胞特征數(shù)據(jù)包括若干個(gè)細(xì)胞標(biāo)簽；各所述細(xì)胞標(biāo)簽包括坐標(biāo)信息和細(xì)胞類(lèi)型；

5、基于若干個(gè)所述坐標(biāo)信息確定若干個(gè)預(yù)測(cè)位置；

6、在預(yù)設(shè)數(shù)據(jù)庫(kù)中，基于若干個(gè)所述細(xì)胞類(lèi)型檢索若干個(gè)細(xì)胞信息，并將各所述細(xì)胞信息確定為若干個(gè)預(yù)測(cè)內(nèi)容；

7、基于若干個(gè)所述預(yù)測(cè)內(nèi)容，在對(duì)應(yīng)的預(yù)測(cè)位置構(gòu)建預(yù)測(cè)框，生成細(xì)胞顯示圖像。

8、本發(fā)明接收第一顯微鏡圖像，判斷第一顯微鏡圖像中是否存在細(xì)胞，僅在檢測(cè)到細(xì)胞時(shí)，對(duì)第一顯微鏡圖像進(jìn)行特征提取，減少圖像分析成本；采用第一特征提取模型在第一顯微鏡圖像中提取細(xì)胞特征數(shù)據(jù)，提高了細(xì)胞分析的智能性，采用人工智能代替人工識(shí)別，有效提高了細(xì)胞分析的準(zhǔn)確性；基于提取的細(xì)胞特征數(shù)據(jù)，確定細(xì)胞的坐標(biāo)信息和對(duì)應(yīng)的細(xì)胞信息，進(jìn)而確定預(yù)測(cè)位置和預(yù)測(cè)內(nèi)容，在第一顯微鏡圖像上構(gòu)建多個(gè)預(yù)測(cè)框，生成細(xì)胞顯示圖像，可清晰得知細(xì)胞切片圖像中的細(xì)胞信息，提高了細(xì)胞分析結(jié)果的可讀性。

9、進(jìn)一步地，所述接收第一顯微鏡圖像，具體為：

10、利用無(wú)線信道接收所述第一顯微鏡圖像；所述第一顯微鏡圖像由實(shí)時(shí)采集得到的原始顯微鏡圖像進(jìn)行數(shù)據(jù)預(yù)處理得到。

11、本發(fā)明利用無(wú)線信道接收第一顯微鏡圖像，實(shí)現(xiàn)了圖像數(shù)據(jù)的無(wú)線傳輸，提高了圖像數(shù)據(jù)傳輸?shù)谋憷院托剩?/p>

12、進(jìn)一步地，所述利用第一特征提取模型在所述第一顯微鏡圖像中提取細(xì)胞特征數(shù)據(jù)，具體為：

13、利用第一特征提取模型在不同深度的若干個(gè)卷積層分別提取第一顯微鏡圖像的若干個(gè)局部特征；

14、將若干個(gè)所述局部特征拼接為金字塔特征圖；

15、利用注意力機(jī)制在所述金字塔特征圖上提取全局特征；

16、利用雙檢測(cè)模塊對(duì)若干個(gè)所述局部特征和所述全局特征進(jìn)行融合分析，形成細(xì)胞特征數(shù)據(jù)。

17、本發(fā)明利用第一特征提取模型提取第一顯微鏡圖像中的細(xì)胞特征數(shù)據(jù)，提高了圖像識(shí)別的智能性；其中，在模型的不同深度中設(shè)置多個(gè)卷積層，能識(shí)別出圖像中的微小結(jié)構(gòu)和復(fù)雜形態(tài)，提高特征的識(shí)別精度；在模型中引入注意力機(jī)制，能更好地關(guān)注重要的特征，減少不必要的信息干擾，進(jìn)而提高特征識(shí)別的準(zhǔn)確性；在模型中設(shè)置雙檢測(cè)模塊，能夠有效處理不同形態(tài)和大小的細(xì)胞，增強(qiáng)了模型對(duì)復(fù)雜細(xì)胞形態(tài)的檢測(cè)能力。

18、進(jìn)一步地，所述利用雙檢測(cè)模塊對(duì)若干個(gè)所述局部特征和所述全局特征進(jìn)行融合分析，形成細(xì)胞特征數(shù)據(jù)，具體為：

19、利用雙檢測(cè)模塊對(duì)若干個(gè)所述局部特征和所述全局特征進(jìn)行特征融合，形成融合后特征；

20、對(duì)所述融合后特征進(jìn)行特征分類(lèi)，得出若干個(gè)細(xì)胞類(lèi)型；

21、對(duì)所述融合后特征進(jìn)行特征回歸，得出若干個(gè)坐標(biāo)信息；

22、將若干個(gè)所述細(xì)胞類(lèi)型和若干個(gè)所述坐標(biāo)信息進(jìn)行匹配，形成若干個(gè)細(xì)胞標(biāo)簽；

23、將若干個(gè)所述細(xì)胞標(biāo)簽確定為細(xì)胞特征數(shù)據(jù)。

24、本發(fā)明利用第一特征提取模型中的雙檢測(cè)模塊，能夠?qū)D像中來(lái)自不同尺度的特征圖進(jìn)行融合，并對(duì)融合后的特征進(jìn)行分類(lèi)，識(shí)別出各細(xì)胞的細(xì)胞類(lèi)型，以及對(duì)融合后的特征進(jìn)行邊界回歸，定位各細(xì)胞的坐標(biāo)位置，進(jìn)而形成細(xì)胞特征數(shù)據(jù)，能增強(qiáng)對(duì)復(fù)雜細(xì)胞形態(tài)的檢測(cè)能力，從而顯著提高細(xì)胞切片識(shí)別的準(zhǔn)確性。

25、進(jìn)一步地，所述第一特征提取模型，其模型訓(xùn)練過(guò)程具體為：

26、采用自動(dòng)化數(shù)據(jù)采集技術(shù)，采集若干個(gè)細(xì)胞切片圖像數(shù)據(jù)；其中，所述細(xì)胞切片圖像數(shù)據(jù)包括細(xì)胞類(lèi)型、細(xì)胞數(shù)量和細(xì)胞位置；

27、采用分布式訓(xùn)練技術(shù)，利用預(yù)設(shè)識(shí)別網(wǎng)絡(luò)對(duì)若干個(gè)所述細(xì)胞切片圖像數(shù)據(jù)進(jìn)行訓(xùn)練，形成特征提取模型；

28、當(dāng)所述特征提取模型的各評(píng)估指標(biāo)均達(dá)到對(duì)應(yīng)的預(yù)設(shè)評(píng)估指標(biāo)閾值時(shí)，確定所述特征提取模型的模型參數(shù)，形成第一特征提取模型。

29、本發(fā)明采用自動(dòng)化數(shù)據(jù)采集技術(shù)可以高效地收集大量的細(xì)胞切片圖像數(shù)據(jù)，提高工作效率；采用分布式訓(xùn)練技術(shù)能將模型訓(xùn)練任務(wù)分解成多個(gè)子任務(wù)，在多個(gè)計(jì)算設(shè)備上并行進(jìn)行訓(xùn)練，顯著減少了訓(xùn)練時(shí)間，能處理更大量的訓(xùn)練數(shù)據(jù)，進(jìn)而提高模型的精確度；采用預(yù)設(shè)識(shí)別網(wǎng)絡(luò)作為目標(biāo)檢測(cè)算法，在模型應(yīng)用時(shí)不僅能保持高效率，還能進(jìn)一步提高目標(biāo)檢測(cè)的精度，保持模型的穩(wěn)定性。

30、進(jìn)一步地，在所述生成細(xì)胞顯示圖像后，還包括：

31、獲取顯示設(shè)備的數(shù)據(jù)處理格式；

32、基于所述數(shù)據(jù)處理格式，對(duì)所述細(xì)胞顯示圖像進(jìn)行格式轉(zhuǎn)換，形成設(shè)備顯示數(shù)據(jù)；

33、利用所述顯示設(shè)備顯示所述設(shè)備顯示數(shù)據(jù)。

34、本發(fā)明在生成細(xì)胞顯示圖像后，通過(guò)獲取顯示設(shè)備的數(shù)據(jù)處理格式對(duì)該細(xì)胞顯示圖像后進(jìn)行格式轉(zhuǎn)換，將格式轉(zhuǎn)換后的設(shè)備顯示數(shù)據(jù)傳輸至對(duì)應(yīng)的顯示設(shè)備進(jìn)行顯示。本發(fā)明通過(guò)格式轉(zhuǎn)換，能將確保數(shù)據(jù)的準(zhǔn)確性和一致性，并提高設(shè)備間的兼容性和互通性，確保數(shù)據(jù)在不同設(shè)備間順利交換。

35、相應(yīng)的，本發(fā)明提供了一種基于數(shù)碼顯微鏡圖像的細(xì)胞切片識(shí)別系統(tǒng)，用于執(zhí)行上述的一種基于數(shù)碼顯微鏡圖像的細(xì)胞切片識(shí)別方法，包括：數(shù)碼顯微鏡和處理設(shè)備；

36、所述數(shù)碼顯微鏡用于采集第一顯微鏡圖像，并利用無(wú)線信道將所述第一顯微鏡圖像傳輸至處理設(shè)備；

37、所述處理設(shè)備用于接收第一顯微鏡圖像；當(dāng)檢測(cè)到所述第一顯微鏡圖像存在細(xì)胞圖像時(shí)，利用第一特征提取模型在所述第一顯微鏡圖像中提取細(xì)胞特征數(shù)據(jù)；其中，所述細(xì)胞特征數(shù)據(jù)包括若干個(gè)細(xì)胞標(biāo)簽；各所述細(xì)胞標(biāo)簽包括坐標(biāo)信息和細(xì)胞類(lèi)型；基于若干個(gè)所述坐標(biāo)信息確定若干個(gè)預(yù)測(cè)位置；在預(yù)設(shè)數(shù)據(jù)庫(kù)中，基于若干個(gè)所述細(xì)胞類(lèi)型檢索若干個(gè)細(xì)胞信息，并將各所述細(xì)胞信息確定為若干個(gè)預(yù)測(cè)內(nèi)容；基于若干個(gè)所述預(yù)測(cè)內(nèi)容，在對(duì)應(yīng)的預(yù)測(cè)位置構(gòu)建預(yù)測(cè)框，生成細(xì)胞顯示圖像。

38、本發(fā)明的細(xì)胞切片識(shí)別系統(tǒng)，包括數(shù)碼顯微鏡和處理設(shè)備，兩者之間通過(guò)無(wú)線信道進(jìn)行數(shù)據(jù)傳輸，能有效提高數(shù)據(jù)傳輸?shù)谋憷院托剩M(jìn)而確保系統(tǒng)的穩(wěn)定性。

39、進(jìn)一步地，所述數(shù)碼顯微鏡，包括：成像模組和無(wú)線傳輸模組；

40、所述成像模組用于采集第一顯微鏡圖像；

41、所述無(wú)線傳輸模組用于利用無(wú)線信道將所述第一顯微鏡圖像傳輸至處理設(shè)備。

42、本發(fā)明的數(shù)碼顯微鏡包括成像模組和無(wú)線傳輸模組，成像模組用于采集第一顯微鏡圖像，無(wú)線傳輸模組用于利用無(wú)線信道將第一顯微鏡圖像傳輸給處理設(shè)備。本發(fā)明通過(guò)在數(shù)碼顯微鏡上設(shè)置無(wú)線傳輸模組，能實(shí)現(xiàn)數(shù)碼顯微鏡和處理設(shè)備之間的無(wú)線通信，有效提高數(shù)據(jù)傳輸?shù)男省?/p>

43、進(jìn)一步地，所述成像模組，包括：圖像傳感器和圖像處理器；

44、所述圖像傳感器用于實(shí)時(shí)采集原始顯微鏡圖像；

45、所述圖像處理器用于對(duì)所述原始顯微鏡圖像進(jìn)行數(shù)據(jù)預(yù)處理，生成第一顯微鏡圖像。

46、本發(fā)明的成像模組包括圖像傳感器和圖像處理器，圖像傳感器用于實(shí)時(shí)采集原始顯微鏡圖像，圖像處理器用于對(duì)采集到的原始顯微鏡圖像進(jìn)行數(shù)據(jù)預(yù)處理，形成第一顯微鏡圖像。本發(fā)明在采集到原始顯微鏡圖像后，數(shù)碼顯微鏡上的圖像處理器能實(shí)時(shí)處理原始顯微鏡圖像，提高圖像質(zhì)量。

47、進(jìn)一步地，所述處理設(shè)備包括第一特征提取模型，所述利用第一特征提取模型在所述第一顯微鏡圖像中提取細(xì)胞特征數(shù)據(jù)，具體為：

48、利用第一特征提取模型在不同深度的若干個(gè)卷積層分別提取第一顯微鏡圖像的若干個(gè)局部特征；

49、將若干個(gè)所述局部特征拼接為金字塔特征圖；

50、利用注意力機(jī)制在所述金字塔特征圖上提取全局特征；

51、利用雙檢測(cè)模塊對(duì)若干個(gè)所述局部特征和所述全局特征進(jìn)行融合分析，形成細(xì)胞特征數(shù)據(jù)。