基于滑动窗的癌细胞检测装置制造方法及图纸

本发明专利技术公开了一种基于滑动窗的癌细胞检测装置。本发明专利技术基于滑动窗的癌细胞检测装置，包括：所述计算机，所述计算机被编程以便执行如下步骤：通过埋在患者体内的癌症细胞采样针进行图像数据采集；采集完成后对针上采集的数据进行荧光染色处理并成像，得到可供检测的图像；进行图像数据处理和判断；根据判断过程中获取的位置信息用方框在原始图像中标记出癌细胞的位置，显示最终的检测结果。本发明专利技术的有益效果：本发明专利技术提出的基于滑动窗的癌细胞检测方法采用滑动窗口对图像进行截取，避免了将整幅图像输入网络带来的计算复杂度，同时也避免了对图像进行预处理和特征提取所需要的调参问题，加快了运算，提高了准确率，具有普适性。

Cancer cell detection device based on sliding window

【技术实现步骤摘要】
基于滑动窗的癌细胞检测装置
本专利技术涉及癌细胞检测领域，具体涉及一种基于滑动窗的癌细胞检测装置。
技术介绍
癌症的高发率和致死率已经成为危害人类生命健康的大敌，仅2018年一年全球癌症新发病例就有1810万例，癌症死亡病例960万例。因此能够及时发现肿瘤细胞的存在就成了防控癌症的重要手段。随着各种检测技术的发展，癌细胞图像的检测方法也是层出不穷，并且人们开始不断在检测的精度和速度上寻求突破。从阈值分割、K均值聚类、灰度共生矩阵、Snake模型等经典图像处理方法到目前流行的深度神经网络等机器学习方法都在癌细胞检测方面得到了很好的应用。经典图像处理方法在处理癌细胞图像时存在明显的精度不足，深度神经网络的出现很好的解决了这一问题，但是其自身又存在算法运行耗时、判断前需要进行预处理和特征提取等问题。目前的癌细胞图像检测一般都是用经典方法进行预处理和特征提取，然后再利用深度学习方法进行判断识别。此种方法的过程过于繁琐耗时并且精度也不高。因此，研究出一种高速度、高精度的癌细胞图像检测方法具有十分重要的意义。1、CN201811068427基于改进U-net卷积神经网络模型的癌细胞识别方法：获取癌细胞的医学图像，对医学图像中的癌细胞进行标注构成训练U-net神经网络模型的数据集。构建U-net卷积神经网络模型,确定U-net卷积神经网络模型的参数,让网络通过深度学习方法从图像上进行特征学习,采用测试和验证相结合的方式,得到训练好的U-net卷积神经网络模型。将训练好的网络模型进行部署,用于对测试数据中的癌细胞进行自动检测。2、CN201510489742基于定义圆HSV颜色空间的医学图像分割方法及癌细胞识别方法：在RGB色彩空间中找出图像目标颜色像素P和背景颜色像素Q的RGB值和位置信息，将基于RGB色彩空间的图像转换到HSV色彩空间。根据所存储的像素P的位置信息,将像素P所对应的(H,S)作为定义圆的圆心坐标,并设置定义圆的半径；根据所存储的像素Q的位置信息,提取像素Q所对应的H、S、V值赋值给定义圆内的所有像素点,实现目标颜色的去除。将去除目标颜色后的基于HSV色彩空间的图像转换回RGB色彩空间,从而实现对去除目标颜色的图像进行分割。3、CN201810793772一种子宫颈癌细胞再识别诊断方法：先对采集到的子宫颈细胞图像进行预处理,提取细胞形态和色度特征,并表示为向量。利用特征提取后得到的样本训练出识别机制M1和M2,构成平衡邻域分类器M。其中,M1用于判别是否为癌变细胞,M2用于确定癌变种类。实际检测时提取细胞特征用向量表示，将其向量参数输入平衡邻域分类器M中进行判别,利用M1判别是否为癌变细胞,对癌变细胞再利用M2确定癌变种类。传统技术存在以下技术问题：1、CN201811068427基于改进U-net卷积神经网络模型的癌细胞识别方法：直接将整幅图像送入网络训练，卷积过程耗时，效率较低。2、CN201510489742基于定义圆HSV颜色空间的医学图像分割方法及癌细胞识别方法：变换到HSV色彩空间对目标和背景进行分割，这种方法对微弱的颜色信息不敏感，难以发现癌细胞图像的深层次特征，所以会造成较多的漏判误判，准确率并不高。3、CN201810793772一种子宫颈癌细胞再识别诊断方法：在网络判断之前需要进行预处理和特征提取，此过程中调参过于繁琐。再通过提取到的特征来训练分类器，效率较低。并且利用传统方法进行预处理会影响检测精度。
技术实现思路
本专利技术要解决的技术问题是提供一种基于滑动窗的癌细胞检测装置，对采集到的图像用滑动窗进行截取，避免了对图像进行预处理和特征提取的繁琐，减少了对参数的调节，同时也避免了将整幅图像输入网络带来的复杂运算。在实际使用中，将该方法与深度网络结合，并且通过NPU进行加速，提高了检测效率，具有实际应用价值。为了解决上述技术问题，本专利技术提供了一种基于滑动窗的癌细胞检测装置，包括：所述计算机，所述计算机被编程以便执行如下步骤：通过埋在患者体内的癌症细胞采样针进行图像数据采集；采集完成后对针上采集的数据进行荧光染色处理并成像，得到可供检测的图像；进行图像数据处理和判断，具体操作步骤如下：(1)对图像进行滑动窗口截取，设置一个固定大小并且以预定步长滑动的窗口，让其遍历整幅图像，将截取到的图像保存下来以供后级网络进行判断；(2)搭建深度网络模型并对其进行训练，此过程使用集成了NPU加速芯片的硬件平台进行加速；(3)将截取的图片直接送入训练好的深度网络，网络给出判断结果；(4)获取被判定为癌细胞的图像的位置信息并保存；根据判断过程中获取的位置信息用方框在原始图像中标记出癌细胞的位置，显示最终的检测结果。在其中一个实施例中，通过埋在患者体内的循环肿瘤细胞(CTC)采样针来进行图像数据采集。在其中一个实施例中，搭建的深度网络模型采用卷积网络模型，所述卷积网络模型包括两个卷积层、两个池化层、一个全连接层和一个softmax层；卷积层局部感受野窗口大小设置为5*5，步长为1；第一层卷积层深度为32，第二层卷积层深度为64，均采用Relu函数作为激活函数；池化层窗口大小设置为2*2，步长为2。在其中一个实施例中，全连接层采用Sigmoid函数作为激活函数。在其中一个实施例中，在神经网络训练过程中对全连接层采取弃权操作，弃权比例设置为0.5。基于同样的专利技术构思，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：通过埋在患者体内的癌症细胞采样针进行图像数据采集；采集完成后对针上采集的数据进行荧光染色处理并成像，得到可供检测的图像；进行图像数据处理和判断，具体操作步骤如下：(1)对图像进行滑动窗口截取，设置一个固定大小并且以预定步长滑动的窗口，让其遍历整幅图像，将截取到的图像保存下来以供后级网络进行判断；(2)搭建深度网络模型并对其进行训练，此过程使用集成了NPU加速芯片的硬件平台进行加速；(3)将截取的图片直接送入训练好的深度网络，网络给出判断结果；(4)获取被判定为癌细胞的图像的位置信息并保存；根据判断过程中获取的位置信息用方框在原始图像中标记出癌细胞的位置，显示最终的检测结果。在其中一个实施例中，通过埋在患者体内的循环肿瘤细胞(CTC)采样针来进行图像数据采集。在其中一个实施例中，搭建的深度网络模型采用卷积网络模型，所述卷积网络模型包括两个卷积层、两个池化层、一个全连接层和一个softmax层；卷积层局部感受野窗口大小设置为5*5，步长为1；第一层卷积层深度为32，第二层卷积层深度为64，均采用Relu函数作为激活函数；池化层窗口大小设置为2*2，步长为2。在其中一个实施例中，全连接层采用Sigmoid函数作为激活函数。在其中一个实施例中，在神经网络训练过程中对全连接层采取弃权操作，弃权比例设置为0.5。本专利技术的有益效果：1本文档来自技高网...

【技术保护点】
1.一种基于滑动窗的癌细胞检测装置，其特征在于，包括：所述计算机，所述计算机被编程以便执行如下步骤：/n通过埋在患者体内的癌症细胞采样针进行图像数据采集；采集完成后对针上采集的数据进行荧光染色处理并成像，得到可供检测的图像。/n进行图像数据处理和判断，具体操作步骤如下：/n(1)对图像进行滑动窗口截取，设置一个固定大小并且以预定步长滑动的窗口，让其遍历整幅图像，将截取到的图像保存下来以供后级网络进行判断；/n(2)搭建深度网络模型并对其进行训练，此过程使用集成了NPU加速芯片的硬件平台进行加速；/n(3)将截取的图片直接送入训练好的深度网络，网络给出判断结果；/n(4)获取被判定为癌细胞的图像的位置信息并保存；/n根据判断过程中获取的位置信息用方框在原始图像中标记出癌细胞的位置，显示最终的检测结果。/n

【技术特征摘要】
1.一种基于滑动窗的癌细胞检测装置，其特征在于，包括：所述计算机，所述计算机被编程以便执行如下步骤：
通过埋在患者体内的癌症细胞采样针进行图像数据采集；采集完成后对针上采集的数据进行荧光染色处理并成像，得到可供检测的图像。
进行图像数据处理和判断，具体操作步骤如下：
(1)对图像进行滑动窗口截取，设置一个固定大小并且以预定步长滑动的窗口，让其遍历整幅图像，将截取到的图像保存下来以供后级网络进行判断；
(2)搭建深度网络模型并对其进行训练，此过程使用集成了NPU加速芯片的硬件平台进行加速；
(3)将截取的图片直接送入训练好的深度网络，网络给出判断结果；
(4)获取被判定为癌细胞的图像的位置信息并保存；
根据判断过程中获取的位置信息用方框在原始图像中标记出癌细胞的位置，显示最终的检测结果。


2.如权利要求1所述的基于滑动窗的癌细胞检测装置，其特征在于，通过埋在患者体内的循环肿瘤细胞(CTC)采样针来进行图像数据采集。


3.如权利要求1所述的基于滑动窗的癌细胞检测装置，其特征在于，搭建的深度网络模型采用卷积网络模型，所述卷积网络模型包括两个卷积层、两个池化层、一个全连接层和一个softmax层；卷积层局部感受野窗口大小设置为5*5，步长为1；第一层卷积层深度为32，第二层卷积层深度为64，均采用Relu函数作为激活函数；池化层窗口大小设置为2*2，步长为2。


4.如权利要求3所述的基于滑动窗的癌细胞检测装置，其特征在于，全连接层采用Sigmoid函数作为激活函数。


5.如权利要求3所述的基于滑动窗的癌细胞检测装置，其特征在于，在神经网络训练过程中对全连接层采取弃权操作，弃权比例设置为0.5...

【专利技术属性】
技术研发人员：黄敏，吴振宁，肖仲喆，江均均，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32