【技术实现步骤摘要】
本公开的实施例涉及图像识别，具体涉及荧光信号点识别方法及相关产品。
技术介绍
1、基于荧光原位杂交(fluorescent in situ hybridization，fish)技术成像得到的图像(包括多通道荧光信号点图像和dapi图像)能够特异性的对于疾病进行高灵敏度的检测。如肺癌循环染色体异常细胞(circulating genetically abnormal cell，cac)可以通过四通道荧光信号点图像和dapi图像对视野内的细胞进行逐个检测判断。
2、目前的自动识别cac细胞的做法，大多需要根据dapi图像对细胞进行分割的细胞分割结果，在四个通道荧光信号点图像中对每个细胞进行定位并截取相应细胞在相应通道的荧光信号点图像，再针对截取得到的每个通道的荧光信号点图像进行荧光信号点识别得到相应通道的荧光信号点识别结果。最后，根据细胞中荧光信号点数量判断细胞是否为cac细胞。在这个过程中重要的部分是得到每个细胞在各个通道荧光信号点图像中的荧光信号点识别结果，目前上述过程分为细胞分割和荧光信号点识别两个阶段，但上述两阶段方法需要定位到四个通道的信号点图像中每个细胞，再按照每个细胞在每个通道的信号点图像单独设置相应的识别模型进行荧光信号点识别，这导致模型参数较多进而所需存储空间较多，以及计算量较大，计算效率较低。
技术实现思路
1、本公开的实施例提出了荧光信号点识别方法、装置、电子设备、存储介质和计算机程序产品。
2、第一方面，本公开的实施例提供了一种荧光信号
3、在一些可选的实施方式中，所述多尺度特征提取模型包括顺序连接的第一c2f网络、第一卷积神经网络、第二c2f网络、第二卷积神经网络、第三c2f网络、sppf网络、上采样网络、拼接网络和第四c2f网络，且所述第二c2f网络和所述上采样网络的输出输入所述拼接网络。
4、在一些可选的实施方式中，所述荧光信号点识别结果包括预设特征图尺寸的信号点区域信息图和信号点热图，所述荧光信号点识别模型包括信号点区域信息图提取模型和信号点热图提取模型；以及
5、所述基于荧光信号点识别模型，对所述多尺度融合特征图进行荧光信号点识别，得到每个通道的待识别荧光信号点图像的荧光信号点识别结果，包括：
6、基于所述信号点区域信息图提取模型，对所述多尺度融合特征图进行信号点区域信息图提取，得到每个通道待识别荧光信号点图像的信号点区域信息图，其中，信号点区域信息图用于将所述预设特征图尺寸下的特征图中每个像素点映射到荧光信号点图像中的图像区域；
7、基于所述信号点热图提取模型，对所述多尺度融合特征图进行信号点热图提取，得到每个通道待识别荧光信号点图像的信号点热图，其中，信号点热图包括所述预设特征图尺寸下的特征图中每个像素点按照信号点区域信息图映射到荧光信号点图像中的图像区域后为信号点区域的概率；
8、对于每个通道待识别荧光信号点图像，基于该通道待识别荧光信号点图像的信号点区域信息图和信号点热图，确定该通道待识别荧光信号点图像的荧光信号点识别结果。
9、在一些可选的实施方式中，所述信号点热图提取模型包括依次连接的第一图像特征提取网络、第二图像特征提取网络、卷积层和激活函数层。
10、在一些可选的实施方式中，所述第一图像特征提取网络和所述第二图像特征提取网络分别包括依次连接的卷积层、批量归一化层和激活函数层。
11、在一些可选的实施方式中，所述信号点区域信息图提取模型包括信号点宽度提取模型、信号点高度提取模型、信号点位置横坐标偏移量提取模型和信号点位置纵坐标偏移量提取模型。
12、在一些可选的实施方式中，所述信号点宽度提取模型包括依次连接的第三图像特征提取网络和卷积层，所述信号点高度提取模型包括依次连接的第四图像特征提取网络和卷积层，所述信号点位置横坐标偏移量提取模型包括依次连接的第五图像特征提取网络和卷积层，所述信号点位置纵坐标偏移量提取模型包括依次连接的第六图像特征提取网络和卷积层。
13、在一些可选的实施方式中，所述初步融合特征提取模型、所述多尺度特征提取模型和所述荧光信号点识别模型是通过如下训练步骤预先训练得到的：
14、获取样本数据集合，其中，样本数据包括多通道样本荧光信号点图像和每个通道样本荧光信号点图像的标注荧光信号点识别结果，其中，多通道样本荧光信号点图像是对包括同一细胞对象的同一视野进行拍摄得到的多通道荧光信号点图像；
15、基于所述样本数据集合，训练得到所述初步融合特征提取模型、所述多尺度特征提取模型和所述荧光信号点识别模型。
16、第二方面，本公开的实施例提供了一种荧光信号点识别装置，该装置包括：获取模块，被配置为获取对包括同一细胞对象的同一视野进行拍摄得到的多通道待识别荧光信号点图像；特征初步融合模块，被配置为基于初步融合特征提取模型，对所述多通道待识别荧光信号点图像进行图像特征提取，得到初步融合特征图；多尺度特征提取模块，被配置为基于多尺度特征提取模型，对所述初步融合特征图进行多尺度特征提取，得到多尺度融合特征图；荧光信号点识别模块，被配置为基于荧光信号点识别模型，对所述多尺度融合特征图进行荧光信号点识别，得到每个通道待识别荧光信号点图像的荧光信号点识别结果。
17、在一些可选的实施方式中，所述多尺度特征提取模型包括顺序连接的第一c2f网络、第一卷积神经网络、第二c2f网络、第二卷积神经网络、第三c2f网络、sppf网络、上采样网络、拼接网络和第四c2f网络，且所述第二c2f网络和所述上采样网络的输出输入所述拼接网络。
18、在一些可选的实施方式中，所述荧光信号点识别结果包括预设特征图尺寸的信号点区域信息图和信号点热图，所述荧光信号点识别模型包括信号点区域信息图提取模型和信号点热图提取模型；以及
19、所述荧光信号点识别模块进一步被配置为：
20、基于所述信号点区域信息图提取模型，对所述多尺度融合特征图进行信号点区域信息图提取，得到每个通道待识别荧光信号点图像的信号点区域信息图，其中，信号点区域信息图用于将所述预设特征图尺寸下的特征图中每个像素点映射到荧光信号点图像中的图像区域；
21、基于所述信号点热图提取模型，对所述多尺度融合特征图进行信号点热图提取，得到每个通道待识别荧光信号点图像的信号点热图，其中，信号点热图包括所述预设特征图尺寸下的特征图中每个像素点按照信号点区域信息图映射到荧光信号点图像中的图像区域后为信号点区域的概率本文档来自技高网...
【技术保护点】
1.一种荧光信号点识别方法，包括：
2.根据权利要求1所述的方法，其中，所述多尺度特征提取模型包括顺序连接的第一C2f网络、第一卷积神经网络、第二C2f网络、第二卷积神经网络、第三C2f网络、SPPF网络、上采样网络、拼接网络和第四C2f网络，且所述第二C2f网络和所述上采样网络的输出输入所述拼接网络。
3.根据权利要求1所述的方法，其中，所述荧光信号点识别结果包括预设特征图尺寸的信号点区域信息图和信号点热图，所述荧光信号点识别模型包括信号点区域信息图提取模型和信号点热图提取模型；以及
4.根据权利要求3所述的方法，其中，所述信号点热图提取模型包括依次连接的第一图像特征提取网络、第二图像特征提取网络、卷积层和激活函数层。
5.根据权利要求4所述的方法，其中，所述第一图像特征提取网络和所述第二图像特征提取网络分别包括依次连接的卷积层、批量归一化层和激活函数层。
6.根据权利要求3所述的方法，其中，所述信号点区域信息图提取模型包括信号点宽度提取模型、信号点高度提取模型、信号点位置横坐标偏移量提取模型和信号点位置纵坐标偏移量提
7.根据权利要求6所述的方法，其中，所述信号点宽度提取模型包括依次连接的第三图像特征提取网络和卷积层，所述信号点高度提取模型包括依次连接的第四图像特征提取网络和卷积层，所述信号点位置横坐标偏移量提取模型包括依次连接的第五图像特征提取网络和卷积层，所述信号点位置纵坐标偏移量提取模型包括依次连接的第六图像特征提取网络和卷积层。
8.根据权利要求1所述的方法，其中，所述初步融合特征提取模型、所述多尺度特征提取模型和所述荧光信号点识别模型是通过如下训练步骤预先训练得到的：
9.一种荧光信号点识别装置，包括：
10.一种电子设备，包括：
11.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被一个或多个处理器执行时实现如权利要求1-8中任一所述的方法。
12.一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如权利要求1-8中任一所述的方法。
...【技术特征摘要】
1.一种荧光信号点识别方法，包括：
2.根据权利要求1所述的方法，其中，所述多尺度特征提取模型包括顺序连接的第一c2f网络、第一卷积神经网络、第二c2f网络、第二卷积神经网络、第三c2f网络、sppf网络、上采样网络、拼接网络和第四c2f网络，且所述第二c2f网络和所述上采样网络的输出输入所述拼接网络。
3.根据权利要求1所述的方法，其中，所述荧光信号点识别结果包括预设特征图尺寸的信号点区域信息图和信号点热图，所述荧光信号点识别模型包括信号点区域信息图提取模型和信号点热图提取模型；以及
4.根据权利要求3所述的方法，其中，所述信号点热图提取模型包括依次连接的第一图像特征提取网络、第二图像特征提取网络、卷积层和激活函数层。
5.根据权利要求4所述的方法，其中，所述第一图像特征提取网络和所述第二图像特征提取网络分别包括依次连接的卷积层、批量归一化层和激活函数层。
6.根据权利要求3所述的方法，其中，所述信号点区域信息图提取模型包括信号点宽度提取模型、信号点高度提取模...
【专利技术属性】
技术研发人员：吕行，邝英兰，
申请(专利权)人：珠海圣美生物诊断技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。