基于机器视觉的肿瘤细胞检测设备及其方法与流程

技术特征：
1.一种基于机器视觉的肿瘤细胞检测设备，其特征在于，包括：染色图采集模块，用于获取待检测样本的染色图；降噪模块，用于将所述染色图通过基于自动编码器的降噪模块以得到降噪后染色图；颜色空间转换模块，用于将所述降噪后染色图从rgb颜色空间转化到ycbcr颜色空间并提取各个通道的lbp纹理特征直方图；纹理特征编码模块，用于将所述各个通道的lbp纹理特征直方图分别通过作为特征提取器的第一卷积神经网络模型以得到多个纹理特征图，并将所述多个纹理特征图进行级联以得到纹理特征图；颜色特征编码模块，用于将所述降噪后染色图通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；异质特征融合模块，用于融合所述颜色特征图和所述纹理特征图以得到分类特征图；以及检测结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测样本是否含有甲胎蛋白受体。2.根据权利要求1所述的基于机器视觉的肿瘤细胞检测设备，其特征在于，所述降噪模块，包括：编码单元，用于将所述染色图输入所述降噪模块的编码器，其中，所述编码器使用卷积层对所述染色图进行显式空间编码以得到染色图特征；解码单元，用于将所述染色图特征输入所述降噪模块的解码器，其中，所述解码器使用反卷积层对所述染色图特征进行反卷积处理以得到所述降噪后染色图。3.根据权利要求2所述的基于机器视觉的肿瘤细胞检测设备，其特征在于，所述纹理特征编码模块，进一步用于：使用所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的第一卷积神经网络模型的最后一层输出所述多个纹理特征图，其中，所述作为特征提取器的第一卷积神经网络模型的第一层的输入为所述各个通道的lbp纹理特征直方图。4.根据权利要求3所述的基于机器视觉的肿瘤细胞检测设备，其特征在于，所述颜色特征编码模块，进一步用于：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出所述颜色特征图，其中，所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述降噪后染色图。5.根据权利要求4所述的基于机器视觉的肿瘤细胞检测设备，其特征在于，所述异质特征融合模块，进一步用于：以如下公式融合所述颜色特征图和所述纹理特征图以得到所述分类特征图；其中，所述公式为：
其中、和分别表示所述颜色特征图、所述纹理特征图和所述分类特征图，表示所述纹理特征图的各个位置的特征值，表示所述纹理特征图的各个位置的特征值的全局均值，是所述纹理特征图的尺度，且是加权超参数，表示按位置加法，表示按位置点乘，表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值。6.根据权利要求5所述的基于机器视觉的肿瘤细胞检测设备，其特征在于，所述检测结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征图进行处理以得到分类结果；其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为所述分类特征图投影为向量。7.一种基于机器视觉的肿瘤细胞检测方法，其特征在于，包括：获取待检测样本的染色图；将所述染色图通过基于自动编码器的降噪模块以得到降噪后染色图；将所述降噪后染色图从rgb颜色空间转化到ycbcr颜色空间并提取各个通道的lbp纹理特征直方图；将所述各个通道的lbp纹理特征直方图分别通过作为特征提取器的第一卷积神经网络模型以得到多个纹理特征图，并将所述多个纹理特征图进行级联以得到纹理特征图；将所述降噪后染色图通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；融合所述颜色特征图和所述纹理特征图以得到分类特征图；以及将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测样本是否含有甲胎蛋白受体。8.根据权利要求7所述的基于机器视觉的肿瘤细胞检测方法，其特征在于，所述将所述染色图通过基于自动编码器的降噪模块以得到降噪后染色图，包括：将所述染色图输入所述降噪模块的编码器，其中，所述编码器使用卷积层对所述染色图进行显式空间编码以得到染色图特征；将所述染色图特征输入所述降噪模块的解码器，其中，所述解码器使用反卷积层对所述染色图特征进行反卷积处理以得到所述降噪后染色图。9.根据权利要求8所述的基于机器视觉的肿瘤细胞检测方法，其特征在于，所述将所述各个通道的lbp纹理特征直方图分别通过作为特征提取器的第一卷积神经网络模型以得到多个纹理特征图，包括：使用所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激
活处理以由所述作为特征提取器的第一卷积神经网络模型的最后一层输出所述多个纹理特征图，其中，所述作为特征提取器的第一卷积神经网络模型的第一层的输入为所述各个通道的lbp纹理特征直方图。10.根据权利要求9所述的基于机器视觉的肿瘤细胞检测方法，其特征在于，所述将所述降噪后染色图通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图，包括：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出所述颜色特征图，其中，所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述降噪后染色图。

技术总结
本申请公开了一种基于机器视觉的肿瘤细胞检测设备及其方法。其首先将获取的待检测样本的染色图降噪模块进行降噪后得到的降噪后染色图从RGB颜色空间转化到YCbCr颜色空间并提取各个通道的LBP纹理特征直方图，接着，将所述各个通道的LBP纹理特征直方图分别通过第一卷积神经网络模型以得到多个纹理特征图并将所述多个纹理特征图进行级联以得到纹理特征图，然后，将所述降噪后染色图通过第二卷积神经网络模型以得到颜色特征图，最后，融合所述颜色特征图和所述纹理特征图以得到分类特征图并将所述分类特征图通过分类器以得到用于表示待检测样本是否含有甲胎蛋白受体的分类结果。通过这样的方式，就能够提高肿瘤细胞检测的精准度。测的精准度。测的精准度。


技术研发人员：张开山 赵丹 高阳 饶浪睛 李超 刘艳省 于杰 田华
受保护的技术使用者：杭州华得森生物技术有限公司
技术研发日：2022.11.02
技术公布日：2022/11/29