【技術實現步驟摘要】
本申請涉及細胞檢測，特別是涉及一種紅細胞檢測區域選取方法、裝置、計算機設備和存儲介質。
技術介紹
1、紅細胞形態學分析是醫學檢測中重要的診斷方法，特別是在血液病和貧血等疾病的診斷中，醫生需要根據細胞圖像中紅細胞的大小、形態和分布進行診斷。當然，為了提高診斷效率及提升診斷結果的準確性，通常需要對細胞分布較均勻的區域內的目標數量的紅細胞進行檢測，即將此細胞分布較均勻的區域作為紅細胞檢測區域。作為紅細胞形態學分析其中的一個關鍵步驟，選取紅細胞檢測區域尤為重要。
2、現有技術中，通過人工觀察計數選取合適的紅細胞檢測區域，但人工觀察計數容易受到觀察者主觀判斷的影響且耗時長，導致現有技術中存在紅細胞分析檢測效率低的問題。
3、針對現有技術中，通過人工觀察計數選取合適的紅細胞檢測區域存在紅細胞分析檢測效率低的問題，目前尚未提出有效的解決方案。
技術實現思路
1、基于此，有必要針對上述技術問題，提供一種紅細胞檢測區域選取方法、裝置、計算機設備和計算機可讀存儲介質，以解決相關技術中人工觀察計數選取合適的紅細胞檢測區域存在紅細胞分析檢測效率低的問題。
2、第一個方面，本申請實施例提供了一種紅細胞檢測區域選取方法，所述方法用于從細胞圖像中選取紅細胞檢測區域，所述方法包括以下步驟：
3、將所述細胞圖像輸入到預訓練的深度神經網絡中，獲取所述細胞圖像的細胞分布情況的預測結果，基于所述預測結果生成與所述細胞圖像對應的第一熱力圖，在所述第一熱力圖中，所述細胞圖像中細
4、分別采用預設n個不同尺寸的濾波框對所述第一熱度圖進行均值濾波平滑處理，得到經濾波處理后的n個第二熱力圖；其中，n為大于等于1的整數；
5、提取每個所述第二熱力圖中熱力值最大的坐標位置，并以所述細胞圖像上對應熱力值最大的坐標位置為中心生成與對應所述濾波框尺寸相同的選區框；
6、提取每個所述選區框中的細胞邊緣，并基于細胞邊緣檢測細胞的圓形特征；
7、基于檢測到的圓形特征對所述選區框內的細胞進行篩選，統計每個所述選區框內的紅細胞數量，將紅細胞數量與目標數量最接近的所述選區框作為紅細胞檢測區域。
8、在其中一個實施例中，所述提取每個所述選區框中的細胞邊緣，包括以下步驟：
9、利用canny邊緣檢測算法提取每個所述選區框中的細胞邊緣。
10、在其中一個實施例中，所述基于細胞邊緣檢測細胞的圓形特征，包括以下步驟：
11、通過霍夫變換基于細胞邊緣檢測細胞的圓形特征。
12、在其中一個實施例中，所述預訓練的深度神經網路以mobilenetv3?small網絡模型為原型。
13、第二個方面，本申請還提供了一種紅細胞檢測區域選取裝置，所述裝置包括生成模塊、濾波模塊、提取模塊、檢測模塊和篩選模塊；
14、所述生成模塊，用于將所述細胞圖像輸入到預訓練的深度神經網絡中，獲取所述細胞圖像的細胞分布情況的預測結果，基于所述預測結果生成與所述細胞圖像對應的第一熱力圖，在所述第一熱力圖中，所述細胞圖像中細胞分布越均勻的區域對應的熱力值越高；
15、所述濾波模塊，用于分別采用預設n個不同尺寸的濾波框對所述第一熱度圖進行均值濾波平滑處理，得到經濾波處理后的n個第二熱力圖；其中，n為大于等于1的整數；
16、所述提取模塊，用于提取每個所述第二熱力圖中熱力值最大的坐標位置，并以所述細胞圖像上對應熱力值最大的坐標位置為中心生成與對應所述濾波框尺寸相同的選區框；
17、所述檢測模塊，用于提取每個所述選區框中的細胞邊緣，并基于細胞邊緣檢測細胞的圓形特征；
18、所述篩選模塊，用于基于檢測到的圓形特征對所述選區框內的細胞進行篩選，統計每個所述選區框內的紅細胞數量，將紅細胞數量與目標數量最接近的所述選區框作為紅細胞檢測區域。
19、第三個方面，在本實施例中提供了一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現上述第一個方面所述方法的步驟。
20、第四個方面，在本實施例中提供了計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現上述第一個方面所述的方法的步驟。
21、上述紅細胞檢測區域選取方法、裝置、計算機設備和計算機可讀存儲介質，用于從細胞圖像中選取紅細胞檢測區域，通過將細胞圖像輸入到預訓練的深度神經網絡中，獲取細胞圖像的細胞分布情況的預測結果，基于預測結果生成與細胞圖像對應的第一熱力圖，在第一熱力圖中，細胞圖像中細胞分布越均勻的區域對應的熱力值越高；分別采用預設n個不同尺寸的濾波框對第一熱度圖進行均值濾波平滑處理，得到經濾波處理后的n個第二熱力圖；其中，n為大于等于1的整數；提取每個第二熱力圖中熱力值最大的坐標位置，并以細胞圖像上對應熱力值最大的坐標位置為中心生成與對應濾波框尺寸相同的選區框；提取每個選區框中的細胞邊緣，并基于細胞邊緣檢測細胞的圓形特征；基于檢測到的圓形特征對選區框內的細胞進行篩選，統計每個選區框內的紅細胞數量，將紅細胞數量與目標數量最接近的選區框作為紅細胞檢測區域。本申請將工智能技術引入到醫學影像分析中，通過深度學習算法對紅細胞圖像進行特征提取和區域劃分，能夠快速、高效地選取紅細胞檢測區域，有效提高紅細胞分析檢測效率。
本文檔來自技高網...【技術保護點】
1.一種紅細胞檢測區域選取方法，其特征在于，所述方法用于從細胞圖像中選取紅細胞檢測區域，所述方法包括以下步驟：
2.根據權利要求1所述的紅細胞檢測區域選取方法，其特征在于，所述提取每個所述選區框中的細胞邊緣，包括以下步驟：
3.根據權利要求1所述的紅細胞檢測區域選取方法，其特征在于，所述基于細胞邊緣檢測細胞的圓形特征，包括以下步驟：
4.根據權利要求1所述的紅細胞檢測區域選取方法，其特征在于，所述預訓練的深度神經網路以MobileNetV3?small網絡模型為原型。
5.一種紅細胞檢測區域選取裝置，其特征在于，所述裝置包括生成模塊、濾波模塊、提取模塊、檢測模塊和篩選模塊；
6.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至4中任一項所述方法的步驟。
7.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至4任一項所述方法的步驟。
【技術特征摘要】
1.一種紅細胞檢測區域選取方法，其特征在于，所述方法用于從細胞圖像中選取紅細胞檢測區域，所述方法包括以下步驟：
2.根據權利要求1所述的紅細胞檢測區域選取方法，其特征在于，所述提取每個所述選區框中的細胞邊緣，包括以下步驟：
3.根據權利要求1所述的紅細胞檢測區域選取方法，其特征在于，所述基于細胞邊緣檢測細胞的圓形特征，包括以下步驟：
4.根據權利要求1所述的紅細胞檢測區域選取方法，其特征在于，所述預訓練的深度神經網路以mobilenetv...
【專利技術屬性】
技術研發人員：張寧欣，路宗岳，孫明霞，陸濤，陸炬，
申請(專利權)人：杭州智微信息科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。