技术摘要：
本发明公开了一种基于目标检测的病理图像细胞计数方法、计算机设备及介质，该方法包括获取待识别的病理图像样本；将病理图像输入预先训练完成的病理图像细胞计数模型，从而获得病理细胞的个数；其中，病理图像细胞计数模型由两个训练完成的Faster‑RCNN模型同时连接模  全部
背景技术：
为了研究诸如癌症等复杂疾病的分子机制，显微图像可以提供有价值的信息，但 是通常有必要在几种条件下进行一系列分子生物学实验。传统方法是，来自实验的图像是 手动评估的。因此，这很耗时，并且需要大量的人力和专业知识。 因此，随着高容量，高通量数字成像系统的新兴发展，有必要设计用于当前显微图 像的新型自动化分析工具。在使用显微图像完成的各种任务中，细胞计数是至关重要的任 务之一。 显微图像中的细胞数量可以用作要比较不同的组的度量。例如，我们可以评估不 同剂量的抗癌药的治疗效果，通过比较指定条件下基于显微镜的癌细胞计数。因此，在显微 镜图像中具有最小细胞计数的实验组可被视为该特定癌症所用药物的最佳剂量。相同的原 理可以应用于确定最有效的药物。因此，重要的是生物学家自动收集不同实验条件下每个 实验组的准确细胞计数，这样就可以对进一步的统计意义进行建模和评估。 在计算机视觉领域，静态图像中的自动计数对象已得到广泛研究和实践，以减少 行人交通中的交通事故死亡人数。根据Loy等人的评论，静态图像中的自动对象计数有两种 主要策略具体如下： 1)检测计数法；通过检测计数是最早的方法用于对象计数，它涉及到首先训练一 个物体探测器，然后将探测器应用于使用滑动窗口或其他分割技术识别整个对象并进行估 计对象的数量，已经提出了许多检测器，并在不同的研究中对其进行了评估，但是这些检测 器的性能仍有改进的空间，尤其是当图像分辨率很低，并且图像中的某些对象重叠。 2)回归计数法；通过回归计数是通过回归研究进行的计数，首先采用预处理步骤 来提取低级特征，例如大小，面积，直方图和纹理，和高级功能，例如对象前景分割图，点密 度代表图等，以及然后将这些特征回归到对象计数。可以手动或自动执行预处理步骤。为了 自动提取强大的功能，已经做了很多努力。例如，卷积神经网络(CNN)。但通过回归计数存在 模型训练困难，不易收敛的问题，而且大多使用合成的细胞数据，不够贴合实际。 有鉴于此，亟需提供一种能够实现快速、高效实现病理细胞计数且准确性更高的 基于目标检测的病理图像细胞计数方法。
技术实现要素：
为了解决上述技术问题，本发明所采用的技术方案是提供了一种基于目标检测的 病理图像细胞计数方法，包括以下步骤： 获取待识别的病理图像样本； 将病理图像输入预先训练完成的病理图像细胞计数模型，从而获得病理细胞的个 4 CN 111598849 A 说　明　书 2/6 页 数； 其中，病理图像细胞计数模型由两个训练完成的Faster-RCNN模型同时连接模型 融合模块构成；其中两个Faster-RCNN模型分别是backbone为vgg16和backbone为 ResNet101的模型； 模型融合模块对所述两个Faster-RCNN模型输出的病理细胞的计数结果进行求平 均得到最终的病理细胞的个数。 在上述方法中，所述病理图像细胞计数模型包括 第一输入模块与第二输入模块；分别用于输入待识别的病理图像样本； 所述第一输入模块连接backbone为vgg16的第一Faster-RCNN模型；所述第二输入 模块backbone为ResNet101的第二Faster-RCNN模型，所述第一Faster-RCNN模型与第二 Faster-RCNN模型输出连接模型融合模块； 所述第一Faster-RCNN模型与第二Faster-RCNN模型分别对输入的图像进行识别 并将病理细胞的计数结果发送至模型融合模块，模型融合模块通过平均法计算求得并输出 病理细胞的个数。 在上述方法中，所述病理图像细胞计数模型中对所述第一Faster-RCNN模型与第 二Faster-RCNN模型通过以下方式进行训练： 分别获取由专家标注检测结果与原始的病理图像样本形成的训练集； 将训练集图像样本输入至初始第一Faster-RCNN模型对模型进行训练，直至损失 函数收敛，则初始第一Faster-RCNN模型训练完成，得到训练好的第一Faster-RCNN模型； 将训练集图像样本输入至初始第二Faster-RCNN模型对模型进行训练，直至损失 函数收敛，则初始第二Faster-RCNN模型训练完成，得到训练好的第二Faster-RCNN模型； 获得训练好的病理图像细胞计数模型。 在上述方法中，还包括步骤： 获取至少一张病理图像作为预测样本； 将任意一个预测样本根据预设的第一像素值对预测样本进行切分，形成多个第一 小图像，再将同一个预测样本根据预设的第二像素值对预测样本进行切分，形成多个第二 小图像，其中，第一像素值≠第二像素值； 将切分获得的多个第一小图像与多个第二小图像分别输入至训练好的病理图像 细胞计数模型中的两个Faster-RCNN模型且分别获得病理细胞计数结果； 将两个病理细胞计数结果进行求平均得到最终的预测结果。 在上述方法中，通过FocalLoss损失函数和计数损失函数同时达到收敛作为条件 作为收敛条件训练所述第一Faster-RCNN模型和第二Faster-RCNN模型。 在上述方法中，包括对待识别的病理图像样本、第一训练集和第二训练集中的各 图像样本使用SPCN增强方法进行图像增强处理。 本发明还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中 并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所 述基于目标检测的病理图像细胞计数方法。 本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算 机程序，所述计算机程序被处理器执行时实现如上述所述基于目标检测的病理图像细胞计 5 CN 111598849 A 说　明　书 3/6 页 数方法。 本发明通过引用两个不同的bockbone训练的Faster-RCNN模型对病理图像进行病 理细胞的个数检测，并将检测结果进行融合，准确、快速、高效实现病理细胞计数。 附图说明 为了更清楚地说明本发明