一种基于Faster RCNN目标检测算法的恶性疟原虫环状体检测方法

技术领域

本发明属于深度学习计算机视觉医学影像目标检测技术领域，具体涉及一种基于Faster RCNN目标检测算法的恶性疟原虫环状体检测方法。

背景技术

疟疾是困扰全世界人民的一种血液传染病，每年受到疟疾影响的人数超过2亿，因感染疟疾死亡的人数数以十万计，其中恶性疟原虫对人体的危害最大。传统的临床医学诊断方法是使用镜检、PCR和RDT等方法，这些方法要求有特定的检验设备或者医生丰富的专业经验。传统检测方法已经不满足于当前疟疾诊断的需求。

随着深度学习中计算机视觉领域的发展，运用深度学习算法在医学影像中对病灶进行定位和分类成为了半自动化或自动化检测的发展方向。疟疾的智能化检测能够减低疟疾诊断的经济成本和人工成本，帮助医生快速定位受感染的细胞和识别疟原虫的类别，对于疟疾的诊断有较大的实际意义。

为满足疟原虫的自动化诊断，需要对薄或厚血涂片的图像中疟原虫的类别和位置进行精确的描述。基于先进目标检测算法对血涂片图像中疟原虫的定位与分类是研究的热点。应用深度学习模型对疟原虫进行自动化检测的方法有很多，有基于红细胞的颜色和纹理特征的阈值和分水岭技术，有基于RGB颜色通道中G通道处理的自动化检测，有基于形态学的方法对红细胞处理的方法，有基于对抗生成网络(GAN)的跨域迁移学习方法。这些方法通过对红细胞的定位分割，检测出含有疟原虫的细胞，虽然在检测精度达到很好的效果，但是实际临床中血涂片参差不齐，血涂片的质量往往没有他们方法中所使用的数据典型，不足以满足实际临床的各种情况。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于Faster RCNN目标检测算法的恶性疟原虫环状体检测方法，以提高在接近临床实际的疟原虫血涂片中检测恶性疟原虫的精度，针对疟原虫因目标小而难检测的问题进行改进。本发明能够在接近临床实际意义的疟原虫图像上达到较好的检测精度，能够在血涂片图像中其他因素干扰的情况下，精确地对小目标获取位置和类别信息。

为实现上述目的，本发明提供如下技术方案：一种基于Faster RCNN目标检测算法的恶性疟原虫环状体检测方法，包括以下步骤：

步骤S1，获取恶性疟原虫切片数据，利用电子显微镜拍摄薄外周血涂片，获得恶性疟原虫图像原始数据集；

步骤S2，数据标注，对图像中环状体时期的恶性疟原虫进行标注，获得恶性疟原虫环状体切片数据集，将数据集分为训练集和验证集；

步骤S3，导入残差网络预训练权重，训练RPN网络和Fast RCNN网络，利用训练集进行特征学习，验证集验证模型的精度，获得训练好的检测模型；

步骤S4，利用训练好的检测模型进行恶性疟原虫环状体检测。

进一步的，所述步骤S1中，使用OLYMPUS VS-ASW版本电子显微镜以油镜方式在1000x放大倍数下拍摄薄外周血涂片。

进一步的，所述步骤S2具体包括：

步骤S2-1，将获得的原始TIF格式图像使用Labelme标注疟原虫的位置、尺寸和所处的生命周期；

步骤S2-2，将所有的原始数据集转换为JPG格式，并将标注信息转换为COCO数据集格式，COCO格式信息包括图像的长和宽、疟原虫的分类、疟原虫所处的位置。

进一步的，所述步骤S3中，训练优化器使用随机梯度下降+动量算法。

进一步的，所述步骤S3中，检测模型采用Faster RCNN+FPN网络结构，第一层为残差网络、第二层为特征金字塔网络、第三层为区域建议网络(RPN)、第四层为Fast RCNN网络。疟原虫检测中要求目标的准确定位和分类，本发明将残差网络获得的特征图送入特征金字塔网络，使得低层特征获得更多语义信息，高层特征获得更多具体位置信息。

进一步的，所述步骤S3中，Faster RCNN的算法流程为：

步骤S3-1，将图像输入主干网络ResNet得到不同尺寸的特征图Ci(i＝2，3，4，5)；

步骤S3-2，将Ci输入FPN网络得到Pi(i＝2，3，4，5，6)；

步骤S3-3，RPN使用Pi作为输入生成候选区域，然后将候选框(proposal box)投影到相应特征矩阵；

步骤S3-4，最后使用RoI Align层将特征矩阵缩放为7×7的特征图，经过展平与多个全连接层(FC)输出预测结果。

进一步的，所述步骤S3中，为了训练RPN网络，分类分支采用二元交叉损失函数，计算方式如式一；

其中t表示样本真实标签，p表示预测概率；

回归分支采用Smooth L1损失，计算方式如式二；

其中x表示预测值和真实值之间的误差。

进一步的，所述步骤S3中，为了训练Fast RCNN网络，分类分支采用交叉熵损失，计算方式如式三；

其中t

回归分支的损失函数与RPN网络相同，都为Smooth L1 Loss。

进一步的，所述步骤S3中，RPN网络的总损失函数计算公式如式四；

其中p

进一步的，所述步骤S3中，Fast RCNN网络的总损失函数计算公式如式五；

L(p,u,t

其中L

本方法具有的优点：

1)在接近临床实际的疟原虫图像上，有效地避免了噪点的干扰，准确定位和分类恶性疟原虫的位置和所处生命周期，既能够精准检测疟原虫，在不同数据集也具有一定的泛化能力。

2)网络结构为端对端，无需单独训练不同的分类器，无需对数据集进行预处理或者后处理。

3)通过特征金字塔网络(FPN)融合低层特征和高层特征，弥补低层特征语义信息不足的缺点和高层特征由于低分辨率更难定位的缺点，提高了对不同尺寸疟原虫的检测能力。

与现有技术相比，本发明的有益效果是：

1)在接近临床实际的数据集上训练，由于有更多干扰因素，相比较与其他方法，本方法在保持高检测精度的同时具有更高的鲁棒性；

2)对疟原虫的个体进行特征学习而不是对受感染的红细胞，使用FPN融合特征信息，对疟原虫的定位和分类更加准确，无需对图像预处理或者后处理。

附图说明

图1为Faster RCNN+FPN网络结构示意图；

图2为RPN网络结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明技术方案，并不限于本发明。

实施例公开了一种基于Faster RCNN目标检测算法的恶性疟原虫环状体检测方法，具体包括以下步骤：

步骤S1，获取恶性疟原虫切片数据，使用OLYMPUS VS-ASW版本电子显微镜以油镜方式在1000x放大倍数下拍摄薄外周血涂片，获得恶性疟原虫图像原始数据集。

步骤S2，数据标注，对图像中环状体时期的恶性疟原虫进行标注，获得恶性疟原虫环状体切片数据集，将数据集分为训练集：验证集＝7:3。训练集为610张图像，验证集为262张图像。

步骤S2-1，将获得的原始TIF格式图像使用Labelme标注疟原虫的位置、尺寸和所处的生命周期；

步骤S2-2，将所有的原始数据集转换为JPG格式，并将标注信息转换为COCO数据集格式，COCO格式信息包括图像的长和宽、疟原虫的分类、疟原虫所处的位置。

步骤S3，导入残差网络预训练权重，训练RPN网络和Fast RCNN网络，利用训练集进行特征学习，验证集验证模型的精度，获得训练好的检测模型。

步骤S4：利用训练好的检测模型进行恶性疟原虫环状体检测，并利用评估指标评估模型的检测能力。

步骤S3中，使用50层深度的残差网络(ResNet-50)作为预训练权重，将输入图像原始尺寸1424×1424调整为800×500，图像数据增强采用随机翻转方式，翻转率为0.5，学习率为0.02，逐步每次降低0.05学习率，采用SGD+Momentum优化器，Momentum设置为0.9，权重衰减系数为0.0001，在前500次迭代中以学习率预热(warmup)线性方式稳定训练过程，总共训练20个学习期(epoch)，在第8个和第12个学习期将学习率除以10。逐步调整输入尺寸到800×800和1333×800。

步骤S3中，检测模型采用Faster RCNN+FPN网络结构，如图1所示。

Faster RCNN+FPN网络结构，第一层为残差网络、第二层为特征金字塔网络、第三层为区域建议网络(RPN)、第四层为Fast RCNN网络。疟原虫检测中要求目标的准确定位和分类，本发明将残差网络获得的特征图送入特征金字塔网络，使得低层特征获得更多语义信息，高层特征获得更多具体位置信息。

步骤S3中，Faster RCNN的算法流程为：

步骤S3-1，将图像输入主干网络ResNet得到不同尺寸的特征图Ci(i＝2，3，4，5)；

步骤S3-2，将Ci输入FPN网络得到Pi(i＝2，3，4，5，6)；

步骤S3-3，RPN使用Pi作为输入生成候选区域，然后将候选框(proposal box)投影到相应特征矩阵；

步骤S3-4，最后使用RoI Align层将特征矩阵缩放为7×7的特征图，经过展平与多个全连接层(FC)输出预测结果。

步骤S3中，RPN网络结构如图2所示，为了训练RPN网络，分类分支采用二元交叉损失函数，计算方式如式一；

其中t表示样本真实标签，p表示预测概率；

回归分支采用Smooth L1损失，计算方式如式二；

其中x表示预测值和真实值之间的误差。

步骤S3中，为了训练Fast RCNN网络，分类分支采用交叉熵损失，计算方式如式三；

其中t

回归分支的损失函数与RPN网络相同，都为Smooth L1 Loss。

步骤S3中，RPN网络的总损失函数计算公式如式四；

其中p

步骤S3中，Fast RCNN网络的总损失函数计算公式如式五；

L(p,u,t

其中L

步骤S4中，所使用的评价指标为COCO数据集中最主要的模型评价指标平均均值精度(mAP)。

以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。