(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211148637.6 (22)申请日 2022.09.21 (71)申请人 华南师范大学 地址 510631 广东省广州市天河区中山大 道西55号华南师范大学 (72)发明人 陈同生　贺思琪　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 李君 (51)Int.Cl. G06V 20/69(2022.01) G06V 10/30(2022.01) G06V 10/34(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的衰老细胞显微图像识 别方法 (57)摘要 本发明公开了一种基于深度学习的衰老细 胞显微图像识别方法， 所述方法包括： 将待识别 多细胞图像分割成待识别单细胞图像， 其中， 所 述待识别多细胞图像为明场图像类型和核通道 图像类型其中之一； 将待识别单细胞图像输入衰 老细胞识别网络模型， 得到衰老识别结果， 其中， 所述衰老细胞识别网络模型通过多种并联的分 类网络模型提取特征。 本发明采用端到端的方 式， 并通过深度学习方式构建基于显微图像的衰 老细胞识别网络模型， 实现了输入明场图像或核 通道图像， 输出对应图像的衰老细胞概率图以及 衰老细胞占比。 权利要求书2页 说明书10页 附图8页 CN 115457549 A 2022.12.09 CN 115457549 A 1.一种基于深度学习的衰老细胞显微图像识别方法， 其特 征在于， 所述方法包括： 将待识别多细胞图像分割成待识别单细胞图像， 其中， 所述待识别多细胞图像为明场 图像类型和核通道图像 类型其中之一； 将待识别单细胞图像输入衰老细胞识别网络模型， 得到衰老识别结果， 其中， 所述衰老 细胞识别网络模型通过并联的多种分类网络模型提取 特征。 2.根据权利要求1所述的衰老细胞显微图像识别方法， 其特征在于， 所述分类网络模型 为三种， 分别为第一分类网络模型、 第二分类网络模型和第三分类网络模型； 所述第一分类网络模型基于Resnet34进行构建； 所述第二分类网络模型基于Resnext5 0进行构建； 所述第三分类网络模型基于Sw in Transformer进行构建。 3.根据权利要求2所述的衰老细胞显微图像识别方法， 其特征在于， 所述第 一分类网络 模型包括依次连接的第一卷积层、 第一 最大池化层、 残差结构、 第二 最大池化层、 全连接层； 所述第一卷积层的卷积核大小为7 ×7， 步长为2； 所述第一最大池化层、 第 二最大池化层的卷积核大小为3 ×3； 所述第一最大池化层、 第 二最大池化层， 用于进行 下采样； 所述残差结构由多个第一残差块组成。 4.根据权利要求2所述的衰老细胞显微图像识别方法， 其特征在于， 所述第 二分类网络 模型包括第二残差块； 所述第二残差块中， 采用组卷积进行优化； 所述组卷积为至少三十二组， 每组所述组卷积包括第二卷积层， 所述第二卷积层的通 道数为4， 所述第二卷积层的卷积核大小为3 ×3。 5.根据权利要求2所述的衰老细胞显微图像识别方法， 其特征在于， 所述第 三分类网络 模型包括依次连接的Sw in‑T编码结构、 L inear Embedding层、 模块组、 softmax层； 所述模块组包括依次连接的至少四个Sw in Transformer  Block模块。 6.根据权利要求1所述的衰老细胞显微图像识别方法， 其特征在于， 所述将待识别多细 胞图像分割成待识别单细胞图像， 具体包括： 获取待识别二 值化模板图像； 根据待识别二 值化模板图像， 对待识别多细胞图像进行分割， 得到待识别单细胞图像； 其中， 所述待识别二 值化模板图像的获取 过程， 具体包括： 对待识别多细胞核通道图像进行背景 校正和二 值化处理， 得到二 值化后的图像； 运用开操作的方式对二 值化后的图像进行消除噪点； 在消除噪点后的图像中， 设定约束条件， 剔除不属于单个细胞的连通域， 得到待识别二 值化模板图像。 7.根据权利要求1所述的衰老细胞显微图像识别方法， 其特征在于， 所述衰老细胞识别 网络模型的获取 过程， 具体包括： 利用数据集对多种分类网络模型进行多次训练， 所述数据集包括多 张单细胞明场图像 或多张单细胞核通道图像； 采用voting算法对训练后的多种分类网络模型进行融合， 进而得到多个融合网络模 型；权　利　要　求　书 1/2 页 2 CN 115457549 A 2若数据集由多张单细胞明场图像构 成， 则采用平均融合方式计算融合网络模型的识别 准确率； 若数据集由多张单细胞核通道图像构 成， 则采用加权 融合方式计算融合网络模型的识 别准确率； 将表现最优的融合网络模型作为衰老细胞识别网络模型。 8.一种基于深度学习的衰老细胞显微图像识别系统， 其特 征在于， 所述系统包括： 分割单元， 用于将待识别多细胞图像分割成待识别单细胞图像， 其中， 所述待识别多细 胞图像为明场图像 类型和核通道图像 类型其中之一； 识别单元， 用于将待识别单细胞图像输入衰老细胞识别网络模型， 得到衰老识别结果， 其中， 所述衰老细胞识别网络模型通过并联的多种分类网络模型提取 特征。 9.一种计算机设备， 包括处理器以及用于存储处理器可执行程序的存储器， 其特征在 于， 所述处理器执行存储器存储的程序时， 实现权利要求 1‑7任一项所述的衰 老细胞显微图 像识别方法。 10.一种存储介质， 存储有程序， 其特征在于， 所述程序被处理器执行时， 实现权利要求 1‑7任一项所述的衰老细胞显微图像识别方法。权　利　要　求　书 2/2 页 3 CN 115457549 A 3