本發(fā)明涉及人類(lèi)視覺(jué)模擬技術(shù)領(lǐng)域，具體地講是一種利用顯著性檢測(cè)技術(shù)自動(dòng)檢測(cè)/分割染色白細(xì)胞的方法。

背景技術(shù)：

白細(xì)胞圖像形態(tài)學(xué)分析是一種重要的診斷手段，通過(guò)識(shí)別和計(jì)數(shù)不同譜系和成熟度的白細(xì)胞，來(lái)診斷許多惡性疾病。利用計(jì)算機(jī)進(jìn)行白細(xì)胞自動(dòng)檢測(cè)與分析，不僅能節(jié)省人力和時(shí)間，而且能減少人為誤差。自動(dòng)圖像分析系統(tǒng)中，最關(guān)鍵的算法步驟是目標(biāo)檢測(cè)/分割。白細(xì)胞(wbcs)是無(wú)色的，通常血液和骨髓涂片用瑞氏染色法(wright-giemsastain)將白細(xì)胞染成便于識(shí)別的明顯顏色。然而，不同的染色準(zhǔn)備與成像條件，細(xì)胞的粘連與遮擋等，均會(huì)導(dǎo)致大的顏色偏差和變化。傳統(tǒng)算法中，正確地檢測(cè)/分割出顯微視野中的白細(xì)胞群體是個(gè)難題，因?yàn)榘准?xì)胞的顏色分布可能是不確定的。

變化的自然圖像是典型非結(jié)構(gòu)化數(shù)據(jù)。如何對(duì)這些數(shù)據(jù)進(jìn)行建模已經(jīng)成為近幾十年的研究熱點(diǎn)。近年來(lái)，由淺層和深層神經(jīng)網(wǎng)絡(luò)組成的兩類(lèi)學(xué)習(xí)算法，應(yīng)用自底向上和自頂向下兩種策略來(lái)解決上述問(wèn)題?；谧缘紫蛏峡蚣埽梢圆捎脭?shù)據(jù)驅(qū)動(dòng)的方法來(lái)分割白細(xì)胞圖像；然而這種算法需要一些先驗(yàn)的限制，而且由于學(xué)習(xí)樣本是數(shù)據(jù)驅(qū)動(dòng)、在線(xiàn)采集，不準(zhǔn)確的樣本會(huì)導(dǎo)致模型不夠精確。在自頂向下的框架中，深度學(xué)習(xí)的方法已成功地用于圖像分割。到目前為止，深度學(xué)習(xí)為基礎(chǔ)的算法在許多應(yīng)用程序上使用都反映了最好的性能。但其缺陷也很明顯：首先它需要大量標(biāo)記的樣本數(shù)據(jù)，其次深層網(wǎng)絡(luò)往往需要手工設(shè)計(jì)，相比于淺層神經(jīng)網(wǎng)絡(luò)，其訓(xùn)練需要更高的硬件資源和速度。顯然，如果沒(méi)有先驗(yàn)知識(shí)和很多有效樣本，針對(duì)變化的白細(xì)胞圖像，當(dāng)前方法仍存在很多局限。此外，我們注意到，傳統(tǒng)算法中，信息流往往是單向的、缺乏反饋過(guò)程。這與人類(lèi)視覺(jué)系統(tǒng)有很大差距，可能是當(dāng)前機(jī)器視覺(jué)與人類(lèi)視覺(jué)相去甚遠(yuǎn)的原因之一。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明要解決的技術(shù)問(wèn)題是：從模擬人類(lèi)視覺(jué)機(jī)制的角度，利用染色白細(xì)胞像素具有突出顯著性的現(xiàn)象，通過(guò)視覺(jué)顯著性自動(dòng)檢測(cè)手段，實(shí)現(xiàn)染色白細(xì)胞檢測(cè)/分割任務(wù)。本發(fā)明的技術(shù)解決方案是，提供以下步驟的顯著性檢測(cè)和目標(biāo)分割方法，包括：

1)輸入細(xì)胞圖像：將圖像邊框區(qū)域一定寬度范圍作為非注視區(qū)(負(fù)樣本候選區(qū))，而余下的矩形區(qū)域?yàn)樽⒁晠^(qū)(正樣本候選區(qū))。

2)通過(guò)集成的pelm(調(diào)和極限學(xué)習(xí)機(jī))學(xué)習(xí)得到粗顯著度圖。

①對(duì)正樣本候選區(qū)域內(nèi)的高梯度值像素(大于該區(qū)域平均梯度的像素)隨機(jī)采樣n個(gè)像素；對(duì)負(fù)樣本區(qū)域內(nèi)所有像素，進(jìn)行等量的隨機(jī)采樣(如n＝500)。采樣過(guò)程可重復(fù)3-5次，模擬人眼微跳視對(duì)注視區(qū)的重復(fù)掃描。

②利用樣本像素和其8鄰域像素的rgb特征，構(gòu)成正負(fù)樣本集。重復(fù)采樣可形成多個(gè)樣本集。分別利用這些樣本集，進(jìn)行多個(gè)pelm(調(diào)和極限學(xué)習(xí)機(jī))學(xué)習(xí)建模。

③用pelm模型對(duì)所有像素進(jìn)行二值分類(lèi)。每個(gè)pelm二值分類(lèi)結(jié)果可被視為一種視覺(jué)刺激，將多個(gè)二值刺激圖進(jìn)行疊加可以形成粗顯著圖。

3)利用rbd(魯棒的背景檢測(cè))算法先檢測(cè)背景像素，然后抑制背景像素來(lái)優(yōu)化粗顯著圖，以降低噪聲樣本影響。

4)通過(guò)正反饋迭代循環(huán)來(lái)強(qiáng)化目標(biāo)區(qū)域；

①閾值化優(yōu)化后的粗顯著性圖，得到新的二值化注視區(qū)域(bw_i)；

②如果前一個(gè)注視區(qū)域bw_i-1已存在，則判斷bw_i-1是否足夠接近bw_i。若為真，則表明視覺(jué)感知連續(xù)相同(達(dá)到感知飽和)，迭代中斷；否則，bw_i-1＝bw_i，繼續(xù)下一步；

③通過(guò)集成pelm神經(jīng)網(wǎng)絡(luò)對(duì)注視區(qū)和非注視區(qū)“采樣-學(xué)習(xí)”，進(jìn)行顯著性檢測(cè)(與步驟2類(lèi)同)。pelm的每個(gè)二值分類(lèi)結(jié)果進(jìn)行疊加形成新的顯著性圖；

④返回步驟①，構(gòu)成正反饋循環(huán)。

5)迭代結(jié)束。得到疊加后的新顯著圖和二值分割結(jié)果bw_i即白細(xì)胞檢測(cè)結(jié)果。

本發(fā)明是一種利用顯著性檢測(cè)技術(shù)自動(dòng)檢測(cè)染色白細(xì)胞的方法，具有以下特點(diǎn)：通過(guò)人工神經(jīng)網(wǎng)絡(luò)模擬人腦神經(jīng)系統(tǒng)；借助在線(xiàn)學(xué)習(xí)應(yīng)對(duì)實(shí)際場(chǎng)景變化、實(shí)現(xiàn)粗顯著性檢測(cè)；借助背景抑制技術(shù)減少噪聲樣本；利用感知正反饋過(guò)程強(qiáng)化目標(biāo)、促使目標(biāo)區(qū)域飽和，從而實(shí)現(xiàn)染色白細(xì)胞檢測(cè)/分割任務(wù)。算法對(duì)顯著目標(biāo)的檢測(cè)是由粗到細(xì)、逐步求精的過(guò)程。與現(xiàn)有的算法相比，該算法完全是數(shù)據(jù)驅(qū)動(dòng)的，不需要任何先驗(yàn)知識(shí)和事先標(biāo)記的樣本。

附圖說(shuō)明

圖1為本發(fā)明的一種背景抑制與視覺(jué)感知正反饋的白細(xì)胞檢測(cè)方法的流程圖。

具體實(shí)施方式

下面就具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明，但本發(fā)明并不僅僅限于這些實(shí)施例。

本發(fā)明涵蓋任何在本發(fā)明的精髓和范圍上做的替代、修改、等效方法以及方案。為了使公眾對(duì)本發(fā)明有徹底的了解，在以下本發(fā)明優(yōu)選實(shí)施例中詳細(xì)說(shuō)明了具體的細(xì)節(jié)，而對(duì)本領(lǐng)域技術(shù)人員來(lái)說(shuō)沒(méi)有這些細(xì)節(jié)的描述也可以完全理解本發(fā)明。此外，本發(fā)明之附圖中為了示意的需要，并沒(méi)有完全精確地按照實(shí)際比例繪制，在此予以說(shuō)明。

如圖1所示，本發(fā)明的基于視覺(jué)感知正反饋的新型顯著性檢測(cè)白細(xì)胞圖像分割方法，包括以下各步驟：

1)輸入細(xì)胞圖像：將圖像邊框區(qū)域一定寬度范圍作為非注視區(qū)(負(fù)樣本候選區(qū))，而余下的矩形區(qū)域?yàn)樽⒁晠^(qū)(正樣本候選區(qū))。

2)通過(guò)集成的pelm(調(diào)和極限學(xué)習(xí)機(jī))學(xué)習(xí)得到粗顯著度圖。

①對(duì)正樣本候選區(qū)域內(nèi)的高梯度值像素(大于該區(qū)域平均梯度的像素)隨機(jī)采樣n個(gè)像素；對(duì)負(fù)樣本區(qū)域內(nèi)所有像素，進(jìn)行等量的隨機(jī)采樣(如n＝500)。采樣過(guò)程可重復(fù)3-5次，模擬人眼微跳視對(duì)注視區(qū)的重復(fù)掃描。

②利用樣本像素和其8鄰域像素的rgb特征，構(gòu)成正負(fù)樣本集。重復(fù)采樣可形成多個(gè)樣本集。分別利用這些樣本集，進(jìn)行多個(gè)pelm(調(diào)和極限學(xué)習(xí)機(jī))學(xué)習(xí)建模。

③用pelm模型對(duì)所有像素進(jìn)行二值分類(lèi)。每個(gè)pelm二值分類(lèi)結(jié)果可被視為一種視覺(jué)刺激，將多個(gè)二值刺激圖進(jìn)行疊加可以形成粗顯著圖。

3)利用rbd(魯棒的背景檢測(cè))算法先檢測(cè)背景像素，然后抑制背景像素來(lái)優(yōu)化粗顯著圖，以降低噪聲樣本影響。

4)通過(guò)正反饋迭代循環(huán)來(lái)強(qiáng)化目標(biāo)區(qū)域；

①閾值化優(yōu)化后的粗顯著性圖，得到新的二值化注視區(qū)域(bw_i)；

②如果前一個(gè)注視區(qū)域bw_i-1已存在，則判斷bw_i-1是否足夠接近bw_i。若為真，則表明視覺(jué)感知連續(xù)相同(達(dá)到感知飽和)，迭代中斷；否則，bw_i-1＝bw_i，繼續(xù)下一步；

③通過(guò)集成pelm神經(jīng)網(wǎng)絡(luò)對(duì)注視區(qū)和非注視區(qū)“采樣-學(xué)習(xí)”，進(jìn)行顯著性檢測(cè)(與步驟2類(lèi)同)。pelm的每個(gè)二值分類(lèi)結(jié)果進(jìn)行疊加形成新的顯著性圖；

④返回步驟①，構(gòu)成正反饋循環(huán)。

5)迭代結(jié)束。得到疊加后的新顯著圖和二值分割結(jié)果bw_i即白細(xì)胞檢測(cè)結(jié)果。

rbd(出現(xiàn)于cvpr’2014)是一種顯著目標(biāo)檢測(cè)算法。其通過(guò)對(duì)圖像背景的檢測(cè)和抑制，來(lái)突出圖像中的顯著目標(biāo)。本發(fā)明先將圖像中心區(qū)域作為初始正樣本候選區(qū)，而將圖像邊框區(qū)域作為負(fù)樣本候選區(qū)，與人類(lèi)觀(guān)察一幅圖像的習(xí)慣類(lèi)似。然而，由于初始注視區(qū)域定位過(guò)于粗糙，像素抽樣后，不可避免地在正負(fù)樣本中存在很多噪聲樣本，因此學(xué)習(xí)得到的pelm模型也不精確。雖然采用集成策略，綜合多個(gè)pelm模型能夠減少分類(lèi)誤差，但為了進(jìn)一步降低噪聲樣本影響，學(xué)習(xí)得到的粗顯著圖仍有必要通過(guò)抑制背景像素，來(lái)得到進(jìn)一步優(yōu)化。因此，本發(fā)明借助rbd算法來(lái)降低背景噪聲對(duì)學(xué)習(xí)算法的影響。具體做法是：

1)將原圖像超像素化；

2)利用rbd算法檢測(cè)原圖像的超像素背景區(qū)域；

3)將粗顯著圖中對(duì)應(yīng)于超像素背景區(qū)域的所有像素位置，賦予很小的權(quán)值，實(shí)現(xiàn)粗顯著圖中背景像素的抑制處理。

這樣做的目的，是使步驟3后的注視區(qū)域更精確，通過(guò)隨后的正反饋循環(huán)迭代過(guò)程，能獲得更精確的檢測(cè)結(jié)果。

圖1中采用調(diào)和極限學(xué)習(xí)機(jī)(polyharmonicextremelearningmachine，pelm)實(shí)施“學(xué)習(xí)-建?！薄elm是一種單隱層前饋網(wǎng)絡(luò)，在人臉識(shí)別等領(lǐng)域應(yīng)用中效果良好。其調(diào)和機(jī)制是一種有效的方式，適合用來(lái)擬合快速變化和緩慢變化兩類(lèi)數(shù)據(jù)。不同于傳統(tǒng)基于梯度下降法的學(xué)習(xí)算法，pelm的內(nèi)權(quán)隨機(jī)賦值，無(wú)需迭代訓(xùn)練，小樣本集時(shí)可實(shí)時(shí)在線(xiàn)訓(xùn)練，幾乎不需要調(diào)整參數(shù)。

對(duì)于一個(gè)給定的訓(xùn)練樣本集一個(gè)pelm隱藏節(jié)點(diǎn)的輸出可以寫(xiě)成

其中ai和bi是輸入節(jié)點(diǎn)對(duì)隱藏節(jié)點(diǎn)的權(quán)值，βi是隱節(jié)點(diǎn)輸出節(jié)點(diǎn)的權(quán)值。在這個(gè)模型中的內(nèi)部權(quán)值隨機(jī)分配。g(ai，bi，x)是i的隱層節(jié)點(diǎn)輸出。p(x)是一個(gè)低階多項(xiàng)式，稱(chēng)為調(diào)和項(xiàng)，用于應(yīng)對(duì)具有緩慢變化的數(shù)據(jù)類(lèi)型。輸出權(quán)值β可以通過(guò)以下公式計(jì)算：

其中h⁺是隱層輸出矩陣的moorepenrose偽逆。t＝[t1，t2，...tn]^t。

為了克服pelm的隨機(jī)性，可用集成方式提高其性能，見(jiàn)公式(3)，稱(chēng)為epelm(ensembleofpolyharmonicextremelearningmachine，epelm)。參數(shù)p表示其中pelm個(gè)數(shù)。(圖1中p＝3)

本發(fā)明中所述的視覺(jué)感知正反饋迭代過(guò)程，是通過(guò)重復(fù)的機(jī)器學(xué)習(xí)，構(gòu)建針對(duì)注視區(qū)域的重復(fù)迭代檢測(cè)，來(lái)加速注視目標(biāo)區(qū)域的感知飽和。具體做法是：先借助粗顯著圖，大致劃分注視區(qū)域；再針對(duì)注視區(qū)域做重復(fù)迭代的分類(lèi)器建模，將每個(gè)分類(lèi)器的二值輸出結(jié)果作為一種感知刺激(模擬腦神經(jīng)發(fā)放)，則連續(xù)刺激可疊加生成新顯著圖，對(duì)其閾值化可重新劃分注視區(qū)域。迭代中隨著刺激疊加，圖像中顯著目標(biāo)區(qū)域的顯著度能夠迅速提升；當(dāng)?shù)凶⒁晠^(qū)域趨同時(shí)，感知飽和，循環(huán)結(jié)束。最后注視區(qū)域即為染色白細(xì)胞區(qū)域。

以上僅就本發(fā)明較佳的實(shí)施例作了說(shuō)明，但不能理解為是對(duì)權(quán)利要求的限制。本發(fā)明不僅局限于以上實(shí)施例，其具體結(jié)構(gòu)允許有變化?？傊?，凡在本發(fā)明獨(dú)立權(quán)利要求的保護(hù)范圍內(nèi)所作的各種變化均在本發(fā)明的保護(hù)范圍內(nèi)。