(19)中华 人民共和国 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 202111637998.2 (22)申请日 2021.12.3 0 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 黄立勤　黄丽华　潘林　杨明静　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 代理人 丘鸿超　蔡学俊 (51)Int.Cl. G06T 7/11(2017.01) G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于注意力机制分割并回归的细胞计数方 法 (57)摘要 本发明提出一种基于注意力机制分割并回 归的细胞计数方法， 将细胞分割和回归结合起 来， 以起到减小细胞计数的误差的效果。 此外， 基 还于U‑Net++的原始模型结构进行改进， 引入卷 积注意力机制模块， 以增强分割的效果。 考虑到 目前大部分基于卷积回归网络的细胞计数方法 都是经过全 卷积网络训练后进行回归计数， 从而 导致细胞的计数结果会有较大的误差， 因此本发 明设计的基于注意力机制分割并回归的细胞计 数方法， 在进行全卷积训练中增加分割模块， 以 增加细胞计数的准确性， 采用先分割后回归， 达 到精确计数的目的。 权利要求书1页 说明书4页 附图3页 CN 114332122 A 2022.04.12 CN 114332122 A 1.一种基于注意力机制分割并回归的细胞计数 方法， 其特 征在于， 包括以下步骤： 步骤S1： 从数据集中输入细胞图像； 步骤S2： 对输入的图像提取 特征点； 步骤S3： 在Encoder阶段将提取的特 征点送入回归 模块， 以方便局部计数； 步骤S4： 在Decoder阶段加入注意力模块， 以提高分割的性能； 步骤S5： 采用归一 化器对局部计数进行归一 化以生成最终输出。 2.根据权利要求1所述的基于注意力 机制分割并回归的细胞计数方法， 其特征在于： 步 骤S1中的图像数据集 为每张图片的标签都带有细胞 数目的数据集。 3.根据权利要求2所述的基于注意力 机制分割并回归的细胞计数方法， 其特征在于： 在 步骤S2中， 采用U ‑net++网络对输入的图像提取 特征点。 4.根据权利要求3所述的基于注意力 机制分割并回归的细胞计数方法， 其特征在于： 在 步骤S3中， 在Encoder阶段每一层通过bn， relu和co nv提取特征， 通过maxpo ol进行降维。 5.根据权利要求4所述的基于注意力 机制分割并回归的细胞计数方法， 其特征在于： 在 步骤S4中， 以U ‑net++为基础网络架构进行集成， 在Decoder部分使用A ttention Gates。 6.根据权利要求5所述的基于注意力 机制分割并回归的细胞计数方法， 其特征在于： 所 述注意力模块执 行以下步骤： 步骤S41： 下采样层同层的特 征图gi进行1*1*1卷积运 算得到Wg； 步骤S42： 上采样层上一层的特 征图xi进行1*1*1卷积运 算得到Wx； 步骤S43： 将Wx和Wg进行相加运 算后送入Relu操作； 步骤S44： Relu操作后再进行1*1*1卷积运 算得到qat t； 步骤S45： 对qat t进行sigmo id激活函数生成一个权 重图， 得到最终的注意力权 重系数。 7.根据权利要求5所述的基于注意力 机制分割并回归的细胞计数方法， 其特征在于： 在 步骤S5中， 采用局部回归计数， 具体为： 以一个输入图像的patch为中心， 在此基础上截 取大 patch， 对于该patch用权值函数w做一个加权的线性回归， 记(x,  y)为该回归线的中心值， 其中y为拟合后曲线对应值； 对于所有的n个数据点则可以做出n条加权回归线， 每条回归线 的中心值的连线则为 这段数据的局部加权回归曲线。权　利　要　求　书 1/1 页 2 CN 114332122 A 2基于注意力机制分割并回归的细胞计数方 法 技术领域 [0001]本发明属于计算机视觉、 数字图像处理技术领域， 尤其涉及一种基于注意力机制 分割并回归的细胞计数 方法。 背景技术 [0002]细胞分割和计数一直是计算机视觉领域的研究热门。 众所周知， 对细胞进行分割 并提取是一项重要技术,也是医学图像处理的难题。 现有的技术方法主要是基于传统计算 机视觉的细胞分割算法和基于深度学习的细胞分割算法。 [0003]基于传统计算机视觉的细胞分割算法主要有二值化法和 分水岭算法以及最小化 模型。 基于传统计算机视觉的细胞分割在处理前景、 背 景有较大差异， 目标之间间距较大的 细胞时， 能够高效的处理， 而面对前景、 背景相似， 且细胞连成一片的情况， 则效果较差。 如 果需要提高精度， 需要采用曲率， 局部特征约束的方法。 而基于深度学习的细胞分割算法近 年来则比较流行， 典型代 表有两大类， 分别是 FCN全卷积网络的细胞分割和U ‑Net细胞分割。 [0004]同细胞分割一样， 细胞计数也有传统方法和深度学习方法， 深度学习方法包括有 基于全卷积回归网络的细胞计数 方法等。 [0005]如上所述， 细胞计数的两种方法是传统方法不利于对数量多的细胞进行计数， 而 基于全卷积回归网络的细胞计数 方法又很大程度上比较难做出精准的预测。 发明内容 [0006]为了弥补现有技术的空白和不足， 本发明提出一种基于注意力机制分割并回归的 细胞计数方法， 将细胞分割和回归结合起来， 以起到减小细胞计数 的误差的效果。 此外， 基 还于U‑Net++的原始模型结构进行改进， 引入卷积注意力机制模块， 以增强分割的效果。 [0007]考虑到目前大部分基于卷积回归网络的细胞计数方法都是经过全卷积网络训练 后进行回归计数， 从而导致细胞 的计数结果会有较大 的误差， 因此本发明设计的基于注意 力机制分割并回归的细胞计数方法， 在进行全卷积训练中增加分割模块， 以增加细胞计数 的准确性， 采用先分割后回归， 达 到精确计数的目的。 [0008]本发明具体采用以下技 术方案： 一种基于注意力机制分割并回归的细胞计数 方法， 其特 征在于， 包括以下步骤： 步骤S1： 从数据集中输入细胞图像； 步骤S2： 对输入的图像提取 特征点； 步骤S3： 在Encoder阶段将提取的特 征点送入回归 模块， 以方便局部计数； 步骤S4： 在Decoder阶段加入注意力模块， 以提高分割的性能； 步骤S5： 采用归一 化器对局部计数进行归一 化以生成最终输出。 [0009]进一步地， 步骤S1中的图像数据集 为每张图片的标签都带有细胞 数目的数据集。 [0010]进一步地， 在步骤S2中， 采用U ‑net++网络对输入的图像提取 特征点。 [0011]进一步地， 在步骤S3中， 在Encoder阶段每一层通过bn， relu和conv提取特征， 通过说　明　书 1/4 页 3 CN 114332122 A 3