一种基于YOLOV8的痰液标本细胞检测方法与流程

本发明涉及图像处理和计算机视觉，具体涉及一种基于yolov8的痰液标本细胞检测方法。

背景技术：

1、相比于传统视觉算法，基于深度卷积神经网络的图像语义分割技术被广泛的应用于细胞检测。深度学习在医学领域的应用前景非常广阔，它可以帮助医生提高诊断的准确性和效率，随着技术的不断发展，深度学习在医学领域的应用也将不断得到提升和完善。在当前技术背景下，目前使用的痰液玻片样本成像后背景复杂、细胞形态多样。由于干扰较多，针对痰液玻片成像图片的细胞检测方法存在一些误检和漏检的情况，导致了白细胞和上皮细胞的检测精度降低。

2、因此，如何提供一种yolov8的痰液标本细胞检测方法，是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的目的在于提供一种基于yolov8的痰液标本细胞检测方法，其在实际的使用过程中，能够解决现有技术中复杂背景下的痰液玻片样本显微图像细胞检测误检和漏检的问题。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种基于yolov8的痰液标本细胞检测方法，包括以下步骤：

4、步骤1、获取革兰氏染色玻片图像数据集，并将其预处理，分为训练集、验证集和测试集；

5、步骤2、结合卷积注意力机制模块cbam和ciou graymse loss对yolov8进行改进，得到改进的网络模型；

6、步骤3、将所述的训练集输入所述网络模型进行迭代训练，得到最优目标检测的网络模型；

7、步骤4、将所述的测试集输入最优的网络模型进行预测，通过测试后的目标检测网络模型得到目标检测结果。

8、进一步地，在所述步骤1中，所述训练集用于训练网络模型，使得网络模型能够通过所述训练集数据学习到图像中的特征和模式，以便进行预测；所述验证集用于调整网络模型的超参数和选择最佳网络模型；所述测试集用于最终评估网络模型的性能。

9、进一步地，在所述步骤1中，所述训练集、验证集和测试集的比例为6：2：2。

10、进一步地，在所述步骤2中，所述cbam包括通道注意力模块和空间注意力模块；所述通道注意力模块和空间注意力模块用于分别嵌入到cnn中的不同层，以增强特征表示。

11、进一步地，所述通道注意力模块用于将输入的特征图f通过平均池化和最大池化操作对空间信息进行聚合后再通过共享网络，最后将得到特征值相加并利用激活函数得到通道域的权重系数；通道域权重系数与输入的特征图相乘得到通道注意力模块特征图fˊ。

12、进一步地，所述空间注意力模块用于将输入的通道注意力模块的特征图fˊ通过平均池化和最大池化得到两个通道特征矩阵，将其叠加再经过卷积和激活函数得到空间域权重系数；空间域权重系数和通道注意力模块特征图fˊ相乘即可得到cbam注意力机制模块特征图fˊˊ。

13、进一步地，所述ciou graymse loss用于作为边框回归损失函数提高检测器的整体性能。

14、与现有技术相比，本发明具有以下有益效果：

15、本发明在基于现有的yolov8基础上，针对革兰氏染色的痰液玻片样本图像上的白细胞、上皮细胞特征增加注意力机制，并且利用细胞含有细胞核的特点改进损失函数引入细胞核的特征，将训练集输入网络模型后多次迭代训练获得最优的网络模型，从而提高了对革兰氏染色痰液玻片样本显微图像的白细胞和上皮细胞检测精度。解决了复杂背景下的痰液玻片样本显微图像细胞检测误检和漏检的问题。

1.一种基于yolov8的痰液标本细胞检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于yolov8的痰液标本细胞检测方法，其特征在于：在所述步骤1中，所述训练集用于训练网络模型，使得网络模型能够通过所述训练集数据学习到图像中的特征和模式，以便进行预测；所述验证集用于调整网络模型的超参数和选择最佳网络模型；所述测试集用于最终评估网络模型的性能。

3.根据权利要求2所述的一种基于yolov8的痰液标本细胞检测方法，其特征在于：在所述步骤1中，所述训练集、验证集和测试集的比例为6：2：2。

4.根据权利要求1所述的一种基于yolov8的痰液标本细胞检测方法，其特征在于：在所述步骤2中，所述cbam包括通道注意力模块和空间注意力模块；所述通道注意力模块和空间注意力模块用于分别嵌入到cnn中的不同层，以增强特征表示。

5.根据权利要求4所述的一种基于yolov8的痰液标本细胞检测方法，其特征在于：所述通道注意力模块用于将输入的特征图f通过平均池化和最大池化操作对空间信息进行聚合后再通过共享网络，最后将得到特征值相加并利用激活函数得到通道域的权重系数；通道域权重系数与输入的特征图相乘得到通道注意力模块特征图fˊ。

6.根据权利要求5所述的一种基于yolov8的痰液标本细胞检测方法，其特征在于：所述空间注意力模块用于将输入的通道注意力模块的特征图fˊ通过平均池化和最大池化得到两个通道特征矩阵，将其叠加再经过卷积和激活函数得到空间域权重系数；空间域权重系数和通道注意力模块特征图fˊ相乘即可得到cbam注意力机制模块特征图fˊˊ。

7.根据权利要求1所述的一种基于yolov8的痰液标本细胞检测方法，其特征在于：所述ciou graymse loss用于作为边框回归损失函数提高检测器的整体性能。