技术特征：
1.一种对用于处理细胞图像的u-net模型进行训练的训练方法，其特征在于，该训练方法包括以下步骤：s1、获取单种类细胞图像并制作图像训练集；s2、使用图像处理算法处理上述步骤s1中所制作的所述图像训练集中的每一张图像并得到该图像对应的标签掩膜图，最终形成所述图像训练集对应的标签掩膜图训练集；s3、使用上述步骤s2所获得的所述标签掩膜图训练集对u-net模型进行训练；s4、获取混合种类细胞图像并制作微调数据集；s5、使用上述步骤s4所制作的所述微调数据集对经上述步骤s3训练过的u-net模型进行微调式训练。2.根据权利要求1所述的训练方法，其特征在于，上述步骤s1包括以下步骤：s11、使用成像设备获取所述单种类细胞图像；s12、将上述步骤s11中所获取的所述单种类细胞图像切割成若干固定大小的图像，最终汇集成所述图像训练集。3.根据权利要求1所述的训练方法，其特征在于，上述步骤s2包括以下步骤：s21、使用高斯滤波处理上述步骤s1中所制作的所述图像训练集中的每一张图像，去除图像中的噪音；s22、使用自适应阈值算法处理经上述步骤s21处理过的所述图像训练集中的每一张图像，得到图像二值化的标签；s23、使用铃木轮廓追踪算法对经上述步骤s22处理过的所述图像训练集中的每一张图像进行图像边缘检测；s24、对经上述步骤s23处理过的所述图像训练集中的每一张图像的图像边缘轮廓进行填充，得到该图像对应的标签掩膜图，最终汇集成所述图像训练集对应的所述标签掩膜图训练集。4.根据权利要求3所述的训练方法，其特征在于，上述步骤24中，在对图像边缘轮廓进行填充之前移除面积较小的轮廓。5.根据权利要求3所述的训练方法，其特征在于，上述步骤24中，在获得图像对应的标签掩膜图之前对图像追加形态学腐蚀膨胀操作。6.根据权利要求1所述的训练方法，其特征在于，上述步骤s3包括以下步骤：s31、设置卷积核大小为3
×
3、步长和填充为1的卷积层；s32、设置卷积核大小为2
×
2和4
×
4两种步长为2的池化层；s33、设置2倍和4倍的最近邻插值层；s34、设置卷积核大小为1
×
1的卷积层；s35、将上述步骤s2获得的所述标签掩膜图训练集输出送入u-net模型，对所述标签掩膜图训练集中的每一张图像进行四次下采样；s36、将上述步骤s2获得的所述标签掩膜图训练集输出送入u-net模型，对所述标签掩膜图训练集中的每一张图像进行四次上采样，并结合上述步骤35获得的下采样图像将对应层中大小相同的输出进行拼接；s37、对经过上述步骤36处理过的上采样图像进行1
×
1的卷积操作，使用激活函数得到所述标签掩膜图训练集中的每一张图像的最终预测图；
s38、使用上述步骤37中所获得的所述最终预测图与其所对应图像的真实值之间的差异作为损失，基于该损失进一步更新u-net模型，实现对u-net模型的训练。7.根据权利要求6所述的训练方法，其特征在于，上述步骤s35中，前三次下采样中的每一次均先经过两次3
×
3的卷积，其中每次卷积后都使用激活函数进行激活，然后再经过一次2
×
2的池化操作，第四次下采样仅经过一次4
×
4的池化操作；上述步骤s36中，第一次上采样经过两次3
×
3的卷积，其中卷积后使用激活函数进行激活，然后再经过4倍的最近邻插值操作，后三次上采样中的每一次均经过2倍的最近邻插值操作。8.根据权利要求1所述的训练方法，其特征在于，上述步骤s4包括以下步骤：s41、使用成像设备获取所述混合种类细胞图像；s42、将上述步骤s41中获取的所述混合种类细胞图像切割成若干固定大小的图像；s43、对上述步骤s42中切割后获得的每一张图像进行人工标注，并汇集成所述微调数据集。9.一种细胞图像的处理方法，其特征在于，该处理方法使用u-net模型对所述细胞图像进行分割和/或计数，其中，所述u-net模型为使用根据1-8中任意一项所述的训练方法所训练过的u-net模型。10.根据权利要求9所述的处理方法，其特征在于，所述细胞图像为混合种类细胞图像。
技术总结
本发明公开了一种对用于处理细胞图像的U-Net模型进行训练的训练方法，该训练方法基于预先获得的标注细胞图像数据集对U-Net模型进行训练，经过训练的U-Net模型能够对细胞图像进行准确分割，分割后的轮廓边缘清晰，有效提高了对细胞图像，尤其是混合种类细胞图像进行分割和/或计数的准确性，有效解决了现有技术中存在的图像标注成本高、细胞图像分割困难以及细胞计数操作复杂等难题。以及细胞计数操作复杂等难题。以及细胞计数操作复杂等难题。
技术研发人员：冯林 展光东 王文通 孙洪岩
受保护的技术使用者：北京航空航天大学
技术研发日：2021.10.29
技术公布日：2022/1/11