(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 202111248453.2 (22)申请日 2021.10.26 (71)申请人 同济大学 地址 200082 上海市虹口区四平路1239号 申请人 致慧医疗科技 （上海） 有限公司 　 上海莫嗔科技有限公司 (72)发明人 陈炳地　李欣　张凌哲　 (74)专利代理 机构 北京同恒源知识产权代理有 限公司 1 1275 代理人 赵荣之 (51)Int.Cl. G06T 7/00(2017.01) G06T 5/00(2006.01) G06N 20/00(2019.01) G06K 9/62(2022.01)G06V 10/774(2022.01) (54)发明名称 基于YOLO算法的循环肿瘤细胞识别系统 (57)摘要 本发明涉及一种基于YOLO算法的循环肿瘤 细胞识别系统， 属于人工智能领域。 该系统包括 以下内容： S1： 对循环肿瘤细胞样本图片进行一 个打标处理； S2： 对打标好的原始肿瘤细胞进行 预处理； S3： 将肿瘤细胞图像做优化处理， 使图片 特征更加明显； S4： 搭建YOLOv4模型进行训练和 测试； S5： 针对YOLOv4模型训练和测试出的结果 调整YOLOv4网络； S6： 分别使用模拟血样和真实 血样对训练出的模型进行测试。 本发 明采用人工 智能的方法对CTC样本图片进行训练和识别， 效 率更高， 也更准确。 权利要求书2页 说明书8页 附图7页 CN 114037661 A 2022.02.11 CN 114037661 A 1.基于YOLO算法的循环肿瘤细胞识别系统， 包括存储器、 处理器及储存在存储器上并 能够在处理器上运行 的计算机程序， 其特征在于： 所述处理器执行所述计算机程序时实现 的方法包括以下步骤： S1： 对循环肿瘤 细胞样本图片进行一个打标处 理； S2： 对打标好的原 始肿瘤细胞进行 预处理； S3： 将肿瘤 细胞图像做优化处 理， 使图片特 征更加明显； S4： 搭建YOLOv4模型进行训练和 测试； S5： 针对YOLOv4模型训练和 测试出的结果调整YOLOv4网络； S6： 分别使用模拟血样和真实血样对训练出的模型进行测试。 2.根据权利 要求1所述的基于YOLO算法的循环肿瘤细胞识别系统， 其特征在于： 所述S1 中打标处 理后， 获得1573个 循环肿瘤 细胞样本图片及每张图片中细胞 所在位置 。 3.根据权利 要求2所述的基于YOLO算法的循环肿瘤细胞识别系统， 其特征在于： 所述S2 中， 在数据预处理阶段， 首先基于先验知识对数据进行手动筛选， 筛除非肿瘤细胞， 再对筛 选后的细胞进行图像翻转和对比度增强， 加入高斯噪声， 使图像特 征更明显。 4.根据权利 要求3所述的基于YOLO算法的循环肿瘤细胞识别系统， 其特征在于： 所述S3 中， 手动对样本图片中的标签数据进 行分类， 分为三类不同肿瘤细胞， 每类样本又被五个特 征所描述； 对标签数据进行分析， 发现第一类和第二类的细胞数目较少； 在原有的图片基础上再 次进行图片增强， 为对第一类和第二类的原图像双边滤波之后进行加入椒盐噪声、 图像锐 化的操作， 在一定程度上增 加第一类和第二类细胞的数量。 5.根据权利 要求4所述的基于YOLO算法的循环肿瘤细胞识别系统， 其特征在于： 所述S3 中， 进行YOLOv4模型训练， 对处理后的数据集划分不同比例为训练集和测试集， 并采用 YOLOv4模型进行训练， 训练中每一次迭代都保存相应的测试 结果。 6.根据权利要求5所述的基于YOLO算法的循环肿瘤细胞识别系统， 其特征在于： 对所述 YOLOv4模 型进行评估， 计算目标检测量化评价指标交并比IOU， 同时考虑准确率和召回值来 评估模型假阴性的指标， 精确度来评估模 型假阳性的指标， 并使用F ‑measure来 综合控制召 回值和精确度； 公式1模型IOU计算： 公式2模型准确率计算： 公式3模型召回率计算： 公式4模型精确度计算： 权　利　要　求　书 1/2 页 2 CN 114037661 A 2公式5模型 F‑measure计算： 其中， GroundTruth代表标签给出 的细胞区域， DetectionResult表示模型识别出的细 胞区域； TP代 表实际为 正确， 且模型判断为 正确， 最终结果 为正确的样本数量； FN代表实际为 错误， 且模型判断为 错误， 最终结果 为正确的样本数量； TN代表实际为 正确， 且模型判断为 错误， 最终结果 为错误的样本数量； FP代表实际为 错误， 且模型判断为 正确， 最终结果 为错误的样本数量； 对于每一张图片， 标签给 出的细胞分类与模型 给出的结果之间的对比； 使用不同比例的测试集进行正确率验证， 图像准确率和召回率的综合数值由AP来表 示， AP是Precisi on‑Recall Curve下面的面积， 代 表实际模型的综合 正确率。 7.根据权利要求6所述的基于YOLO算法的循环肿瘤细胞识别系统， 其特征在于： 当所述 训练集的比例为90％， 测试集比例为10％时， 目标窗口和原来标记窗口的交叠率IOU最高， 准确率达 到98％； 当训练集比例缩减到80％， 测试集比例提 高到20％时， 准确率降低， 且计算结果随机性 增加， 稳定性降低。 8.根据权利 要求7所述的基于YOLO算法的循环肿瘤细胞识别系统， 其特征在于： 所述S5 中， YOLO v4使用CSPDarknets53作为骨干网络， 其中CSPDarknets53由CSPResNet和 Darknet53构成， CSPResNet由ResNet加到CSPNet实现， 在ResNet网络中， 特定层以short cut 的方式连接到上一层， 而在DenseNet网络中， 每一层都与通道维度中的所有 先前的层相连， 并且用作下一层的输入， 对YOLO  v4模型进行一定的裁 剪； 针对CSPDarknet53原来的105层结构减少为86层， 去掉Darknet53分块5， 并将其中 的卷 积块CSP1， CSP2修改为密集连接块D ‑CSP1， D‑CSP2， 减少冗余功能的数量， 提高计算速度。 9.根据权利要求8所述的基于YOLO算法的循环肿瘤细胞识别系统， 其特征在于： 所述对 YOLO v4模型进行一定的裁剪后， 对包含肿瘤细胞和非肿瘤细胞的100张未训练模拟血样图 片随机分为10个小组进行测试， 分别得到9 3.6％、 94％、 89％、 95％、 99％、 91％、 93％、 96％、 88％、 94％的准确率， 将准确率取平均值， 得到模拟血样中内参细胞鉴定准确率为93.26％ 的结果， 该 结果与训练数据98％的结果接 近。 10.根据权利要求9所述的基于YOLO算法的循环肿瘤细胞识别系统， 其特征在于： 基于 所述YOLO  v4模型， 使用DenseNet对CSPDarknets中的剩余连接模式进行改造， 删除YOLO  v4 模型中的冗余操作， 提高训练效率， 减少过拟合， 提高真实情况下模 型对循环肿瘤细胞的识 别率。权　利　要　求　书 2/2 页 3 CN 114037661 A 3