本发明属于人工智能领域，具体涉及一种基于双向分类长短期记忆网络的时序细胞计数方法。
背景技术：
1、细胞计数是评估细胞质量的重要手段。随着技术的发展，传统的手工计数方法已经逐渐被自动化的计算机视觉算法所取代，这些算法利用人工智能，特别是深度学习技术，来提高细胞计数的效率和准确性。通过深度学习自动运算与分析能够极大提高细胞计数的效率。
2、基于深度学习的细胞自动计数方法克服了传统形态学评分的主观、耗时、费力的缺点，具有精度高、客观、高效等优势，逐渐成为医学图像分析的一种重要手段。目前，基于深度学习的细胞自动计数技术已经在多个领域得到应用，包括但不限于肿瘤学、干细胞研究和药物筛选。这些技术通常使用卷积神经网络（cnn）来识别和区分细胞，以及递归神经网络（rnn）来处理图像序列中的时序信息。这些模型能够提供比传统方法更高的精度和更少的人工干预。
3、尽管现有的基于深度学习的细胞计数技术取得了显著进展，但在实际应用中仍然面临一些挑战：
4、1、细胞在不同的生理状态下，如稳定状态和分裂状态，具有不同的形态特征。现有的算法往往采用统一的网络结构来处理所有状态的细胞，这可能导致对细胞形态变化的敏感度不足，影响计数的准确性。
5、2、细胞图像通常以序列的形式存在，这些图像之间存在时序关联。如果算法只关注单张图像而忽略了这种时序信息，可能会导致对细胞动态变化的捕捉不全面，从而降低计数的准确率。
技术实现思路
1、本发明提出了一种基于双向分类长短期记忆网络的时序细胞计数方法，解决了现有方法对不同状态下细胞形态变化的适应性不足、忽视了细胞图像序列中时序信息的问题。
2、为解决上述技术问题，本发明提供了一种基于双向分类长短期记忆网络的时序细胞计数方法，包括以下步骤：
3、步骤s1：采用细胞双状态计数单元clstm替换双向长短期记忆网络bi-lstm中的长短期记忆单元lstm，构建双向分类长短期记忆网络bi-clstm；
4、clstm单元包括一个分类门和两组特征学习单元，所述分类门用于识别细胞图像中的细胞状态，两组所述特征学习单元分别学习不同状态的细胞图像的特征，所述细胞状态包括分裂状态和稳定状态；
5、步骤s2：获取多张连续时间的细胞图像，对每张细胞图像中的细胞数量以及细胞状态进行标注，利用标注好的细胞图像训练bi-clstm网络；
6、步骤s3：将一组待识别的细胞图像序列输入训练好的bi-clstm网络中，得到细胞图像序列的每个时间步的细胞状态和细胞数量。
7、优选地，bi-clstm网络包括前向clstm层、后向clstm层和输出层，所述前向clstm层和后向clstm层中包括多个clstm单元，前向clstm层和后向clstm层分别从两个不同的时间方向获取细胞图像序列中的时序信息，所述输出层在细胞图像序列的每个时间步合并两个方向的时序信息，利用合并后的时序信息预测该时间步的细胞图像的细胞状态和细胞数量。
8、优选地，所述特征学习单元包括遗忘门、输入门和输出门，每个特征学习单元的每个门对应不同的权重，所述分类门输出细胞图像处于分裂状态的概率，根据所述分类门的输出调整每个门的权重，将两个特征学习单元的遗忘门、输入门和输出门的输出进行组合，得到每个门的综合输出。
9、优选地，分类门输出的细胞图像处于分裂状态的概率的表达式为：
10、；
11、式中，表示sigmoid激活函数；为分类门网络权重；为 t-1时刻clstm单元输出的特征向量；为第t张细胞图像的特征向量；为分类门的可学习参数。
12、优选地，遗忘门的综合输出的表达式为：
13、；
14、式中，为遗忘门；为细胞图像中的细胞处于分裂状态的概率；、分别为两组特征学习单元的遗忘门的权重；为 t-1时刻clstm单元输出的特征向量；为第 t张细胞图像的特征向量；为遗忘门的可学习参数；
15、输入门的综合输出的表达式为：
16、；
17、式中，为输入门的输出向量；、分别为两组特征学习单元的输入门的权重；为输入门的可学习参数；
18、输出门的综合输出的表达式为：
19、；
20、式中，为输出门的输出向量；、分别为两组特征学习单元的输出门的权重；为输出门的可学习参数。
21、优选地，clstm单元输出细胞图像中细胞的综合状态信息，所述综合状态信息的表达式为：
22、；
23、；
24、式中，为clstm单元的输出向量；为当前层的记忆向量；为上一层的记忆向量；tanh()为tanh激活函数。
25、优选地，bi-clstm网络的总体损失包括分类损失与计数损失，所述分类损失为细胞处于分裂状态的预测概率值与真实值之间的差异，所述计数损失为预测的细胞数量与真实细胞数量之间的差异。
26、优选地，所述总体损失的表达式为：
27、；
28、；
29、；
30、式中，为总体损失；、分别为总体损失中分类损失和计数损失的权重；为分类损失；为计数损失；s为输入的细胞图像的数量；
31、优选地，步骤s3中对输入的细胞图像序列进行预处理，提取预处理后的细胞图像序列的特征向量作为bi-clstm网络的输入，包括以下步骤：
32、步骤s31：通过边缘检测算法检测出细胞图像中的细胞区域，将边缘处理后的细胞图像和原始细胞图像进行叠加作为输出图像；
33、步骤s32：使用大小相同的矩形框对所有输出图像进行裁剪，裁剪时将矩形框的中心点与细胞区域的中心点相对应；
34、步骤s33：采用图像特征提取网络提取裁剪后的细胞图像序列中每张细胞图像的空间特征，得到多张特征图；
35、步骤s34：对所述特征图进行下采样从而减少特征图的尺寸；
36、步骤s35：对下采样后的特征图进行全局平均池化，将特征图转换为特征向量。
37、优选地，步骤s35中对下采样后的特征图进行全局平均池化的表达式为：
38、；
39、式中，为第 t张细胞图像的特征向量；、分别为特征图的高度和宽度；为特征图中第 k个通道上位置的像素。
40、本发明的有益之处至少包括：
41、1、本发明构建了能够识别和区分细胞分裂状态和稳定状态的双向分类长短期记忆网络bi-clstm，其中引入的分类门用于识别细胞图像中的细胞状态，确保了不同状态的细胞图像能够被正确地输入到对应的特征学习单元，使得网络能够针对不同状态的细胞进行专门的特征学习，提高了对细胞形态变化的适应性；
42、2、bi-clstm网络的双向学习机制使得模型能够同时考虑细胞图像在时间序列上的前后信息，提高了对细胞动态过程的理解能力，同时通过结合细胞图像的空间特征和时间特征，提高了模型的准确性。
1.一种基于双向分类长短期记忆网络的时序细胞计数方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于双向分类长短期记忆网络的时序细胞计数方法，其特征在于：bi-clstm网络包括前向clstm层、后向clstm层和输出层，所述前向clstm层和后向clstm层中包括多个clstm单元，前向clstm层和后向clstm层分别从两个不同的时间方向获取细胞图像序列中的时序信息，所述输出层在细胞图像序列的每个时间步合并两个方向的时序信息，利用合并后的时序信息预测该时间步的细胞图像的细胞状态和细胞数量。
3.根据权利要求1所述的一种基于双向分类长短期记忆网络的时序细胞计数方法，其特征在于：所述特征学习单元包括遗忘门、输入门和输出门，每个特征学习单元的每个门对应不同的权重，所述分类门输出细胞图像处于分裂状态的概率，根据所述分类门的输出调整每个门的权重，将两个特征学习单元的遗忘门、输入门和输出门的输出进行组合，得到每个门的综合输出。
4.根据权利要求3所述的一种基于双向分类长短期记忆网络的时序细胞计数方法，其特征在于：分类门输出的细胞图像处于分裂状态的概率的表达式为：
5.根据权利要求3所述的一种基于双向分类长短期记忆网络的时序细胞计数方法，其特征在于：遗忘门的综合输出的表达式为：
6.根据权利要求5所述的一种基于双向分类长短期记忆网络的时序细胞计数方法，其特征在于：clstm单元输出细胞图像中细胞的综合状态信息，所述综合状态信息的表达式为：
7.根据权利要求1所述的一种基于双向分类长短期记忆网络的时序细胞计数方法，其特征在于：bi-clstm网络的总体损失包括分类损失与计数损失，所述分类损失为细胞处于分裂状态的预测概率值与真实值之间的差异，所述计数损失为预测的细胞数量与真实细胞数量之间的差异。
8.根据权利要求7所述的一种基于双向分类长短期记忆网络的时序细胞计数方法，其特征在于：所述总体损失的表达式为：
9.根据权利要求1所述的一种基于双向分类长短期记忆网络的时序细胞计数方法，其特征在于：步骤s3中对输入的细胞图像序列进行预处理，提取预处理后的细胞图像序列的特征向量作为bi-clstm网络的输入，包括以下步骤：
10.根据权利要求9所述的一种基于双向分类长短期记忆网络的时序细胞计数方法，其特征在于：步骤s35中对下采样后的特征图进行全局平均池化的表达式为：
