一种基于对抗生成网络的半监督学习的细胞分割方法技术

本发明专利技术公开一种基于对抗生成网络的半监督学习的细胞分割方法，包括以下步骤：收集细胞分割数据，对数据进行预处理和增强，分成训练集和测试集图片。以半监督学习为出发点，设计了新的对抗生成网络。该网络相对于之前的对抗生成网络将生成器换成了小参数量的全卷积分割网络，用于对输入图片输出一个概率图。对于没有标签的细胞图片，我们用半监督的方法训练分割网络，从分割网络中获取未标记图像的初始分割预测后，通过判别网络对分割预测概率图进行传递，得到一个置信图。利用这个置信图作为监督信号，使用了一个自学机制来训练分割网络，置信图表示了预测分割的质量。通过本发明专利技术设计的卷积神经网络提高细胞分割准确率。

【技术实现步骤摘要】
一种基于对抗生成网络的半监督学习的细胞分割方法
本专利技术涉及生物医学图像处理和计算机应用领域，尤其涉及一种基于对抗生成网络的半监督学习的细胞分割方法。
技术介绍
细胞分割是细胞运动研究和细胞形态的最重要的步骤，从医学图像中分割出精准的细胞是目前具有挑战性的课题。随着互联网科技的快速发展，传统的研究方法已经变得不怎么适用了，传统的再显微镜下利用人眼进行细胞染色、分类、计数等这类需要大量繁琐的人为操作，且其可重用性比较低。在机器视觉的研究中，基于深度学习的分割方法已经可以有效地去解决一些物体分割的问题。但是最重要的先决条件就是需要大量的人工标注好的医学图像，这个需要耗费大量的人力和时间。于此同时，现有的深度学习的分割算法对于医学图像的研究并不是太深入。因此基于深度学习的细胞分割方法不能应对当前的医学图像处理的要求而且现有的深度学习算法依赖于大量的人工标注的图片，这在医学图像领域将是一个很难满足的要求。细胞分割技术主要包含两个难点：其一，细胞分割的准确率；其二，基于深度学习的细胞分割方法需要耗费大量标注的细胞图片。目前，现有技术之一通过使用组合图像分割算法和阈值分割来提取前景对象并转化为二值图像来解决上述技术问题。但是，现有技术一存在以下缺点：最简单形式的阈值法只产生二值图像来区分两个类，而且它只考虑像素本身，不考虑图像的空间特性，这样就对噪声很敏感。现有技术之二通过收集大量的细胞数据并通过人类医学专家进行标注，设计一种卷积神经去络去训练模型来解决上述技术问题。但是，现有技术二的缺点：收集大量的细胞数据进行标注时候，只能通过专业的医学专家，人工标注的时间开销太大；现有的神经网络结构不能很好的去分割医学图像。
技术实现思路
本专利技术所要解决的技术问题在于提供了一种通过对抗生成网络的的方法来解决基于深度学习的细胞分割方法中依赖大量人工标注数据的方法，并提高细胞分割准确率的方法。本专利技术是通过一下技术方案解决上述技术问题的：一种基于对抗生成网络的半监督学习的细胞分割方法，包括以下步骤：步骤一、收集细胞图像，将所述细胞图像分成训练集和验证集两部分，其中，所述训练集中的部分细胞图像均为预先标注的细胞图像的标注图，训练集中余下的细胞图像为非标注的细胞图像；所述验证集中的细胞图像均为预先标注的验证细胞图；步骤二、利用所述预先标注的细胞图像的标注图输入至分割网络，输出得到初代标注的细胞图像的分割概率图；当将所述初代标注的细胞图像的分割概率图和其原始图片对应的预先标注的细胞图像的标注图输入至判断网络中，输出得到初代标注的细胞图像置信图、初代细胞图像标注图的置信图；进行多次迭代，直至所述分割网络损失值收敛；步骤三、将所述非标注的细胞图像输入至所述分割网络中，并输出得到初始分割概率图；步骤四、将所述初始分割概率图输入至所述判断网络中，输出得到初始非标注的细胞图像置信图；步骤五、当所述初始非标注的细胞图像置信图在当前次迭代的阈值大于设定值时，非标注的细胞图像和预先标注的细胞图像的标注图输入所述分割网络中再次进行训练；多次迭代，分割网络损失值收敛，完成所述分割网络的训练；步骤六、使用所述的预先标注的验证细胞图验证步骤五训练后的分割网络。优选地，所述细胞图像进行标注具体为将细胞图像标注为二值掩码图。优选地，对所述细胞图像进行增强处理。优选地，所述数据增强处理包括颜色直方图均衡化、水平镜像翻转、高斯模糊、添加随机噪声操作的一种或几种。优选地，所述步骤二包括：将所述预先标注的细胞图像的标注图输入至分割网络中进行当前次迭代，所述分割网络在当前次迭代的多任务损失Lseg如下，Lseg＝Lce+λadvLadv标准的交叉熵损失函数Lce如下：其中，Pn(h,w,2)表示第n张初代标注的细胞图像的分割概率图，(h,w,2)分别代表该初代标注的细胞图像的分割概率图的高、宽、通道数；表示的第n张预先标注的细胞图像的标注图的二值掩码图，(h,w,2)分别代表该预先标注的细胞图像的标注图的二值掩码图的高、宽、通道数；对抗损失函数Ladv如下：其中，D(Pn)(h,w,1)表示第n张初代标注的细胞图像置信图，Pn表示输入的第n张初代标注的细胞图像的分割概率图，(h,w,1)分别代表该初代标注的细胞图像置信图的高、宽、通道数；h、w分别代表该图像的高和宽；当所述分割网络在当前次迭代的多任务损失不小于第一预设阈值时，调整所述分割网络的参数，继续进行迭代训练；当所述分割网络当前次迭代的多任务损失小于第一预设阈值时，判定所述分割网络损失值收敛。优选地，所述步骤二中，辨别网络的损失函数LD如下：其中，yn表示输入图像的来源，当yn＝0的时候，表示输入图像来自于初代标注的细胞图像的分割概率图，即Pn；当yn＝1的时候，表示输入图像来自于预先标注的细胞图像的标注图的二值掩码图，即Yn；D(Pn)(h,w,1)表示第n张初代标注的细胞图像的分割概率图经过所述判别网络输出的初代标注的细胞图像置信图，(h,w,1)分别代表该初代标注的细胞图像置信图的高、宽、通道数；D(Yn)(h,w,1)表示第n张预先标注的细胞图像的标注图的二值掩码图经过所述判别网络输出得到的初代细胞图像标注图其二值掩码图的置信图，(h,w,1)分别代表该初代细胞图像标注图其二值掩码图的置信图的高、宽、通道数。优选地，所述步骤五中，所述初始非标注的细胞图像置信图在当前次迭代的阈值大于设定值，引入半监督学习损失，损失函数Lsemi如下：其中，Tsemi表示阈值，D(Pn)(h,w,1)表示初始非标注的细胞图像置信图，(h,w,1)分别代表该细胞图像置信图的高、宽、通道数，Pn表示第n张初代非标注细胞图像的分割概率图；I(·)表示激活单元，表示第n张非标注的细胞图像的二值掩码图，(h,w,2)分别代表的是第n张非标注的细胞图像的二值掩码图的高、宽、通道数。优选地，所述步骤五中，非标注的细胞图像和预先标注的细胞图像输入分割网络时候，采用多任务损失Lseg优化所述分割网络；损失函数Lseg如下：Lseg＝Lce+λadvLadv+λsemiLsemi标准的交叉熵损失函数Lce如下：其中，Pn(h,w,2)表示第n张初代标注的细胞图像的分割概率图，(h,w,2)分别代表该初代标注的细胞图像的分割概率图的高、宽、通道数；表示的第n张预先标注的细胞图像的标注图的二值掩码图，(h,w,2)分别代表该预先标注的细胞图像的标注图的二值掩码图的高、宽、通道数；对抗损失函数Ladv如下：当训练图片来自于标注细胞图片，其中，D(Pn)(h,w,1)表示第n张标注的细胞图像置信图，Pn表示输入的第n张标注的细胞图像的初始分割概率图，(h,w,1)分别代表该细胞图像置信图的高、宽、通道数；h、w分别代表该图像的高和宽；当训练图片来自于非标注细胞图片，其中，D(Pn)(h,w,1)表示第n张非标注的细胞图像置信图，Pn表示输入的第n张非标注的细胞图像初始分割概率图，(h,w,1)分别代表该细胞图像置信图的高、宽、通道数；h、w分别代表该图像的高和宽λadv，λsemi分别表示各自损失的权重，用来平衡多任务学习；当所述分割网络在当前次迭代的多任务损失不小于第三预设阈值时，调整所述分割网络的参数，继续进行迭代训练；当所述分割网络当前次迭代本文档来自技高网...

【技术保护点】
1.一种基于对抗生成网络的半监督学习的细胞分割方法，其特征在于：包括以下步骤：步骤一、收集细胞图像，将所述细胞图像分成训练集和验证集两部分，其中，所述训练集中的部分细胞图像均为预先标注的细胞图像的标注图，训练集中余下的细胞图像为非标注的细胞图像；所述验证集中的细胞图像均为预先标注的验证细胞图；步骤二、利用所述预先标注的细胞图像的标注图输入至分割网络，输出得到初代标注的细胞图像的分割概率图；当将所述初代标注的细胞图像的分割概率图和其原始图片对应的预先标注的细胞图像的标注图输入至判断网络中，输出得到初代标注的细胞图像置信图、初代细胞图像标注图的置信图；进行多次迭代，直至所述分割网络损失值收敛；步骤三、将所述非标注的细胞图像输入至所述分割网络中，并输出得到初始分割概率图；步骤四、将所述初始分割概率图输入至所述判断网络中，输出得到初始非标注的细胞图像置信图；步骤五、当所述初始非标注的细胞图像置信图在当前次迭代的阈值大于设定值时，非标注的细胞图像和预先标注的细胞图像的标注图输入所述分割网络中再次进行训练；多次迭代，分割网络损失值收敛，完成所述分割网络的训练；步骤六、使用所述的预先标注的验证细胞图验证步骤五训练后的分割网络。...

【技术特征摘要】
1.一种基于对抗生成网络的半监督学习的细胞分割方法，其特征在于：包括以下步骤：步骤一、收集细胞图像，将所述细胞图像分成训练集和验证集两部分，其中，所述训练集中的部分细胞图像均为预先标注的细胞图像的标注图，训练集中余下的细胞图像为非标注的细胞图像；所述验证集中的细胞图像均为预先标注的验证细胞图；步骤二、利用所述预先标注的细胞图像的标注图输入至分割网络，输出得到初代标注的细胞图像的分割概率图；当将所述初代标注的细胞图像的分割概率图和其原始图片对应的预先标注的细胞图像的标注图输入至判断网络中，输出得到初代标注的细胞图像置信图、初代细胞图像标注图的置信图；进行多次迭代，直至所述分割网络损失值收敛；步骤三、将所述非标注的细胞图像输入至所述分割网络中，并输出得到初始分割概率图；步骤四、将所述初始分割概率图输入至所述判断网络中，输出得到初始非标注的细胞图像置信图；步骤五、当所述初始非标注的细胞图像置信图在当前次迭代的阈值大于设定值时，非标注的细胞图像和预先标注的细胞图像的标注图输入所述分割网络中再次进行训练；多次迭代，分割网络损失值收敛，完成所述分割网络的训练；步骤六、使用所述的预先标注的验证细胞图验证步骤五训练后的分割网络。2.根据权利要求1所述的基于对抗生成网络的半监督学习的细胞分割方法，其特征在于：所述细胞图像进行标注具体为将细胞图像标注为二值掩码图。3.根据权利要求1-2任一项所述的基于对抗生成网络的半监督学习的细胞分割方法，其特征在于：对所述细胞图像进行增强处理。4.根据权利要求3所述的基于对抗生成网络的半监督学习的细胞分割方法，其特征在于：所述数据增强处理包括颜色直方图均衡化、水平镜像翻转、高斯模糊、添加随机噪声操作的一种或几种。5.根据权利要求1所述的基于对抗生成网络的半监督学习的细胞分割方法，其特征在于：所述步骤二包括：将所述预先标注的细胞图像的标注图输入至分割网络中进行当前次迭代，所述分割网络在当前次迭代的多任务损失Lseg如下，Lseg＝Lce+λadvLadv标准的交叉熵损失函数Lce如下：其中，Pn(h,w,2)表示第n张初代标注的细胞图像的分割概率图，(h,w,2)分别代表该初代标注的细胞图像的分割概率图的高、宽、通道数；表示的第n张预先标注的细胞图像的标注图的二值掩码图，(h,w,2)分别代表该预先标注的细胞图像的标注图的二值掩码图的高、宽、通道数；对抗损失函数Ladv如下：其中，D(Pn)(h,w,1)表示第n张初代标注的细胞图像置信图，Pn表示输入的第n张初代标注的细胞图像的分割概率图，(h,w,1)分别代表该初代标注的细胞图像置信图的高、宽、通道数；h、w分别代表该图像的高和宽；当所述分割网络在当前次迭代的多任务损失不小于第一预设阈值时，调整所述分割网络的参数，继续进行迭代训练；当所述分割网络当前次迭代的多任务损失小于第一预设阈值时，判定所述分割网络损失值收敛。6.根据权利要求1所述的基于对抗生成网络的半监督学习的细胞分割方法，其特征在于：所述步骤二中，辨别网络的损失函数LD如下：其中，yn表示输入图像的来源，当yn＝0的时候，表示输入图像来自于初代标注的细胞图像的分割概率图，即Pn；当yn＝1的时候，表示输入图像来自于预先标注的细胞图像的标注图的二值掩码图，即Yn；D(Pn)(h,w,1)表示第n张初代标注的细胞图像的分割概率图经过所述判别网络输出的初代标注的细胞图像置信图，(h,w,1)分别代表该初代标注的细胞图像置信图的高、宽、通道数；D(Yn)(h,w,1)表示第n张预先标注的细胞图像的标注图的二值掩码图经过所述判别网络输出得到的初代细胞图像标注图其二值掩码图的置信图，(h,w,1)分别代表该初代细胞图像标注图其二值掩码图的置信图的高、宽、通道数。7.根据权利要求1所述的基于对抗生成网络的半监督学习的细胞分割方法，其特征...

【专利技术属性】
技术研发人员：李腾，胡传锐，王妍，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽,34