基于深度语义分割的真菌显微图像分割检测方法及系统技术方案

本发明专利技术公开了一种基于深度语义分割的真菌显微图像分割检测方法及系统，所述方法包括：采集N幅真菌显微图像，剔除在所述N幅真菌显微图像中整幅全是黑色背景的图像得到剩余图像，并标注出所述剩余图像中的阳性区域得到标注图像；依据所述标注图像的信息对所述剩余图像和所述标注图像进行切片，生成所需的训练数据集；以残差网络和空洞卷积模块为网络的主体骨架构建深度卷积神经网络模型，读取所述训练数据集训练生成用于分割检测的目标模型，以使用所述目标模型对待检测真菌显微图像进行识别得到所述待检测真菌显微图像的真菌致病相的分割结果。通过本发明专利技术能够将致病相的菌丝结构从图像中分割并精准定位。

Fungus micro image segmentation and detection method and system based on deep semantic segmentation

【技术实现步骤摘要】
基于深度语义分割的真菌显微图像分割检测方法及系统
本专利技术属于医疗图像处理领域，更具体地，涉及一种基于深度语义分割真菌显微图像中致病相结构的分割检测方法及系统。
技术介绍
真菌感染在我国已是一类严重影响到人们身体健康的重大疾病，医疗单位对真菌感染诊疗能力亟待提高，特别是急需采用新的科技方法准确、高效地对病原菌进行检测。目前真菌检测的主要技术包括直接镜检、真菌培养以及培养检查。其中直接镜检作为经典的真菌检验方法之一，具有阳性率高，报告快的优势。医护人员需要在显微镜的视场中对于样本进行观察和判断，如果在显微图像中发现有致病相的菌丝成分，即可诊断为真菌感染。但此方法要求操作者需要有丰富的检验经验，对菌量少、背景成分复杂的检验标本容易出现漏报、误报。相对于目前已有的自动生化检测设备相比，人工真菌镜检有着人员劳动强度大，结果主观判断程度高的缺点。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于深度语义分割的真菌显微图像分割检测方法及系统，由此解决传统人工真菌镜检存在的人员劳动强度大，结果主观判断程度高的技术问题。为实现上述目的，按照本专利技术的一个方面，提供了一种基于深度语义分割的真菌显微图像分割检测方法，包括：采集N幅真菌显微图像，剔除在所述N幅真菌显微图像中整幅全是黑色背景的图像得到剩余图像，并标注出所述剩余图像中的阳性区域得到标注图像，N为正整数；依据所述标注图像的信息对所述剩余图像和所述标注图像进行切片，生成所需的训练数据集；以残差网络和空洞卷积模块为网络的主体骨架构建深度卷积神经网络模型，读取所述训练数据集训练生成用于分割检测的目标模型，以使用所述目标模型对待检测真菌显微图像进行识别得到所述待检测真菌显微图像的真菌致病相的分割结果。优选地，所述依据所述标注图像的信息对所述剩余图像和所述标注图像进行切片，生成所需的训练数据集，包括：确定训练数据的标准尺寸；对于剩余图像中不含阳性结构的第一目标图像，提取所述第一目标图像中的前景图像，并在所述前景图像中随机取若干个点，以取出的各点为中心，在所述第一目标图像中截取所述标准尺寸大小的图像，作为第一训练数据，同时生成若干张像素值为全0的所述标准尺寸大小的图像，作为所述第一训练数据的监督标签；对于剩余图像中含阳性结构的第二目标图像，对于所述第二目标图像中的致病相区域，在所述第二目标图像对应的标注图像中的高亮区域中随机选取若干个点，以选取的各点的坐标为中心坐标，在所述第二目标图像中截取尺寸为所述标准尺寸大小的图像，作为第二训练数据，在所述第二目标图像对应的标注图像中截取尺寸为所述标准尺寸大小的图像，作为所述第二训练数据的监督标签；对于所述第二目标图像中的非致病相区域，提取所述第二目标图像的前景图像，根据所述第二目标图像对应的标注图像的标记信息将所述第二目标图像的前景图像中的致病相前景区域去除，在剩下的前景区域中随机取若干个点，以选取的各点的坐标为中心坐标，在所述第二目标图像中截取尺寸为所述标准尺寸大小的图像，作为第三训练数据，在所述第二目标图像对应的标注图像中截取尺寸为所述标准尺寸大小的图像，作为所述第三训练数据的监督标签；由所述第一训练数据及其监督标签、所述第二训练数据及其监督标签及所述第三训练数据及其监督标签构成训练数据集。优选地，所述以残差网络和空洞卷积模块为网络的主体骨架构建深度卷积神经网络模型，读取所述训练数据集训练生成用于分割检测的目标模型，包括：以残差网络和空洞卷积模块为网络的主体骨架构建深度卷积神经网络；在所述深度卷积神经网络的输出分别接第一空洞卷积模块、第二空洞卷积模块、第三空洞卷积模块和普通卷积模块，其中，三个空洞卷积模块的采样率互不相同，共同构成了空洞卷积空间金字塔结构；将各个采样率下的空洞卷积模块和普通卷积模块的输出连接整合，然后通过升采样得到所述深度卷积神经网络的输出；对于所述深度卷积神经网络的每次迭代训练，从所述训练数据集中随机读取若干个训练数据及其对应的监督标签，输入所述深度卷积神经网络中进行训练，经过多轮迭代直至所述深度卷积神经网络收敛后保存训练的权值，从而得到用于分割检测的目标模型。优选地，所述使用所述目标模型对待检测真菌显微图像进行识别得到所述待检测真菌显微图像的真菌致病相的分割结果，包括：将待检测真菌显微图像使用冗余切片的方式切分，并采用所述目标模型分别对各切片进行识别，生成每张切片的预测概率分布图；由各切片的预测概率分布图拼接重建所述待检测真菌显微图像的预测热值图，并依据所述预测热值图分割所述待检测真菌显微图像，得到所述待检测真菌显微图像的真菌致病相的分割结果。优选地，所述将待检测真菌显微图像使用冗余切片的方式切分，包括：将待检测真菌显微图像使用冗余切片的方式切分得到若干幅w*w的切片图像，其中，每次切分截取的正方形边长为w，截取步进为d，两次截取的混叠区域尺寸为s×w，s＝w-d。优选地，所述由各切片的预测概率分布图拼接重建所述待检测真菌显微图像的预测热值图，并依据所述预测热值图分割所述待检测真菌显微图像，得到所述待检测真菌显微图像的真菌致病相的分割结果，包括：新建一幅尺寸与所述待检测图像尺寸一致的灰度值为0的图像P，将各切片的预测概率分布图按照其切片的对应位置关系贴回所述图像P得到概率分布图Q；利用所述概率分布图Q，根据概率的大小映射到RGB颜色空间生成热值图，对于所述概率分布图Q，若概率大于预设阈值，则将其视为致病相结构，由此得到识别出来的掩码图；去除所述掩码图中的噪点和小于预设区域值的区域，得到所述掩码图中连通域的轮廓，将所述轮廓和所述待检测图像融合，得到描绘出真菌轮廓的分割图。按照本专利技术的另一方面，提供了一种基于深度语义分割的真菌显微图像分割检测系统，包括：标记模块，用于采集N幅真菌显微图像，剔除在所述N幅真菌显微图像中整幅全是黑色背景的图像得到剩余图像，并标注出所述剩余图像中的阳性区域得到标注图像，N为正整数；训练数据生成模块，用于依据所述标注图像的信息对所述剩余图像和所述标注图像进行切片，生成所需的训练数据集；模型训练模块，用于以残差网络和空洞卷积模块为网络的主体骨架构建深度卷积神经网络模型，读取所述训练数据集训练生成用于分割检测的目标模型，以使用所述目标模型对待检测真菌显微图像进行识别得到所述待检测真菌显微图像的真菌致病相的分割结果。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：和传统模式识别的方式比较，不需要进行复杂的预处理过程和特征提取的操作；和深度学习中分类网络比较，不仅仅对真菌显微图像进行分类，而且能够将致病相的菌丝结构从图像中分割并精准定位，大大方便了医生的诊断；和深度学习分类网络逐像素分类实现分割的方式比较，深度语义分割方法无需要逐个像素扫描，检测和识别的速度大大提高；从结果来看，本专利技术为医生提供了客观准确的诊断信息，并且以精确的定位帮助本文档来自技高网...

【技术保护点】
1.一种基于深度语义分割的真菌显微图像分割检测方法，其特征在于，包括：/n采集N幅真菌显微图像，剔除在所述N幅真菌显微图像中整幅全是黑色背景的图像得到剩余图像，并标注出所述剩余图像中的阳性区域得到标注图像，N为正整数；/n依据所述标注图像的信息对所述剩余图像和所述标注图像进行切片，生成所需的训练数据集；/n以残差网络和空洞卷积模块为网络的主体骨架构建深度卷积神经网络模型，读取所述训练数据集训练生成用于分割检测的目标模型，以使用所述目标模型对待检测真菌显微图像进行识别得到所述待检测真菌显微图像的真菌致病相的分割结果。/n

【技术特征摘要】
1.一种基于深度语义分割的真菌显微图像分割检测方法，其特征在于，包括：
采集N幅真菌显微图像，剔除在所述N幅真菌显微图像中整幅全是黑色背景的图像得到剩余图像，并标注出所述剩余图像中的阳性区域得到标注图像，N为正整数；
依据所述标注图像的信息对所述剩余图像和所述标注图像进行切片，生成所需的训练数据集；
以残差网络和空洞卷积模块为网络的主体骨架构建深度卷积神经网络模型，读取所述训练数据集训练生成用于分割检测的目标模型，以使用所述目标模型对待检测真菌显微图像进行识别得到所述待检测真菌显微图像的真菌致病相的分割结果。


2.根据权利要求1所述的方法，其特征在于，所述依据所述标注图像的信息对所述剩余图像和所述标注图像进行切片，生成所需的训练数据集，包括：
确定训练数据的标准尺寸；
对于剩余图像中不含阳性结构的第一目标图像，提取所述第一目标图像中的前景图像，并在所述前景图像中随机取若干个点，以取出的各点为中心，在所述第一目标图像中截取所述标准尺寸大小的图像，作为第一训练数据，同时生成若干张像素值为全0的所述标准尺寸大小的图像，作为所述第一训练数据的监督标签；
对于剩余图像中含阳性结构的第二目标图像，对于所述第二目标图像中的致病相区域，在所述第二目标图像对应的标注图像中的高亮区域中随机选取若干个点，以选取的各点的坐标为中心坐标，在所述第二目标图像中截取尺寸为所述标准尺寸大小的图像，作为第二训练数据，在所述第二目标图像对应的标注图像中截取尺寸为所述标准尺寸大小的图像，作为所述第二训练数据的监督标签；
对于所述第二目标图像中的非致病相区域，提取所述第二目标图像的前景图像，根据所述第二目标图像对应的标注图像的标记信息将所述第二目标图像的前景图像中的致病相前景区域去除，在剩下的前景区域中随机取若干个点，以选取的各点的坐标为中心坐标，在所述第二目标图像中截取尺寸为所述标准尺寸大小的图像，作为第三训练数据，在所述第二目标图像对应的标注图像中截取尺寸为所述标准尺寸大小的图像，作为所述第三训练数据的监督标签；
由所述第一训练数据及其监督标签、所述第二训练数据及其监督标签及所述第三训练数据及其监督标签构成训练数据集。


3.根据权利要求2所述的方法，其特征在于，所述以残差网络和空洞卷积模块为网络的主体骨架构建深度卷积神经网络模型，读取所述训练数据集训练生成用于分割检测的目标模型，包括：
以残差网络和空洞卷积模块为网络的主体骨架构建深度卷积神经网络；
在所述深度卷积神经网络的输出分别接第一空洞卷积模块、第二空洞卷积模块、第三空洞卷积模块和普通卷积模块，其中，三个空洞卷积模块的采样率互不相同，共同构成了空洞卷积空间金字塔结构；
将各个采样率下的空洞卷积模块和普...

【专利技术属性】
技术研发人员：刘越，吕晓华，曾绍群，田靓，程胜华，陈知行，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42