一种显微影像下目标精确识别和分割的方法及其系统技术方案

本发明专利技术公开了一种显微影像下目标精确识别和分割的方法及其系统，该方法包括：步骤一，基于Focal loss目标检测算法对一显微影像中的目标进行识别，获取目标物质；步骤二，基于语义分割算法对所述目标物质进行语义分割，从所述显微影像中获取仅包含所述目标物质的图像区域；及步骤三，对所述图像区域进行可视化。本发明专利技术基于深度学习目标检测和语义分割进行显微影像中单个目标识别和高质量再现，解决人工进行显微影像目标识别和精细判断费时费力的难题。

【技术实现步骤摘要】
一种显微影像下目标精确识别和分割的方法及其系统
本专利技术涉及计算机视觉图像处理，显微影像分析等
，特别是一种显微影像下目标精确识别和分割的方法及其系统。
技术介绍
显微影像中目标识别在生物学和医学中具有重要的应用。现有显微影像分析主要依赖人工判断，耗时耗力。如染色体核型分析需要识别并将所有46条染色体进行排列，而血液细胞检查需要对多个视野下的所有类别骨髓细胞识别并求统计平均。人工分析方法是最直接的一种，然而由于显微影像下单个视野通常存在几十到上百个目标，而每次分析往往需要统计多个视野实现统计意义上的精确，非常耗时耗力。而由于目标往往聚在一起，使得一些细微病变特征难以有效发现。现有技术存在如上诸多问题，亟待解决。
技术实现思路
本专利技术目的在于提供一种显微影像下目标精确识别和分割的方法及其系统，用于基于深度学习目标检测和语义分割进行显微影像中单个目标识别和高质量再现，解决人工进行显微影像目标识别和精细判断费时费力的难题。为了达成如上目的，本专利技术提供一种显微影像下目标精确识别和分割的方法，包括：步骤一，基于Focalloss目标检测算法对一显微影像中的目标进行识别，获取目标物质；步骤二，基于语义分割算法对所述目标物质进行语义分割，从所述显微影像中获取仅包含所述目标物质的图像区域；及步骤三，对所述图像区域进行可视化。所述的方法，其中，在所述步骤一执行前，进一步包括：对所述显微影像进行统一预处理的步骤。所述的方法，其中，所述统一预处理的方式为对所述显微影像以50％的概率使用随机翻转，在-5°和5°之间随机旋转以及随机明暗度和对比度变化的方式进行处理。所述的方法，其中，所述步骤一中，所述基于Focalloss目标检测算法对一显微影像中的目标进行识别的步骤包括：构建用于目标区域检测的网络模型；依据该网络模型对该显微影像进行识别，获取候选矩形框；根据该候选矩形框得到目标物质对应的矩形框。所述的方法，其中，所述步骤二中，所述基于语义分割算法对所述目标物质进行语义分割的步骤包括：通过在标准Unet中加入deepsupervision的方式构建语义分割网络；将交叉熵损失函数与bias-dice损失函数相结合获取损失函数；依据该语义分割网络与该损失函数对所述目标物质进行语义分割。为了达成如上目的，本专利技术还提供一种显微影像下目标精确识别和分割的系统，包括：目标识别模块，用于基于Focalloss目标检测算法对一显微影像中的目标进行识别，获取目标物质；语义分割模块，用于基于语义分割算法对所述目标物质进行语义分割，从所述显微影像中获取仅包含所述目标物质的图像区域；及可视化模块，用于对所述图像区域进行可视化。所述的系统，其中，还包括：一预处理模块，用于对所述显微影像进行统一预处理。所述的系统，其中，所述预处理模块对所述显微影像以50％的概率使用随机翻转，在-5°和5°之间随机旋转以及随机明暗度和对比度变化的方式进行处理。所述的系统，其中，所述目标识别模块进一步包括：模型构建模块，用于构建用于目标区域检测的网络模型；区域预测模块，用于依据该网络模型对该显微影像进行识别，获取候选矩形框；目标区域模块，用于根据该候选矩形框得到目标物质对应的矩形框。所述的系统，其中，所述语义分割模块进一步包括：分割网络模块，用于在标准Unet中加入deepsupervision的方式构建语义分割网络；损失函数模块，用于将交叉熵损失函数与bias-dice损失函数相结合获取损失函数；分割模块，用于依据该语义分割网络与该损失函数对所述目标物质进行语义分割。与现有技术相比，本专利技术技术效果在于：1.本专利技术利用基于FocalLoss的目标检测算法对显微影像中目标进行定位以及类别判断，解决样本不平衡对检测精度的影响。2.本专利技术提取每一个矩形框对应的图像区域，利用语义分割算法，将仅包含目标物质部分的图像区域分割出来进行可视化，从而省去了医生手动进行抠图的操作，节省了医生的时间和精力。而将单个目标呈现更有利于医生观察到目标细微病变，提高诊断精度。附图说明图1是本专利技术的显微影像下目标精确识别和分割的方法流程图；图2是本专利技术的显微影像下目标精确识别和分割效果图；图3是本专利技术加入deepsupervision结构的标准Unet示意图；图4是本专利技术的显微影像下目标精确识别和分割的系统结构图。具体实施方式以下结合附图和具体实施例对本专利技术进行详细描述，但不作为对本专利技术的限定。如图1所示，是本专利技术的显微影像下目标精确识别和分割的方法流程图。在进行生物医学影像的研究过程中，显微影像中的识别和精细分割是一个共性需求。如研究细胞生物学现象需要对细胞器进行精细识别并判断出异常情况，在进行染色体核型分析时需要计数单条染色体并将单条染色体精细分割出呈现到报告里，在血液检查中进行骨髓细胞分析时需要对单视野下的细胞类别进行统计。这些过程目前主要依赖于人工分析，效率低下。经过研究发现，这一缺陷可以用深度学习目标检测及分析方法来实现。在调研深度学习算法时，将FocalLoss与当前主要的深度学习目标检测模型很好地结合，解决样本不平衡对检测精度的影响。在对分割模型损失函数设计中可以通过调节显微影像中对目标精确度和召回度的惩罚程度来提高可视化效果。本专利技术选用FocalLoss应用在深度学习目标检测框架下，保证模型应对样本不平衡情况下的准确识别。应用Bce-bias-diceloss使得模型对遗漏预测的像素点增加惩罚，从而保证可视化图上尽可能多地保留样本的原有信息。因此，本专利技术提出的基于目标检测和语义分割算法的显微影像诊断方法，主要目的是为了利用深度学习技术帮助医生，完成显微影像目标物质的检测和分割这种繁琐的工作，节省医生的时间和精力。在图1所示的流程图中，包括如下步骤：步骤10，基于Focalloss目标检测算法对一显微影像中的目标进行识别，获取目标物质；在一实施例中，该步骤需要先对输入的显微影像进行统一预处理，再利用基于Focalloss的目标检测算法对显微影像图中的目标进行精确识别。目标检测算法在标定目标物质的位置及大小的同时进行分类，确定每种目标物质所属的类别。步骤20，基于语义分割算法对目标物质进行语义分割，从显微影像中获取仅包含目标物质的图像区域；在一实施例中，该步骤在目标检测过程完成之后，每个目标物质所对应的矩形框将会被检测出来。本专利技术将每一个矩形框对应的图像区域提取出来，利用语义分割算法，将仅包含目标物质部分的图像区域分割出来进行后续的可视化，从而省去了医生手动进行抠图的操作，节省了医生的时间和精力。而将单个目标呈现更有利于医生观察到目标细微病变，提高诊断精度。步骤30，对图像区域进行可视化。该方法首先本文档来自技高网...

【技术保护点】
1.一种显微影像下目标精确识别和分割的方法，其特征在于，包括：/n步骤一，基于Focal loss目标检测算法对一显微影像中的目标进行识别，获取目标物质；/n步骤二，基于语义分割算法对所述目标物质进行语义分割，从所述显微影像中获取仅包含所述目标物质的图像区域；及/n步骤三，对所述图像区域进行可视化。/n

【技术特征摘要】
1.一种显微影像下目标精确识别和分割的方法，其特征在于，包括：
步骤一，基于Focalloss目标检测算法对一显微影像中的目标进行识别，获取目标物质；
步骤二，基于语义分割算法对所述目标物质进行语义分割，从所述显微影像中获取仅包含所述目标物质的图像区域；及
步骤三，对所述图像区域进行可视化。


2.根据权利要求1所述的方法，其特征在于，在所述步骤一执行前，进一步包括：对所述显微影像进行统一预处理的步骤。


3.根据权利要求2所述的方法，其特征在于，所述统一预处理的方式为对所述显微影像以50％的概率使用随机翻转，在-5°和5°之间随机旋转以及随机明暗度和对比度变化的方式进行处理。


4.根据权利要求1所述的方法，其特征在于，所述步骤一中，所述基于Focalloss目标检测算法对一显微影像中的目标进行识别的步骤包括：
构建用于目标区域检测的网络模型；
依据该网络模型对该显微影像进行识别，获取候选矩形框；
根据该候选矩形框得到目标物质对应的矩形框。


5.根据权利要求1所述的方法，其特征在于，所述步骤二中，所述基于语义分割算法对所述目标物质进行语义分割的步骤包括：
通过在标准Unet中加入deepsupervision的方式构建语义分割网络；
将交叉熵损失函数与bias-dice损失函数相结合获取损失函数；
依据该语义分割网络与该损失函数对所述目标物质进行语义分割。

...

【专利技术属性】
技术研发人员：肖立，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：北京;11