一种基于U-Net网络模型的孔洞识别方法及系统技术方案

本发明专利技术公开了一种基于U

【技术实现步骤摘要】
一种基于U
‑
Net网络模型的孔洞识别方法及系统


[0001]本专利技术涉及图像处理
，特别是涉及一种基于U
‑
Net网络模型的孔洞识别方法及系统。

技术介绍

[0002]自人类基因组图谱完成以来，寻找低成本、高效率的DNA测序方法一直是生物医学的研究热点。DNA测序工作指的是分析特定DNA片段的碱基序列。高效便捷的DNA测序方法极大的推动了生物学、医学等领域的发展，这些方法在基础生物学及其诸多应用领域如诊断、生物技术、法医生物学、生物系统学中应用广泛。其中，固态纳米孔测序是目前发展潜力较大的快速鉴定方法，在众多的固态纳米孔中，CrTe2以其特殊的多层超薄结构引人注目，在提高DNA固态纳米孔洞测序灵敏度方面具有很大的发展潜力。
[0003]TEM利用电子透射原理成像，放大倍数高，但TEM图像具有噪声较大，对比度较低，边缘模糊等特点，采用传统算法很难有效识别。在基于特征提取的机器学习算法中，加空间聚类算法、熵为基础的算法等，都需要提前设计提取特征，对研究人员要求很高，既需要熟悉图像处理领域知识，又要涉猎DNA结构及透射电子显微镜的知识，此外，孔洞结构TEM图像数据集样本数量相比与普通数据集样本数量过少，极大限制了这类算法的可行性。目前在孔洞结构TEM图像识别领域，主要应用的还是人工标注和传统机器学习标注，人工学习标注效率低，消耗时间较多，且识别精度较低；而传统机器学习例如CNN、VGGnet等不适用于灰度图像的识别，且样本较少的情况下学习效果也不理想，这使得寻找一种高效、低成本的图像识别方法成为了一种迫切需要。

技术实现思路

[0004]基于上述问题，本专利技术的目的是提供一种基于U
‑
Net网络模型的孔洞识别方法及系统。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于U
‑
Net网络模型的孔洞识别方法，包括：
[0007]对采集到的孔洞TEM图像进行数据增强处理，构建训练集；
[0008]通过所述训练集对U
‑
Net模型进行训练，得到孔洞识别模型；所述孔洞识别模型的输入为孔洞TEM图像，输出为识别出的孔洞；
[0009]通过所述孔洞识别模型对孔洞TEM图像中的孔洞进行识别。
[0010]可选地，所述数据增强处理，具体包括：对采所述孔洞TEM图像进行随机裁剪、翻转、平移和镜像对称。
[0011]可选地，所述通过所述训练集对U
‑
Net模型进行训练，得到孔洞识别模型，具体包括：
[0012]将所述训练集输入到所述U
‑
Net模型中，得到预测结果；
[0013]根据所述预测结果与目标结果之间的误差调整所述U
‑
Net模型的参数。
[0014]可选地，利用Dice Coefficient损失函数衡量预测结果和目标结果之间误差。
[0015]本专利技术还提供了一种基于U
‑
Net网络模型的孔洞识别系统，包括：
[0016]训练集构建模块，用于对采集到的孔洞TEM图像进行数据增强处理，构建训练集；
[0017]训练模块，用于通过所述训练集对U
‑
Net模型进行训练，得到孔洞识别模型；所述孔洞识别模型的输入为孔洞TEM图像，输出为识别出的孔洞；
[0018]识别模块，用于通过所述孔洞识别模型对孔洞TEM图像中的孔洞进行识别。
[0019]可选地，所述数据增强处理，具体包括：对采所述孔洞TEM图像进行随机裁剪、翻转、平移和镜像对称。
[0020]可选地，所述训练模块具体包括：
[0021]输入单元，用于将所述训练集输入到所述U
‑
Net模型中，得到预测结果；
[0022]调整单元，用于根据所述预测结果与目标结果之间的误差调整所述U
‑
Net模型的参数。
[0023]可选地，利用Dice Coefficient损失函数衡量预测结果和目标结果之间误差。
[0024]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0025]本专利技术利用U
‑
net网络模型对灰度图像识别精度高的特点，解决了以往在DNA纳米孔洞测序工作中，对孔洞图像进行识别时人工标注效率低下、精度不足，以及常规机器学习对低容量灰度图像数据集泛化能力较差、识别精度不足的问题，为DNA孔洞测序中的孔洞图像识别工作提供了一种崭新的高效率的识别思路。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0027]图1为本专利技术实施例基于U
‑
Net网络模型的孔洞识别方法流程图；
[0028]图2为CrTe2孔洞的TEM图像。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]U
‑
Net基于全卷积网络FCN，其网络结构与FCN相似，都采用了编码器和解码器，以及跳跃连接的拓扑结构，能够实现在少量训练图像上进行更加精准的分割。但是U
‑
Net与FCN不同之处在于U
‑
Net网络是左右对称的。其左侧是用于捕获上下文信息的收缩路径，网络右侧是用于精确定位的扩张路径，与收缩路径对称，以恢复图像大小。编码器对应层的输出特征图经复制、裁减后与反卷积后的特征图通过跳跃连接进行特征融合，然后作为下一层的输入，继续上采样。U
‑
Net网络在上采样过程中有大量的特征通道，这使得网络能够将上下文信息传到更高分辨率的层。作为一种在医学影像方面获得广泛应用的方法，U
‑
Net在
处理样本数量较少的数据集时学习效果良好，而国内外鲜有将U
‑
Net神经网络模型应用到孔洞图像识别工作当中，而本专利技术所要检测的图像与传统医学影响较为相似，二者均为灰度图像，前景区域和背景区域像素灰度差异较小，故本文选择使用U
‑
Net网络模型对实验获得的孔洞图像进行鉴别。
[0031]本专利技术基于深度学习分割网络U
‑
Net对TEM图像中央灰白色区域进行边缘分割标注，后期依据TEM图像自身特征运用计算机视觉进行处理，将灰白色像素转化为白色像素，再对白色像素进行分类聚合处理，最终完成孔洞TEM图像处理的识别。
[0032]为使本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于U
‑
Net网络模型的孔洞识别方法，其特征在于，包括：对采集到的孔洞TEM图像进行数据增强处理，构建训练集；通过所述训练集对U
‑
Net模型进行训练，得到孔洞识别模型；所述孔洞识别模型的输入为孔洞TEM图像，输出为识别出的孔洞；通过所述孔洞识别模型对孔洞TEM图像中的孔洞进行识别。2.根据权利要求1所述的基于U
‑
Net网络模型的孔洞识别方法，其特征在于，所述数据增强处理，具体包括：对采所述孔洞TEM图像进行随机裁剪、翻转、平移和镜像对称。3.根据权利要求1所述的基于U
‑
Net网络模型的孔洞识别方法，其特征在于，所述通过所述训练集对U
‑
Net模型进行训练，得到孔洞识别模型，具体包括：将所述训练集输入到所述U
‑
Net模型中，得到预测结果；根据所述预测结果与目标结果之间的误差调整所述U
‑
Net模型的参数。4.根据权利要求3所述的基于U
‑
Net网络模型的孔洞识别方法，其特征在于，利用Dice Coefficient损失函数衡量预测结果和目标结果之间误差。5.一...

【专利技术属性】
技术研发人员：吴幸，孙远航，王超伦，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：