一种基于多任务深度神经网络的秀丽线虫检测方法技术

本发明专利技术公开一种基于多任务深度神经网络的秀丽线虫检测方法，检测方法包括获取秀丽线虫的原始荧光图片，对原始荧光图片进行荧光点轮廓和荧光亮度人工标注、图像扩充和预处理后建立训练集，利用多任务学习机制的改进YOLACT网络进行学习，经过改进YOLACT网络秀丽线虫荧光点的实例分割结果和荧光亮度结果，根据RGB图像中对秀丽线虫虫体和荧光点的实例分割结果，得到荧光点的二值掩膜及像素坐标信息，根据二值掩膜像素坐标，计算出荧光点的面积。本发明专利技术检测方法通过秀丽线虫荧光点分割、荧光度和尺寸测量的并行学习，输出三个结果，通过多任务学习机制中多种损失函数之间的相互补充作用，能够提高对输出结果的准确率，提升学习效率的同时提高了准确率。效率的同时提高了准确率。效率的同时提高了准确率。

【技术实现步骤摘要】
一种基于多任务深度神经网络的秀丽线虫检测方法


[0001]本专利技术涉及图像处理
，具体是一种基于多任务深度神经网络的秀丽线虫检测方法。

技术介绍

[0002]秀丽线虫是一种很有价值的模式生物，其神经系统简单，通过显微镜可以直观观察到转基因秀丽线虫的神经元(即荧光点)，进而检测神经元的形态学改变，判断神经系统损伤。
[0003]传统的检测方法是人工计算神经元的个数、面积大小和荧光强度，耗时耗力而且存在主观干扰。应用计算机方法解决人工计算效率低、误差大的问题，提高研究结果的准确性为推动线虫更广泛的应用提供了可能。
[0004]YOLACT是当前一种可以实现快速、简便的实例分割的深度卷积神经网络。然而在检测秀丽线虫的神经元形态学改变时，不仅要分割出虫体和荧光点，还需要得到荧光点的面积尺寸信息和荧光强度信息。
[0005]现有的方法通常是人工判断荧光点、计算荧光点个数和尺寸、荧光强度等数据，效率低、误差大，为此提出一种基于多任务深度神经网络的秀丽线虫检测方法。

技术实现思路

[0006]本专利技术的目的在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务深度神经网络的秀丽线虫检测方法，其特征在于，所述检测方法包括以下步骤：步骤一：获取秀丽线虫的原始荧光图片；步骤二：对原始荧光图片进行荧光点轮廓和荧光亮度人工标注、图像扩充和预处理后建立训练集；步骤三：利用多任务学习机制的改进YOLACT网络进行学习；步骤四：经过改进YOLACT网络秀丽线虫荧光点的实例分割结果和荧光亮度结果；步骤五：根据RGB图像中对秀丽线虫虫体和荧光点的实例分割结果，得到荧光点的二值掩膜及像素坐标信息；步骤六：根据二值掩膜像素坐标，计算出荧光点的面积。2.根据权利要求1所述的一种基于多任务深度神经网络的秀丽线虫检测方法，其特征在于，所述改进YOLACT网络操...

【专利技术属性】
技术研发人员：吴添舒，陈敏，张晓蒙，张纪翔，王馨语，
申请(专利权)人：东南大学，
类型：发明
国别省市：