一种基于Unet++神经网络的细胞图像分割计数方法技术

本发明专利技术公开了一种基于Unet++神经网络的细胞图像分割计数方法，包括数据集制作、图像预处理、特征提取与图像分割，以及细胞计数，本方法是一种端到端的计数方法，特征提取和细胞计数过程均由Unet++神经网络训练完成，不需要多步处理；有效降低细胞计数的难度和提高细胞计数的效率及准确率，解决了现有细胞计数方法只针对特定场景、图像分割效果不理想的问题，为细胞生物学实验及教学提供了高效、快速、准确的计算机自动化分析技术，节约了人力、物力资源。资源。资源。

【技术实现步骤摘要】
一种基于Unet++神经网络的细胞图像分割计数方法


[0001]本专利技术涉及图像分割
，具体涉及一种基于Unet++神经网络的细胞图像分割计数方法。

技术介绍

[0002]细胞计数在医学图像等多个领域有极其重要的作用，但细胞图像的低灰度、亮度的不均匀性以及细胞图像特有的复杂结构特性,使得细胞图像分割和计数非常困难。在传统的细胞计数中，一般采用人工计数的方法，但传统人工计数方法效率低、耗时长、准确率不高。随着计算机图像学的大力发展，借助图像处理算法自动完成细胞图像的细胞计数是一种必然的发展趋势。现今用于细胞计数的算法很多，比如基于边缘检测的方法、基于区域的方法、基于数学形态学的分割方法、基于特定模型的分割方法等，但这些细胞计数算法也存在准确率低、只针对特定场景的的问题，只能处理细胞稀疏、间距明显、对比度明显、亮度高的细胞图像，对于密集型、粘连重叠较多的细胞图像分割效果不理想、误差率大。因此，非常有必要开发出一种新的细胞图像分割计数方法以解决现有的细胞计数算法准确率低、分割效果不理想的问题。

技术实现思路

[0003]本专利技术主要是为了解决现有的细胞计数算法准确率低、图像分割效果不理想的问题，提供了一种基于Unet++神经网络的细胞图像分割计数方法，包括数据集制作、图像预处理、特征提取与图像分割，以及细胞计数，本方法是一种端到端的计数方法，特征提取和细胞计数过程均由Unet++神经网络训练完成，不需要多步处理；有效降低细胞计数的难度和提高细胞计数的效率及准确率，解决了现有细胞计数方法只针对特定场景、图像分割效果不理想的问题，为细胞生物学实验及教学提供了高效、快速、准确的计算机自动化分析技术，节约了人力、物力资源。
[0004]为了实现上述目的，本专利技术采用以下技术方案：
[0005]一种基于Unet++神经网络的细胞图像分割计数方法，包括以下步骤：步骤S1：数据集制作，对细胞图像进行标记，标记出细胞的位置，并统计出细胞图像上的细胞个数；对标记后的细胞图像进行灰度化处理，同时裁剪细胞图像为96*96规格，由此可得到Unet++神经网络的输入图像及标签；步骤S2：图像预处理，由于细胞图像数量较少，为了扩大数据规模，使提取的特征更加细致，本专利技术使用了图像增强和锐化处理；步骤S3：特征提取与图像分割，图像预处理完成后，将细胞图像输入到经典Unet++四层神经网络中，得到细胞图像的高维特征集合和分割后的细胞图像；步骤S4：细胞计数，通过全连接网络进行分类训练，获得细胞数在1至512种分类中的概率值，该概率值在0到1之间，概率值最大的细胞数就是预测出的细胞图像上的细胞数目；本专利技术是一种端到端的计数方法，特征提取和细胞计数过程均由神经网络训练完成，不
需要多步处理；本专利技术解决了现有细胞计数方法效率低、耗时长、准确度低、只针对特定场景、图像分割效果不理想的问题，有效降低细胞计数的难度和提高细胞计数的准确度，为细胞生物学实验及教学提供了高效、快速、准确的计算机自动化分析技术，节约了人力、物力资源。
[0006]作为优选，步骤S1中，对细胞图像进行细胞位置标记，并统计所述细胞图像上的细胞个数；对标记后的细胞图像进行灰度化处理，获得输入图像及标签。
[0007]作为优选，步骤S2中，所述图像预处理包括图像增强和锐化处理。由于细胞图像数量较少，为了扩大数据规模，使提取的特征更加细致，本专利技术使用了图像增强和锐化处理。
[0008]作为优选，所述图像增强的具体过程为：采用随机九十度旋转、随机翻转、随机色调饱和度值、随机亮度或随机对比度方式对步骤S1获得的输入图像进行图像增强，增大训练样本数据规模。
[0009]作为优选，所述锐化处理以拉普拉斯算法为算子，其公式表示如下：其中，c为掩膜中心系数，f(x,y)和g(x,y)分别为图像增强后的输入图像和锐化处理后的细胞图像。本专利技术使用以拉普拉斯算法为算子的锐化处理，使图片特征更加清晰。
[0010]作为优选，步骤S3中，图像预处理完成后，将细胞图像输入至所述Unet++神经网络中，获得细胞图像高维特征集合和分割后的细胞图像。
[0011]作为优选，步骤S3中，所述特征提取的具体过程为：Unet++神经网络通过多次下采样获取细胞图像的高维特征，其公式表示如下：其中，函数h()为卷积运算后的激活函数，u为上采样层，[]为级联层。
[0012]作为优选，步骤S3中，所述图像分割的具体过程为：将提取特征图通过逆卷积和通道拼接恢复到原始分辨率，输出分割后的细胞图像并保存Unet++神经网络模型。
[0013]作为优选，步骤S4中，将步骤S3获得的高维特征信息输入全连接网络进行分类训练，以步骤S1获得的细胞实际数据作为标签，得到细胞图像上细胞数在1至512种分类中的概率值，所述概率值在0到1之间，以概率值最大的细胞数为细胞图像上细胞数目的预测值。
[0014]作为优选，其损失函数表示如下：其中，J表示损失函数，t
k,p
表示第k个样本中的第p个元素；激活函数表示如下：其中，δ表示非线性输出值，z表示线性输出值。
[0015]因此，本专利技术的优点是：
(1)本专利技术是一种端到端的计数方法，特征提取和细胞计数过程均由神经网络训练完成，不需要多步处理；(2)本专利技术解决了现有细胞计数方法效率低、耗时长、准确率低、只针对特定场景、图像分割效果不理想的问题，有效降低细胞计数的难度和提高细胞计数的效率及准确率，为细胞生物学实验及教学提供了高效、快速、准确的计算机自动化分析技术，节约了人力、物力资源。
附图说明
[0016]图1是本专利技术实施例中一种基于Unet++神经网络的细胞图像分割计数方法的流程图。
[0017]图2是本专利技术实施例中原始细胞图像。
[0018]图3是本专利技术实施例中标记并灰度化后的细胞图像。
[0019]图4是本专利技术实施例中锐化后的细胞图像。
[0020]图5是本专利技术实施例中经过Unet++神经网络分割后的细胞图像。
[0021]图6是本专利技术实施例中Unet++神经网络模型的拓扑图。
[0022]图7是本专利技术实施例中计数网络模型的拓扑图。
具体实施方式
[0023]下面结合附图与具体实施方式对本专利技术做进一步的描述。
[0024]实施例一：
[0025]一种基于Unet++神经网络的细胞图像分割计数方法，包括以下步骤：步骤S1：数据集制作，对细胞图像进行标记，标记出细胞的位置，并统计出细胞图像上的细胞个数；对标记后的细胞图像进行灰度化处理，同时裁剪细胞图像为96*96规格，由此可得到Unet++神经网络的输入图像及标签；步骤S2：图像预处理，由于细胞图像数量较少，为了扩大数据规模，使提取的特征更加细致，本专利技术使用了图像增强和锐化处理；步骤S3：特征提取与图像分割，图像预处理完成后，将细胞图像输入到经典Unet++四层神经网络中，得到细胞图像的高维特征集合和分割后的细胞图像；步骤S4：细胞计数，通过全连接网络进行分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Unet++神经网络的细胞图像分割计数方法，其特征在于，包括以下步骤：步骤S1：数据集制作；步骤S2：图像预处理；步骤S3：特征提取与图像分割；步骤S4：细胞计数。2.根据权利要求1所述的一种基于Unet++神经网络的细胞图像分割计数方法，其特征在于，步骤S1中，对细胞图像进行细胞位置标记，并统计所述细胞图像上的细胞个数；对标记后的细胞图像进行灰度化处理，获得输入图像及标签。3.根据权利要求2所述的一种基于Unet++神经网络的细胞图像分割计数方法，其特征在于，步骤S2中，所述图像预处理包括图像增强和锐化处理。4.根据权利要求3所述的一种基于Unet++神经网络的细胞图像分割计数方法，其特征在于，所述图像增强的具体过程为：采用随机九十度旋转、随机翻转、随机色调饱和度值、随机亮度或随机对比度方式对步骤S1获得的输入图像进行图像增强，增大训练样本数据规模。5.根据权利要求3所述的一种基于Unet++神经网络的细胞图像分割计数方法，其特征在于，所述锐化处理以拉普拉斯算法为算子，其公式表示如下：其中，c为掩膜中心系数，f(x,y)和g(x,y)分别为图像增强后的输入图像和锐化处理后的细胞图像。6.根据权利要求2所述的一种基于Unet++神经网络的细胞图像分割计数方法，其特征在于，步骤S3中，图像预处理完成后，将细胞图像输入至所述Unet+...

【专利技术属性】
技术研发人员：代琦，刘钊，郭晓栋，刘晓庆，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：