【技术实现步骤摘要】
一种基于低对比度高密度细胞实例分割方法
[0001]本专利技术涉及一种基于低对比度高密度细胞实例分割方法。
技术介绍
[0002]在研究细胞时常使用简便的透射光显微镜技术获得细胞图像，但是获取的图像对比度低，特别是对于胶质母细胞瘤等细胞的研究来说，使用透射光显微镜技术获得的图像通常具备低对比度和高密度的特点。基于深度学习的方法被认为是最先进的图像分割方法，利用深度学习对细胞图像进行实例分割能得到目标细胞的数量、尺寸、形状等，对研究某类细胞能提供很大帮助。Mask R
‑
CNN是一种基于深度学习的实例分割算法，可以被视为Faster R
‑
CNN和FCN的组合，它可以同时进行目标定位和目标分割。然而应对低对比度和高密度的细胞图像实例分割，Mask R
‑
CNN对密集交叠细胞的检测能力有所不足，对低对比度细胞的分割能力也有所欠缺。
技术实现思路
[0003]为了解决上述技术问题，本专利技术提供一种算法简单、分割性能高的基于低对比度高密度细胞实例分割方法。
【技术保护点】
【技术特征摘要】
1.一种基于低对比度高密度细胞实例分割方法，其特征在于，包括以下步骤：第一步：制作并转化数据集为coco数据集，将coco数据集划分为训练集、测试集；第二步：构建实例分割模型；基于Mask R
‑
CNN算法进行改进，在特征提取主干中引入可形变卷积，并替换原特征金字塔为密集连接的特征金字塔，从而得到实例分割模型；第三步：采用训练集进行实例分割模型训练，得到训练好的实例分割模型；第四步：基于训练好的实例分割模型，采用测试集进行低对比度高密度细胞图像的实例分割，得到实例分割结果。2.根据权利要求1所述的基于低对比度高密度细胞实例分割方法，其特征在于，所述步骤一中，使用labelme标注工具的多边形标注为coco数据集中每一个细胞标注不同的颜色，标注完成后生成coco格式的json标注文件，标注文件和图像对应构成数据集，将数据集划分为训练集和测试集。3.根据权利要求1所述的基于低对比度高密度细胞实例分割方法，其特征在于，所述步骤二中，在特征提取主干中引入可形变卷积的具体过程为：在特征提取主干ResNet50中的stage2、stage3、stage4、stage5中的残差块的conv1和conv2之间加入offset卷积支路，所述offset卷积支路用于产生偏移量，使得卷积核的采样点发生偏移，集中于感兴趣的区域；使用deform
‑
conv代替conv2，所述deform
‑
conv层的输入为offset卷积的输出和conv1的输出。4.根据权利要求3所述的基于低对比度高密度细胞实例分割方法，其特征在于，所述步骤二中，替换原特征金字塔为密集连接的特征金字塔的具体过程为：对于特征金字塔P2、P3、P4、P5、P6不同层次特征图，所述P5由输入C5直接传入；所述P6由P5下采样获得；所述P4为P6、P5进行线性插值扩展到与C4相应的特征图同样大小，与...
【专利技术属性】
技术研发人员：陈祖国，黄贺俊，卢明，陈超洋，陈永伟，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。