【技术实现步骤摘要】
基于卷积神经网络的多模态显微图像细胞分割方法
[0001]本专利技术属于显微图像细胞分割领域，针对现有基于单一模态设计的细胞分割方法在多模态显微镜图像下性能较差的问题，提出了一种基于卷积神经网络的多模态显微图像细胞分割方法，按照形态对细胞分类，训练适应不同形态细胞的卷积神经网络细胞分割分支，利用质量估计模块自动选取最佳分割结果。
技术介绍
[0002]细胞分割是生物医学图像分析领域的基础步骤，它的目的是将显微镜图像中的所有细胞识别、编号并分割出来。由于细胞形态及计数结果在生物医学图像分析中往往有重要意义，其性能对最终的实验结果有强烈的影响。随着计算机科学技术的发展，深度学习在各领域均展现了卓越的效果。近年来，基于卷积神经网络的细胞图像分割技术已在一些细胞图像上取得了优异的性能，根据基本思路不同，这些方法可分为三类：边界感知的细胞分割、基于标记的分水岭细胞分割以及基于梯度流追踪的细胞分割方法。边界感知的细胞分割往往针对大小相近的细胞设计，通过将细胞边缘像素设定为第三类，成功将粘连细胞区分开；基于标记的分水岭细胞分割方法则将传统...
【技术保护点】
【技术特征摘要】
1.基于卷积神经网络的多模态显微图像细胞分割方法，包括如下步骤：1)收集及标注多模态显微镜细胞图像数据集；1.1收集多模态显微镜细胞图像数据；首先收集多模态显微镜细胞图像数据；数据集覆盖不同形态的细胞，包括圆形或近似圆形细胞、异形突触细胞及狭长细胞；1.2整理及清洗数据；对收集到的数据进行整理及清洗，去除模糊、带噪、损坏的显微镜图片，并将图像数据统一转换为RGB图像；对于高分辨率的显微镜图像，将其切分至预设大小；1.3精确标注数据；在完成清洗的数据基础上，对收集到的细胞图像进行像素级标注；对于现有的公开细胞分割数据集，直接对其标注进行清洗并转换为像素级标注；各类细胞图片的标注应分别不少于两百张；2)生成细胞分割数据集中间监督目标；基于已有标注合成各图像数据的检测框、前景掩膜、分割能量图以及备用细胞分割方法所需的中间监督目标；其中分割能量图在传统分水岭能量图上得到：对于图像中的任意细胞c，利用欧几里德距离变换计算出细胞像素点p(c)到边界的距离d
p(c)
；进一步使用细胞内距离中位数规范化，使细胞内能量范围被限制在0～2；3)构建启发式模态分析器；基于图像数据的颜色统计信息对训练数据进行启发式分类；通过分析器统计图像在RGB三通道上的颜色偏差，将输入数据分类为单通道，双通道以及三通道图像；其中单通道图像满足对于图中像素p＝(r,g,b)，max(r,g,b)
‑
min(r,g,b)≤4；双通道图像满足存在一个颜色通道的值为0；其余为三通道图像；4)构建基于检测框的深度卷积网络细胞分割分支；4.1构建网络基本架构；基于检测——分割的两步骤细胞分割，采用双分支架构；网络整体使用编码器——解码器范式，骨干网络采用ImageNet数据集预训练的ResNet
‑
18模型；当图像数据经数据增强送入到骨干网络后，高层特征被继续送入解码器部分，经两次上采样并不断与中层特征融合后输入到两个任务分支中；检测分支基于两次上采样的融合特征直接在各位置输出候选检测框，分割分支进行两次额外的上采样并与浅层特征融合，在各像素处预测前景掩膜及分割能量图；4.2设定损失函数；在损失函数方面，检测分支的损失函数L
det
包括边框回归损失L
box
及置信度损失L
obj
两部分；其中边框回归损失采用CIoU损失函数；置信度损失则使用改进的交叉熵损失函数：在传统交叉熵的基础上，对同一批输入样本x1，x2，...，x
k
的置信度损失l
1，obj
，l
2，obj
，...，l
k，obj
依据每个样本的细胞数量进行权重自动调整：设各样本的细胞数量为m1，m2，...，m
k
，若样本x
i
不包含细胞，权重为0，否则权重不包含细胞，权重为0，否则权重最终置信度损失检测分支的损失函数L
det
＝L
obj
+λ
loc
L
loc
，其中λ
loc
是定位损失比例系数；分割分支生成多张中间预测图，其中前景掩膜采用交叉熵损失函数优化，而分割能量图采用均方误差损失；总损失函数为两分支损失加和：L＝L
det
+λ
seg
L
seg
；λ
s...
【专利技术属性】
技术研发人员：冯尊磊，胡凯文，张圣旭明，俞晓天，宋明黎，
申请(专利权)人：浙江大学，
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。