一种快速高精度细胞识别及分割方法技术

本发明专利技术公开了一种快速高精度细胞识别及分割方法，包括对细胞图像及对应掩码进行仿射、放大变换，计算出中心掩码，构造多编码

【技术实现步骤摘要】
一种快速高精度细胞识别及分割方法


[0001]本专利技术涉及细胞识别分割
，具体为一种快速高精度细胞识别及分割方法。

技术介绍

[0002]目前传统的细胞图像处理技术主要采用图像分割算法来实现细胞实例的分割，其中最常用的是基于阈值分割、边缘检测、区域生长等传统算法；这些算法虽然简单易实现，但是在细胞形态复杂、背景噪声较多、分割精度要求高等情况下，往往会出现分割不准确的问题；随着深度学习的发展，特别是语义分割和实例分割技术的兴起，越来越多的研究者开始使用深度学习算法来进行细胞图像处理。
[0003]基于阈值的语义分割算法，主要依赖于“最大内方差”计算所得的阈值，以荧光图片为例低于此阈值的视为背景，而高于此阈值的视为前景。该方法最大的缺陷无法对复杂的图片场景进行处理，特别是对于明场图片更是无法有效的区分杂质和细胞区域；即使使用窗口自适应模式，也无法完全解决此问题，反而有可能把背景噪声识别为前景，而且对于荧光成像不完全的类器官图像，类器官内部结构荧光信号较弱，通常需要“填洞”算法进行填充才能得到较好的分割结果，但该算法对于内部信号严重缺失的细胞或类器官图像依然存在识别不准确的情况，由于阈值划分只能实现前背景的区分，无法做到对单个细胞的实例分割，需要依赖于如漫水岭算法的后续处理。
[0004]基于深度学习的语义分割算法，将深度神经网络或卷积神经网络应用于细胞分割一定程度可以规避阈值算法识别不准确的问题；但是，同阈值算法一样，该方法依然依赖于漫水岭算法实现对单个细胞的实例分割；对于粘连比较严重的细胞图像，依然无法实现较准确的单个细胞的识别。
[0005]基于深度学习的实例分割算法，该类方法一是通过递归卷积神经网络实现了实例分割，但是由于模型更加复杂，特别是对于较稠密的细胞图像，网络的空间和时间复杂度皆高于单纯的语义分割算法；以MASK R
‑
CNN为代表的算法主要是将不同的实例/物体预测成一个多层的mask 且对每层mask所对应物体的分类进行预测，这种方法同样在数以千计的细胞图像上面显得难以适用。
[0006]传统的语义分割算法能够识别出图像的前景和背景，但无法对细胞进行准确的实例分割，因此需要使用漫水填充等算法进一步处理；而实例分割网络能够直接识别出每个细胞的位置和轮廓，但需要更多的数据和计算资源来训练和运行模型，且响应时间较长。针对上述问题，本专利技术提出了一种新的快速高精度细胞实例分割算法，通过综合利用特征提取、降维处理、聚类、模型训练和精调等多种先进技术，实现对细胞图像的高精度实例分割；相比传统算法和实例分割网络，本专利技术具有更高的分割精度和更快的响应时间，并且不需要大量的训练数据和计算资源。因此，本专利技术具有广泛的应用前景，可用于生物学研究、医学诊断、药物研发等领域。

技术实现思路

[0007]本专利技术的目的在于提供一种快速高精度细胞识别及分割方法，以解决上述
技术介绍
中提出的问题。
[0008]为实现上述目的，本专利技术提供如下技术方案：一种快速高精度细胞识别及分割方法，包括以下步骤：步骤1：给定任意一组细胞图像组及每张细胞图像对应的掩码，对图像组及掩码分别进行仿射、放大变换，得到新图像组和对应的新掩码；步骤2：依次计算新掩码中的细胞的像素中心，得到中心掩码；步骤3：构造多编码
‑
自动编码器模型，新图像组为编码器模型的输入，编码器模型的输出为隐含空间；步骤4：将隐含空间利用PCA算法进行降维处理，得到三维的隐藏变量；步骤5：将隐藏变量利用自聚类算法 K
‑
Means进行聚类，将隐藏变量变为若干聚类；步骤6：利用步骤1中的新图像组和新掩码训练细胞掩码识别网络并得到训练完成的第一网络模型，利用步骤1中的新掩码组和未变化前的掩码训练细胞掩码识别网络并得到训练完成的第二网络模型；步骤7：利用步骤5中的若干聚类分别训练第一网络模型和第二网络模型，得到优化后的第一优化模型和第二优化模型；步骤8：使用第一优化模型计算出待分割细胞图像的掩码，使用第二优化模型计算出待分割细胞图像的掩码，再以掩码为种子点，为前景，实现对细胞的精准分割，得到单个细胞掩码。
[0009]优选的，步骤3中多编码
‑
自动编码器模型还对不同的空间变化设置了不同的编码器，编码器以新图像组为输入，输出为隐含向量。
[0010]优选的，多编码
‑
自动编码器模型内还设有解码器，解码器以隐含向量为输入，输出为隐含空间。
[0011]优选的，步骤4将隐含空间利用 PCA算法进行降维处理具体步骤如下：步骤1：计算隐含空间中每个维度的平均值；步骤2：将隐含空间的每个维度中的数据减去对应维度的平均值，得到中心化数据矩阵；步骤3：计算中心化数据矩阵的协方差矩阵；步骤4：计算协方差矩阵的特征值和特征向量；步骤5：对特征值进行降序排列，选择前3个最大的特征值对应的特征向量组成投影矩阵；步骤6：将中心化数据矩阵乘以投影矩阵，得到降维后的三维隐藏变量。
[0012]优选的，步骤5中聚类数量为3，聚类，步骤7将第一网络模型复制三份，分别记为，将第二网络模型复制三份，分别记为。
[0013]优选的，分别训练和，并得到训练完成的和，分别训练和
，并得到训练完成的和，分别训练和，并得到训练完成的和。
[0014]优选的，步骤6中的第一网络模型和第二网络模型均以U
‑
NeT为主干网络，第一网络模型和第二网络模型两者的损失函数相同。
[0015]优选的，步骤6与步骤7判断模型训练完成的依据是损失函数不再发生显著的变化。
[0016]优选的，步骤1得到的新图像组的大小为256X256。
[0017]与现有技术相比，本专利技术的有益效果是：第一、模型简单，无需对数据做特别的处理，所有现在的开源数据集亦可以直接拿来使用。
[0018]第二、兼容性高，由于对整个任务实现了分治处理，在确定细胞中心的算法中，引入一些策略使整个任务训练难度得到降低，由于细胞中心的确定，即使是对于极度粘连的细胞亦能实现较好的分割。
[0019]第三、速度快，使用时的时间复杂度是语义分割的两倍，由于可以并行计算，故可以降为普通语义分割的时间。
[0020]第四、扩展性强，由于将分割种子点和前背景识别分离，故可以对不同子模块以更高的扩展性或采用性能更优异的替代子算法。
[0021]本专利技术克服了传统以语义分割为主的算法在处理细胞粘连上性能较低的缺陷，又吸取了实例分割算法对细胞分割的优势，同时避免了使用实例分割算法所带来的空间和计算复杂度。
附图说明
[0022]图1为本专利技术算法原理图；图2为本专利技术中双UNET语义分割网络实现实例分割原理图；图3为本专利技术漫水岭算法分割原理图；图4为本专利技术数据实例预处理；图5为本专利技术多编码
‑
自动编码器模型原理图。
具体实施方式
[0023]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，所描述的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种快速高精度细胞识别及分割方法，包括以下步骤：步骤1：给定任意一组细胞图像组及每张细胞图像对应的掩码，对图像组及掩码分别进行仿射、放大变换，得到新图像组和对应的新掩码；步骤2：依次计算新掩码中的细胞的像素中心，得到中心掩码；步骤3：构造多编码
‑
自动编码器模型，所述编码器模型输入为新图像组，输出为隐含空间；步骤4：将隐含空间利用PCA算法进行降维处理，得到三维的隐藏变量；步骤5：将隐藏变量利用自聚类算法 K
‑
Means进行聚类，将隐藏变量变为若干聚类；步骤6：利用步骤1中的新图像组和新掩码训练细胞掩码识别网络并得到训练完成的第一网络模型，利用步骤1中的新掩码组和未变化前的掩码训练细胞掩码识别网络并得到训练完成的第二网络模型；步骤7：利用步骤5中的若干聚类分别训练第一网络模型和第二网络模型，得到优化后的第一优化模型和第二优化模型；步骤8：使用第一优化模型计算出待分割细胞图像的掩码 ，使用第二优化模型计算出待分割细胞图像的掩码，再以掩码为种子点，为前景，实现对细胞的精准分割，得到单个细胞掩码。2.根据权利要求1所述的一种快速高精度细胞识别及分割方法，其特征在于：步骤3中多编码
‑
自动编码器模型还对不同的空间变化设置了不同的编码器，编码器以新图像组为输入，输出为隐含向量。3.根据权利要求2所述的一种快速高精度细胞识别及分割方法，其特征在于：所述多编码
‑
自动编码器模型内还设有解码器，解码器以隐含向量为输入，输出为隐含空间。4.根据权利要求1所述的一种快速高精度细胞识别及分割方法，其特征在于：步骤4将隐含空间利用PCA算法进行...

【专利技术属性】
技术研发人员：肖红江，陈荣周，肖声平，
申请(专利权)人：杭州济扶科技有限公司，
类型：发明
国别省市：