基于多任务学习的半监督细胞实例分割方法技术

本发明专利技术设计了一种基于多任务学习的半监督细胞实例分割方法。针对细胞图像中小目标多的问题，在细胞检测下采样中采用池化、卷积和深度可分离卷积三个支路来进行特征融合，针对细胞粘连和重叠问题，细胞分割网络是一个编码器和两个解码器的结构。编码器采用ResNet50来进行特征提取，解码器采用转置卷积来恢复图像尺寸，并和上一层特征进行融合，在网络的最后一层使用ASPP模块，来增强感受野，提升对小目标的检测能力。两个解码器分别学习分类和回归距离。针对细胞图像有少量标记的图像和大量未标记的图像，采用半监督模式进行模型训练，提升模型的准确率和鲁棒性。本发明专利技术提高了细胞分割的准确率，同时对细胞边缘有更准确的分割结果。

【技术实现步骤摘要】

本专利技术涉及计算机视觉的医学图像分割，特别涉及一种两阶段多维特征融合的细胞分割方法，同时可用于半监督的细胞分割。是一种采用先目标检测后细胞分割的方法，目标检测是在yolox上进行改进的，细胞分割采用resnet50方法，这种两阶段的结合使得网络更加灵活，能够更好地适应不同细胞图像的特点，提高分割的准确性。

技术介绍

1、在当今医学图像处理领域，图像分割技术对于准确、自动化地分析细胞结构和病理性状至关重要。这种技术在细胞学研究、疾病诊断以及药物研发等方面发挥着关键作用。然而，由于细胞图像的复杂性和变异性，传统的图像分割方法在处理高分辨率细胞图像时面临一系列挑战。

2、在过去的几年里，深度学习技术的迅猛发展为图像分割带来了新的可能性。卷积神经网络(cnn)是深度学习在图像处理领域取得成功的代表之一。然而，在细胞图像分割中，仍存在一些困难，如对微小结构和边缘特征的敏感性以及对多尺度信息的有效捕获。

3、细胞图像具有丰富的形态结构和多样的外观变化，使得图像分割任务变得具有挑战性。传统的图像分割算法往往难以准确地分割具有复杂微观结构的细胞，本文档来自技高网...

【技术保护点】

1.一种基于多任务学习的半监督细胞实例分割方法，其特征在于，包括：

2.根据权利要求1所述的基于多任务学习的半监督细胞实例分割方法，其特征在于：所述S3具体包括为：编码器基于ResNet50提取多尺度细胞特征，对于输入为64×64大小的图像，经过每次下采样，图像尺寸依次减小，每一层输出的特征会经过残差块ResBlock进行通道和空间信息融合。

3.根据权利要求1所述的基于多任务学习的半监督细胞实例分割方法，其特征在于：所述S3具体包括为：解码器部分首先会进行转置卷积，通道数减半，尺寸变为原来的2倍，和上一层特征进行特征融合，经过残差块ResBlock进行特征提取；...

【技术特征摘要】

1.一种基于多任务学习的半监督细胞实例分割方法，其特征在于，包括：

2.根据权利要求1所述的基于多任务学习的半监督细胞实例分割方法，其特征在于：所述s3具体包括为：编码器基于resnet50提取多尺度细胞特征，对于输入为64×64大小的图像，经过每次下采样，图像尺寸依次减小，每一层输出的特征会经过残差块resblock进行通道和空间信息融合。

3.根据权利要求1所述的基于多任务学习的半监督细胞实例分割方法，其特征在于：所述s3具体包括为：解码器部分首先会进行转置卷积，通道数减半，尺寸变为原来的2倍，和上一层特征进行特征融合，经过残差块resblock进行特征提取；为了解决细胞粘连问题，解...

【专利技术属性】
技术研发人员：王素玉，那颖，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：