【技术实现步骤摘要】
本专利技术属于深度学习、图像分割技术网领域，具体涉及一种应用于细胞分割的边界框监督学习方法及系统。
技术介绍
1、细胞实例分割是一项关键挑战，它直接影响到细胞定量、病理分析和个性化医疗的准确性。包括水平集和分水岭在内的传统细胞分割方法缺乏灵活性和自动化。相比之下，深度学习算法通过端到端学习解决了这些难题，能自动从细胞图像中提取最佳特征，无需研究人员手动设计特征即可获得更高的准确率。然而，目前许多用于细胞分割的深度学习方法在很大程度上依赖于精确的掩膜监督训练，模型的准确性取决于注释数据的质量和数量。由于显微图像中的细胞形态复杂、边界不清晰、经常受到噪声干扰，而且需要大量的专业知识，因此注释显微图像中的细胞比注释自然图像中的物体更具挑战性。
2、细胞分割的目的是获取细胞的位置和形状，但无论是基于掩膜还是基于多边形，标注过程都非常耗时。通过相应研究表明，在coco中注释对象的边框与基于多边形注释对象的掩码相比，只需要8.8％的时间(7秒对79.2秒)。因此，以粗标注作为监督方式的深度学习方法能够有效降低标注成本。
【技术保护点】
1.一种应用于细胞分割的边界框监督学习系统，包括边界框检测模块、提示编码模块、图像编码模块和掩码解码模块，其特征在于：所述边界框检测模块提取图像中细胞的边界框，所述提示编码模块结合所述图像编码模块提取的细胞图像全局信息，对多种形式的边界框进行提示编码后，再与细胞图像全局信息共同，经所述掩码解码模块生成细胞掩码图像。
2.根据权利要求1所述的一种应用于细胞分割的边界框监督学习系统，其特征在于：所述边界框检测模块包括依次连接的骨干网、颈部网和头部网，颈部网从骨干网的不同深度获取特征信息进行相互合并后，送入头部网进行洗标边界框的预测。
3.根据权利要...
【技术特征摘要】
1.一种应用于细胞分割的边界框监督学习系统，包括边界框检测模块、提示编码模块、图像编码模块和掩码解码模块，其特征在于：所述边界框检测模块提取图像中细胞的边界框，所述提示编码模块结合所述图像编码模块提取的细胞图像全局信息，对多种形式的边界框进行提示编码后，再与细胞图像全局信息共同，经所述掩码解码模块生成细胞掩码图像。
2.根据权利要求1所述的一种应用于细胞分割的边界框监督学习系统，其特征在于：所述边界框检测模块包括依次连接的骨干网、颈部网和头部网，颈部网从骨干网的不同深度获取特征信息进行相互合并后，送入头部网进行洗标边界框的预测。
3.根据权利要求2所述的一种应用于细胞分割的边界框监督学习系统，其特征在于：所述骨干网包括依次连接的卷积块、一组卷积块和c2f模块组成的特征提取模块、sppf模块和丢弃块；细胞图像经过多层卷积网络进行特征提取。
4.根据权利要求3所述的一种应用于细胞分割的边界框监督学习系统，其特征在于：所述颈部网包括多个上采样模块、合并模块、c2f模块和卷积块，其中，第一上采样模块对丢弃块的输出进行采样，第一合并模块从骨干网深层的特征提取模块中提取深层特征，并将深层特征与第一上采样模块的输出合并后，输入第一c2f模块，第一c2f模块提取的特征经第二上采样模块采样后，通过第二合并模块从骨干网浅层的特征提取模块中提取浅层特征，并将浅层特征与第二上采样模块的输出合并后，输入第二c2f模块，第二c2f模块提取的特征一方面输入头部网，另一方面经第一卷积块提取特征后，通过第三合并模块与第一c2f模块提取的特征合并，合并后的特征经第三c2f模块后一方面输入头部网，另一方面经第二卷积块提取特征后，通过第四合并模块与丢弃块的输出合并，合并后...
【专利技术属性】
技术研发人员：朱宇，孟濬，许力，
申请(专利权)人：余姚市机器人研究中心，
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。