[发明专利]一种荧光图像中单神经元树突棘的自动检测方法及系统

权利要求书

1.一种荧光图像中单神经元树突棘的自动检测方法，其特征在于，包括：

根据已经追踪的单神经元树突结构，将待测三维荧光图像拆分为若干个图像块，然后将各图像块进行投影拼接后得到所述待测三维荧光图像中单神经元所有树突对应的目标待识别图像；包括：

根据已经追踪的单神经元树突结构，将单神经元的所有树突拆分成若干等长的树突段，其中，各相邻树突段间存在重合；

对于每个树突段，从所述待测三维荧光图像中取包含所述树突段的最小图像块，将所述图像块中离所述树突段轴向距离大于预设距离阈值的像素置0，然后将所述图像块沿Z轴作最大值投影得到待识别图像；

将各树突段的待识别图像按照对应的XY坐标拼在一起，得到所述待测三维荧光图像中单神经元所有树突对应的目标待识别图像；

沿所述待测三维荧光图像中单神经元树突骨架进行均匀撒种子点，并在所述目标待识别图像中取以各种子点为中心的预设大小的邻域图像块；

根据已经追踪的单神经元树突结构，将三维荧光图像拆分为若干个图像块，然后将各图像块进行投影拼接后得到所述三维荧光图像中单神经元所有树突对应的目标待识别图像；

沿所述三维荧光图像中单神经元树突骨架进行随机撒种子点，并在所述目标待识别图像和与所述三维荧光图像对应的掩码图像中取以各种子点为中心的预设大小的邻域图像块作为样本集，将所述样本集随机拆分成训练样本集和验证样本集两部分；

采用迁移学习的方式由所述训练样本集和所述验证样本集对语义分割网络进行训练得到训练后的语义分割网络，包括：

调用基于ImageNet数据集的权值初始化语义分割网络中的残差网络部分，语义分割网络中的空洞卷积模块随机初始化，在第一轮训练开始之前，将语义分割网络中的前两个残差模块的卷积层参数设置为不可学习，其他层设置为可学习，采用交叉熵作为损失函数，在第一轮训练过程中，若所述训练样本集的损失函数和所述验证样本集的损失函数满足预设要求且两者的损失函数之间的差异在预设范围内，则停止第一轮训练得到第一轮网络模型；

使用所述第一轮网络模型测试所述训练样本集中的图像块，挖掘出被错误分类的像素，在错误分类的像素里随机挑选若干种子点并以挑选出的种子点为中心提取所述预设大小的图像块作为第二轮训练的困难样本，将所述困难样本和所述训练样本集按预设比例组合重新构成第二轮训练样本集，并利用所述第二轮训练样本集训练所述第一轮网络模型，得到训练后的语义分割网络；

使用基于深度残差网络结构和多尺度空洞卷积结构的语义分割网络对各所述邻域图像块进行树突棘分割得到树突棘分割图，并融合所有邻域图像块的树突棘分割图；

对融合后的树突棘分割图进行连通域分析，得到单个的连通域，然后将每个连通域上的树突棘拆分为一个或多个树突棘后，将各连通域中的树突棘进行合并得到所述待测三维荧光图像的单神经元树突棘分割结果。

2.根据权利要求1所述的方法，其特征在于，所述基于深度残差网络结构和多尺度空洞卷积结构的语义分割网络，包括：

保留深度残差网络结构中的前三个残差模块，将所述深度残差网络结构中的第四个残差模块替换为第一间距的空洞卷积模块得到第一结构，并将由第二间距的空洞卷积模块、第三间距的空洞卷积模块、第四间距的空洞卷积模块及卷积核大小为p×p的空洞卷积模块并联后构成的多尺度空洞卷积结构串联在所述第一结构之后得到第二结构，在所述第二结构后依次串联一个残差卷积模块，一个卷积层，一个上采样层后得到所述语义分割网络。

3.根据权利要求1所述的方法，其特征在于，所述对融合后的树突棘分割图进行连通域分析，得到单个的连通域，然后将每个连通域上的树突棘拆分为一个或多个树突棘，包括：

对于一个连通域中的每个像素点，获取所述像素点的局部密度以及所述像素点到比所述像素点的局部密度高的所有像素点的最短距离；

根据所述像素点的局部密度和所述像素点对应的最短距离构成的二维特征空间选取聚类中心；

将所述连通域中的每个像素点分配到选取的聚类中心，以将所述连通域中的树突棘拆分为一个或多个树突棘。