[发明专利]一种基于Mask轮廓的细胞图像分割方法

说明书

一种基于Mask轮廓的细胞图像分割方法，包括以下步骤：步骤1，制作数据集；步骤2，细胞的特征提取，包括以下步骤：2.1、特征提取网络的搭建；2.2、特征多尺度融合；步骤3，多任务分支网络的搭建，主要搭建分类分支网络、分割分支网络以及Centerness分支网络，将融合后的特征分别送入多任务分支网络进一步操作；步骤4，目标Mask轮廓的生成，通过可变形卷积和Graham算法生成初始目标的Mask轮廓；步骤5，细胞图像的分割Mask轮廓精修。本发明提供了一种基于Mask轮廓的细胞图像分割方法，该方法减少了图像分割任务的复杂度，降低了对图像分割处理的时间，提升了性能。

技术领域

本发明属于计算机视觉领域，本发明公开了一种基于Mask轮廓的细胞图像分割方法。具体通过深度学习中的卷积神经网络实现细胞图像的分割，即首先利用特征提取网络ResNet和FPN对细胞的特征进行提取和多尺度融合，然后利用可变形卷积网络和Craham算法生成目标的Mask轮廓，最后通过对Mask轮廓的精修实现细胞图像的分割。

背景技术

分子细胞水平研究是新药研制的重要组成步骤，特别近些年来，癌症等细胞疾病的发病率呈逐年上升的趋势。在我国，每年有过百万人被检测出患有癌症，并有大量患者因癌症而死亡，因此，抗癌药物的研发对于癌症的治疗和预防起着至关重要的作用，医学病理细胞图像分析是抗癌药物研发过程中的一个重要步骤。在医学细胞图像分析中，细胞图像的检测与分割是最为重要的环节之一，同时也是对细胞图像进行识别等研究的基本前提。在病理细胞图像的分割任务中，最常遇到的问题是由细胞图像切片制作不理想所带来的。在切片制作过程中，显微镜下的细胞图像呈现出随机分布的状态，由于人为或自然因素而导致细胞图像中出现细胞重叠或粘连的情况。真实细胞图像具有多样性和复杂性。例如，单个细胞的大小和形状不一，团簇细胞之间发生重叠甚至相互挤压变形，细胞质及细胞核区域不均匀等。细胞图像的这些缺陷会对细胞图像的检测和分割过程造成不良影响，导致检测与分割结果出现误差。

图像分割是指根据图像的纹理、灰度、色彩、几何信息等不同特征进行区域划分，把图像分割成若干区域，将感兴趣区域提取出来的过程。随着深度学习的发展，因其优越性被广泛用于解决图像分割问题。面向CNN区域分类的图像分割算法是将传统图像处理算法与深度学习中的卷积神经网络相融合，先将输入的图片按不同的目标进行候选区域的划分，得到候选区域后再通过网络对区域内每个像素进行语义分类，然后使用分类器分类的结果对输入图像进行标注，最终得到分割的Mask结果。其中，候选区域的质量决定了图像分割的精度，故面向CNN区域分类的图像分割算法的关键在于如何从输入图像中产生不同的目标的候选区域。根据区域生成算法以及候选区域划分标准的不同，可以将面向CNN区域分类的图像分割算法分成两类：基于候选区域的方法和基于分割掩膜的方法。在基于候选区域的分割方法中常见的算法有SDS、MCG、Mask R-CNN、Mask Scoring R-CNN等，在基于掩膜的分割方法中常见的算法有DeepMask、SharpMask等。

发明内容

为了解决现有深度学习算法在细胞图像分割时存在复杂度高、处理时间慢的问题，本发明提供一种利用网络对目标生成Mask轮廓并对轮廓进行精修的细胞图像分割方法。

本发明解决其技术问题所采用的技术方案如下：

一种基于Mask轮廓的细胞图像分割方法，包括以下步骤：

步骤1：制作数据集，使用MS COCO数据集格式，人工对数据集进行Ground Truth(GT)的制作作为网络的训练集；

步骤2：特征提取网络的构建和多尺度特征的融合，特征提取网络选用深度残差网络RseNet，其中RseNet采用50层卷积结构进行搭建，同时，在特征提取网络后加入FPN网络，对提取出的特征进行多尺度的融合；

步骤3：多任务分支网络的搭建，搭建分类分支网络、分割分支网络以及Centerness分支网络，将上一步特征融合后得到的图像特征分别送入这三个分支中进一步操作处理；