[发明专利]一种基于边缘感知网络的腺体细胞图像分割方法及装置

权利要求书

1.一种基于边缘感知网络的腺体细胞分割方法，其特征在于该方法包括：

步骤一、获取腺体细胞原图像；

步骤二、数据预处理

2.1对腺体细胞原图像调整图像大小后作为训练数据，并以腺体细胞原图像对应的分割后腺体细胞图像作为标签；

2.2使用tensorflow数据增强库对训练数据集进行数据增强；

步骤三、搭建基于边缘感知网络的腺体细胞分割网络，并利用数据增强后的训练数据进行训练

所述基于边缘感知网络的腺体细胞分割网络，包括用于语义分割的主干流，以及在边界级别处理特征图的形状流；主干流采用U-Net网络基本框架、空洞金字塔池化模块(ASPP)，形状流采用边缘感知模块；

所述U-Net网络采用编码-解码结构，最后一个编码层的输出端与空洞金字塔池化模块(ASPP)的输入端连接，空洞金字塔池化模块(ASPP)的输出端通过第一融合模块与第一个解码层的输入端连接；相邻解码层间通过第一融合模块连接；

所述空洞金字塔池化模块(ASPP)，使用具有不同空洞比率的并行空洞卷积层，对编码层输出的特征图进行不同比率的特征提取，从而得到多尺度的特征图；

所述边缘感知模块包括与编码层层数相同的边缘感知层、两个残差块，每个边缘感知层包括依次级联的卷积层、残差块、关注层；每个边缘感知层的卷积层输入端与一个编码层的输出端连接；相邻边缘感知层的关注层通过上采样层、残差块连接；最后一个编码层连接的边缘感知层中关注层的第二输入为空洞金字塔池化模块(ASPP)输出连接的第一融合模块经残差块的输出；第一个编码层连接的边缘感知层中关注层经残差块的输出与最后一个解码层的输出作为第二融合模块的输入；

步骤四、利用已训练好的基于边缘感知网络的腺体细胞分割网络，以实现腺体细胞分割。

2.如权利要求1所述的方法，其特征在于所述第一融合模块包括依次级联的第一融合层、上采样层，第一融合层用于将经跳跃连接输入的特征图和前一解码层或ASPP输出的特征图进行融合，作上采样中的信息补充；所述第二融合模块用于将解码层最后一层输出特征图与第一个编码层连接的边缘感知层中关注层经残差块输出的特征图进行融合后得到高分辨率特征图；高分辨率特征图通过残差块后经卷积映射转化为通道数为2的特征图，送入Softmax分类器以获得每个像素为细胞的概率值，得到细胞的分割概率图。

3.如权利要求1所述的方法，其特征在于所述U-Net网络包括编码模块和解码模块，所述训练数据集中预处理后图像经下采样层输入到所述编码模块中，通过所述编码模块对预处理后图像进行特征编码，所述编码模块的输出作为所述解码模块的输入，所述解码模块对输入进行特征解码；编码模块由多层编码层构成，解码模块由多层解码层构成，编码层通过跳跃连接与其相同尺寸的解码层按通道连接。

4.如权利要求3所述的方法，其特征在于所有编码层和解码层均采用残差块。

5.如权利要求1所述的方法，其特征在于所述空洞金字塔池化模块(ASPP)包括依次级联的池化层、第二融合层，池化层包括并行设置的空洞金字塔池化层、图像池化层；其中空洞金字塔池化层包括并行设置的1x1卷积层、三个不同空洞比率的3x3卷积层，图像池化层包括1个1x1卷积层；第二融合层用于将空洞金字塔池化层、图像池化层输出的特征图进行拼接合并，且使用256的1x1卷积核的滤波器和批量标准化层进行特征融合得到新的多尺度特征图。

6.如权利要求5所述的方法，其特征在于三个不同空洞比率的3x3卷积的空洞比率为[6,12,18]。

7.如权利要求1或4所述的方法，其特征在于所述的残差块均是首先对输入特征图做一个batch正则化，后经过ReLu函数，再做3x3的卷积，重复上述操作一次，最后做一个残差连接得到新特征图。