[发明专利]一种基于U型残差神经网络的细胞图像分割示踪方法

说明书

本发明公开了一种基于U型残差神经网络的细胞图像分割示踪方法，该方法包括以下步骤：细胞图像的预处理，根据细胞数据集记录细胞核位置；移动位置向量生成，标记细胞图像中的细胞核位置与时序性变化趋势；细胞图像分割与移动位置向量预测，对细胞图像与移动位置向量同时进行特征提取与预测；移动位置向量的后处理，减少过预测位置，为未检测到位置插值；细胞寻迹分割结果，对分割结果与预测位置使用分水岭算法，得到最终结果；本发明的细胞图像示踪方法，提供了一种高效易用的分割方式，实现了对细胞图像在时间序列上的精确寻迹，同时提高了细胞分割的能力，缩减了对连续帧细胞手工标注的时间，有助于生物学中对细胞分裂分化过程中的整体观测。

技术领域

本发明属于图像处理和计算机视觉技术领域，具体为一种基于U型残差神经网络的细胞图像分割示踪方法。

背景技术

随着显微细胞图像识别在医学图像处理领域的不断发展，医学细胞图像处理方法的研究能够有效找出病理原因，便于对症下药以及研发特效药。与此同时细胞图像分割作为医学细胞图像分析和处理的关键技术，也是机器视觉的重要一环。

随着图片处理技术与计算机视觉技术的提高，细胞分割精确度不断提高，在识别出细胞轮廓并分割的基础之上，科学研究中对于多细胞场景下的识别定位提出了新的要求。细胞位置在显微镜内观察会不断变化而难以界定并标注，因此根据细胞位置在图像上的变化可以捕捉并定位到具体细胞，这在生物医学的研究中有着重要意义。

现有技术中，主要的细胞图像分割示踪方法将细胞示踪分为细胞分割、谱系分析和掩膜示踪三个步骤。细胞的分割主要是基于分水岭分割、阈值分析以及模糊理论来进行区域划分；谱系分析主要有基于距离的分析方法、基于连通分量的分析方法和基于K近邻的方法；掩膜示踪主要是在细胞分割的基础上进行的方法，主要有基于分水岭算法的掩膜示踪、基于边缘检测的掩膜示踪和基于神经网络的掩膜示踪。然而对于细胞存在重叠和粘连的情况时，用基于阈值分析的分割方法很容易导致混乱的细胞分割结果；并且对于细胞的谱系分析过程，对于细胞图像要求很高，难以做到普适性的分析过程，而且要求细胞定位精确，否则将最终示踪结果不理想。

因此，与现有技术相比，本发明的细胞图像分割示踪虽然同样使用了基于U型残差神经网络的算法，但在此基础上还进行形态学处理，再结合基于细胞核位置的估计算法；并且，与传统细胞分割示踪步骤不同的是，本发明同时进行了细胞的示踪与分割过程，并根据细胞核估计点位置对细胞图像进行了分割优化；最后，本发明对细胞掩膜分割同样用了卷积神经网络U-Net++，意在提取掩膜特征，并结合与之同步生成的位置距离图并结合时序算法对细胞图像进行分割与寻迹。

发明内容

发明目的：为了克服现有技术存在的缺点与不足，本发明提供一种基于U型残差神经网络的细胞分割示踪方法。本发明解决了细胞重叠与粘连情况下分割准确率低的问题，也对细胞分裂、细胞消失出现事件进行了高精度追踪，同时提高了细胞示踪的计算效率，本发明对细胞图像移动的位置向量进行滤波并分析，从而避免了人工标注的不确定性，同时对多种细胞分割示踪有很高的准确率。

技术方案：为实现本发明的目的，本发明采用的技术方案是：一种基于U型残差神经网络的细胞分割示踪方法，包括以下步骤：

步骤1：对获取的细胞图像进行预处理，降低噪声干扰；

步骤2：根据细胞图像与给定的对应人工注释，生成细胞的移动位置向量，然后进行图像增强，并联系连续两帧细胞图像，对后一帧细胞中心位置使用高斯滤波对标记点进行扩散处理；

步骤3：细胞分割与向量预测，首先将连续两帧原图像进行拼接，作为U型卷积神经网络的输入，输出的结果作为细胞分割的结果，并在步骤2所述的移动位置向量的基础上继续使用U型卷积神经网络提取特征并输出移动位置向量的结果，通过加入残差层以保留在特征提取与分离过程中的图像细节；