[发明专利]一种基于Oriented Cascade Mask RCNN网络的细胞分割方法

说明书

本发明属于图像分割技术领域，公开了一种基于Oriented Cascade Mask RCNN网络的细胞分割方法，本发明基于Mask RCNN框架，结合Cascade RCNN和Oriented RCNN，提出了Oriented Cascade Mask RCNN，实现医学图像中细胞的精确分割与分类。其中，Cascade RCNN可以通过级联的分类与回归分支来达到更精准的分割效果，而Oriented RCNN则将Oriented Anchors引入到RCNN模型中，减少了边界框中的无效区域，从而减少无用特征对分割结果的影响。将这两部分结合，取得了更精确且检出率也更高的检测效果。

技术领域

本发明属于图像分割技术领域，尤其涉及一种基于Oriented Cascade Mask RCNN网络的细胞分割方法。

背景技术

在一张医学图像中将分布较为密集的细胞进行分类标注是一项非常繁琐和重复性的工作，人工完成相关的任务会非常费时费力。随着计算机技术的进步，依靠算法和机器视觉来完成这一任务变得越来越普遍，在早期，这种技术主要依靠一些图像处理算法，如分水岭、阈值分割算法等，这些算法虽然速度上较快，但精度上欠佳，存在着过分割或欠分割的缺点。随着深度学习技术的发展和计算机算力的进步，基于机器学习模型的细胞分割取得了引人注目的效果。它不仅能取得较好的分割效果，具有较高的检出率和分割精度，而且效率也较高。

在细胞分割方面，现有的效果比较好的是Mask RCNN网络。Mask RCNN网络是一个两阶段分割网络，它能同时预测出细胞所属的类别，但仅仅使用Mask RCNN会存在精度低和漏检的问题。

发明内容

本发明目的在于提供一种基于Oriented Cascade Mask RCNN网络的细胞分割方法，以解决上述的技术问题。

为解决上述技术问题，本发明的一种基于Oriented Cascade Mask RCNN网络的细胞分割方法的具体技术方案如下：

一种基于Oriented Cascade Mask RCNN网络的细胞分割方法，包括如下步骤：

步骤1：数据处理：包括图像归一化、图像去噪、图像切分以及图像增强；

步骤2：特征提取：使用Resnet-50网络对切分后的图像进行特征提取，使用ImageNet数据集对这部分进行预训练；

步骤3：RPN感兴趣区域提议：根据Resnet-50网络的输出特征输出候选框，然后根据这些候选框与真实锚框之间的IOU来将其标记为正或负样本，将候选框再传递给检测头部来完成优化；

步骤4：ROIAlign从原始特征图上找到每个ROI区域对应的特征向量：RPN输出候选框后，使用ROIAlign模块从特征图上找到对应的特征向量；

步骤5：Cascade型分类、回归与分割分支分别预测结果：Cascade型分类回归与分割分支将来自ROIAlign模块输出的每个感兴趣区域对应的特征向量进行处理，使用级联型的设计思路，每个阶段使用越来越高的IOU匹配阈值，分别使用三个内嵌的卷积结构对分类、回归与分割这三个分支进行建模；

步骤6：使用NMS对预测的倾斜框进行过滤：在使用三个分支输出分类与回归结果后，使用NMS算法对结果进行过滤，NMS算法之后，得到每个目标的具有最高置信度的预测边界框，达到有且只有一个边界框来对每个细胞进行标识与定位。

进一步地，所述步骤2使用一个倾斜的边界框去定位细胞所在的区域，所述倾斜的边界框就是细胞对应的最小外界矩形，使用cv2.minAreaRect函数求得该矩形的左上角坐标与右下角坐标。