[发明专利]基于改进U-Net网络的胸腺细胞图像分割方法

权利要求书

1.一种基于改进U-Net网络的胸腺细胞图像分割方法，其特征在于，包括以下步骤：

将UCSB breast图像数据集进行图像预处理；

在U-Net网络中，加入空洞残差模块和注意力模块；

对U-Net网络根据设定的训练策略进行训练；

建立包括F1评分，对象级Dice系数和Hausdorff距离的评估指标，通过评估指标优化网络，得到最优模型；

将需分割的细胞图像输入最优模型，经过特征提取和特征上采样得到分割蒙版。

2.根据权利要求1所述的方法，其特征在于，所述图像预处理包括旋转、裁剪和翻转变换得到固定大小的输入图像。

3.根据权利要求1所述的方法，其特征在于，所述图像预处理为相似变换增强法，相似变换由以下得到：

将公式用M1表示，约束条件表达式为：

求M1的最小值，得到矩阵M为：

其中，μ_s等于

将矩阵M带入M1得到相似变换的变形函数：

其中，A_i仅与控制点的集合p有关，由下式得到：

4.根据权利要求1所述的方法，其特征在于，所述注意力模块定义如下：

其中，和分别代表输入和输出，g_i代表高层次上下文信息提供的门信号，代表sigmoid激活函数，Θ_att包括：线性转换参数和偏置

5.根据权利要求1所述的方法，其特征在于，所述空洞残差模块中的空洞卷积核通过在传统卷积核中插入不同尺度的零得到。

6.根据权利要求1所述的方法，其特征在于，所述设定的训练策略为端到端的训练方式，网络从原始图像中随机裁剪一个464*464的区域作为输入，输出胸腺的轮廓预测掩码；训练一共75个阶段，每批次20张图像，初始学习率为0.001，最后的分类层学习率为0.01，每迭代1000次学习率乘以0.1，并采用0.9的动量和0.0005的权重衰减。

7.根据权利要求1所述的方法，其特征在于，所述F1评分由下式定义：

其中，TP代表原本为胸腺并检测为胸腺，FP代表原本非胸腺但检测为胸腺，FN代表原本为胸腺但检测为非胸腺，Precision代表准确率，Recall代表召回率。

8.根据权利要求1所述的方法，其特征在于，所述对象级Dice系数为集合相似度度量函数，由下式计算X,Y样本的相似度：

9.根据权利要求1所述的方法，其特征在于，所述Hausdorff距离为用于度量空间中X,Y子集之间的距离，由下式得到：