[发明专利]基于生成对抗网络和Caps-Unet网络的粘连细胞核分割方法

说明书

一种基于生成对抗网络和Caps‑Unet网络的粘连细胞核分割方法，由有标签数据集A归一化预处理、构建生成对抗网络、训练生成对抗网络、检测无标签数据集B并生成对应标签、数据集B预处理、构建Caps‑Unet网络、训练Caps‑Unet网络、用Caps‑Unet网络分割粘连细胞核步骤组成。本发明采用生成对抗网络和Caps‑Unet网络相结合，在图像中标签标记不足的情况下，解决了图像数据集标注又难又少的技术问题，图像中的密集粘连细胞核分割检测的技术问题，可以生成图像的标签，能够对细胞数量进行精准地统计，与现有技术相比，本发明方法具有检测细胞核区域准确、分割粘连细胞核精度高、分割检测速度快等优点，可用于深度学习方法自动检测细胞核以及分割密集粘连细胞核。

技术领域

本发明属于图像处理技术领域，具体涉及到图像粘连细胞核的分割。

背景技术

图像分割是数字图像处理领域中的关键技术之一，它是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。计算机视觉或机器视觉迅速发展，图像处理技术的应用与推广，使得生活中各行各业都受益匪浅。计算机视觉实际上就是图像处理加图像识别，要求采用十分复杂的处理技术，需要设计高速的专用硬件。利用深度学习处理某些任务更简单，效果更好。

目前在图像分割中已研究出不少对密集粘连细胞核分割检测的深度学习的方法，比如生成对抗网络，U-Net网络，对U-Net网络改进的各种方法。生成对抗网络对密集粘连细胞核的分割检测效果不明显，而且十分的不稳定；U-Net网络对于普通细胞的分割检测效果明显，但是对密集粘连细胞核的分割效果很差；对U-Net网络改进的方法比如Caps-Unet网络，对于密集粘连细胞核的分割检测精度较之U-Net网络精度高，但也没有达到一定的要求。

发明内容

本发明所要解决的技术问题在于上述现有技术的缺点，提供一种检测细胞核区域准确、分割粘连细胞核精度高、分割检测速度快的基于生成对抗网络和Caps-Unet网络的粘连细胞核分割方法。

解决上述技术问题所采用的技术方案是由下述步骤组成：

(1)有标签数据集A归一化预处理

取原始数据集图片1384张，有标签数据集A图片1000张，无标签数据集B图片384张，图片大小为2000×2000像素。

(a)将有标签数据集A像素值归一化到[-1,1]，切分成尺寸为256×256像素的图片。

(b)将切分后有标签数据集A按3：1：1的比例分为训练集、验证集、测试集。

(2)构建生成对抗网络

采用常规的Pixel2Piexl方法构建成生成对抗网络。

(3)训练生成对抗网络

(a)训练生成对抗网络的生成器

生成对抗网络生成器的输入为有标签数据集A的图像，输出为假细胞区域图，开始训练生成对抗网络生成器，迭代M次，M为至少400的正整数，前次的学习率为α，α的取值为0＜α＜0.01，后次的学习率线性衰减。

(b)训练生成对抗网络的判别器

将生成对抗网络生成器输出的假细胞区域图与相对应的标签作为生成对抗网络判别器的输入，判别器鉴别生成器输出的假图像是否为真实图像，训练生成对抗网络的判别器，迭代N次，N为至少300的偶数，前次的学习率为β，β的取值为0＜β＜0.001，后次的学习率线性衰减。

(c)交替训练判别器与生成器

交替训练判别器与生成器，直至经判别器鉴定生成器产生的假图像是真图像的概率为0.5时，训练结束，得到生成对抗网络生成器的模型和判别器的模型。

(d)保存模型