[发明专利]基于深度学习的高分辨率显微内窥镜图像细胞核分割方法

权利要求书

1.一种基于深度学习的显微内窥镜图像细胞核分割方法，其特征在于，包括如下步骤：

(1)收集原始内窥镜细胞核图像集，根据先验知识对所述原始内窥镜细胞核图像集进行细胞核的像素级标注，获取细胞核的掩膜图像集，并将所述掩膜 图像集与原始内窥镜细胞核图像集进行去中心化，使其均值为零，再进行正则化处理，获得图像数据集；所述图像数据集分为训练集以及验证集；

(2)构建分层多尺度注意机制高分辨卷积神经网络模型：所述的分层多尺度注意机制高分辨卷积神经网络模型由第一编码网络、第二编码网络、第三编码网络分别与解码网络连接组成；所述第一编码网络的结构为高分辨网络，所述第二编码网络、第三编码网络均由多个卷积层、池化层组成，所述解码网络包括三个不同尺度的特征映射层、卷积层和softmax层；

(3)训练分层多尺度注意机制高分辨卷积神经网络模型，包括如下子步骤：

(3.1)将步骤(1)中的训练集进行旋转和水平翻转后，获得扩充的训练集，将扩充的训练集输入至步骤(2)构建的高分辨卷积神经网络模型中，对于每一张训练图像，分别放大2倍、1倍、0.5倍，获得第一训练图像、第二训练图像、第三训练图像，对应输入第一编码网络、第二编码网络、第三编码网络中，提取特征图像，将三个特征图像输入解码网络中，进行融合，输出分割结果；

(3.2)采用dice loss作为损失函数：

其中，X表示真实的细胞核掩膜，Y表示训练分层多尺度注意机制高分辨卷积神经网络模型的输出分割结果；

用验证集来判断损失函数是否收敛，当损失函数收敛时，完成对高分辨卷积神经网络模型的训练；

(4)通过高分辨显微内窥镜拍摄原始细胞核图像，将原始细胞核图像输入至经步骤(3)训练好的高分辨卷积神经网络模型中，输出所述原始细胞核图像中各像素属于细胞核的预测概率，得到细胞核的分割结果。