[发明专利]基于分割和误差引导的脑神经元迭代分割方法

权利要求书

1.一种基于分割和误差引导的脑神经元迭代分割方法，其特征在于，具体按照以下步骤实施：

步骤1、建立脑神经元分割数据库，将脑神经元分割数据库内的数据随机分成训练集和测试集，并标记神经元像素，构建对应的训练集真值图和测试集真值图；

所述步骤1具体如下：

从2张猴脑冠状切片的显微图像中截取不同解剖区域的100张大小为512×512像素的显微图像构成脑神经元分割数据库，在100张图像中随机选取N张图像作为训练集，使用剩余100-N张图像作为测试集，在上述100张图像中手动标记神经元像素，得到脑神经元分割数据库的真值图；

步骤2、对步骤1建立的训练集和测试集分别进行预处理，得到归一化的训练集图像和测试集图像；

所述步骤2具体如下：

对步骤1建立的数据库图像进行预处理，得到归一化的图像I：

I(x,y)＝(0.299×R(x,y)+0.587×G(x,y)+0.114×B(x,y))/255(2)

式中，I(x,y)为图像I中像素(x,y)的归一化值，范围为0-1，步骤1的数据库图像为彩色图像，由R、G、B分量构成，R(x,y)为像素(x,y)在R分量中的灰度级，G(x,y)为像素(x,y)在G分量中的灰度级，B(x,y)为像素(x,y)在B分量中的灰度级；

步骤3、构建基于分割和误差引导的脑神经元迭代分割网络，采用步骤2的训练集图像和步骤1的训练集真值图分别作为基于分割和误差引导的脑神经元迭代分割网络的输入和输出，训练、更新网络参数，从而得到训练好的基于分割和误差引导的脑神经元迭代分割网络的模型；

所述步骤3具体如下：

步骤3.1、构建多尺度编码器网络，在不同尺度提取神经元特征；

所述步骤3.1中多尺度编码器网络由L1、L2、L3、L4、L5模块构成，步骤3.1具体如下：

步骤3.1.1、在模块L1中，使用大小为3×3像素的32个卷积核对步骤2的训练集图像进行两次连续的卷积操作和激活操作，得到特征图f^m×n×d，m和n代表特征图的长和宽，d代表特征图的维数，步骤3.1.1的特征图尺寸为f^512×512×32；

步骤3.1.2、对步骤3.1.1得到的特征图执行一次最大池化操作，得到特征图f^256×256×32；

步骤3.1.3、在模块L2中，使用大小为3×3像素的64个卷积核对步骤3.1.2得到的特征图进行两次连续的卷积操作和激活操作，得到特征图f^256×256×64；

步骤3.1.4、对步骤3.1.3得到的特征图执行一次最大池化操作，得到特征图f^128×128×64；

步骤3.1.5、在模块L3中，使用大小为3×3像素的128个卷积核对步骤3.1.4得到的特征图进行两次连续的卷积操作和激活操作，得到特征图f^{128×128×128}；

步骤3.1.6、对步骤3.1.5得到的特征图执行一次最大池化操作，得到特征图f^64×64×128；

步骤3.1.7、在模块L4中，使用大小为3×3像素的256个卷积核对步骤3.1.6得到的特征图进行两次连续的卷积操作和激活操作，得到特征图f^64×64×256；

步骤3.1.8、对步骤3.1.7得到的特征图执行一次最大池化操作，得到特征图f^32×32×256；

步骤3.1.9、在模块L5中，使用大小为3×3像素的512个卷积核对步骤3.1.8得到的特征图进行两次连续的卷积操作和激活操作，得到特征图f^32×32×512，至此，神经元的特征在不同尺度上被提取；

步骤3.2、构建多目标解码器网络，多目标解码器网络由3条路经组成，分别用来预测神经元分割结果、神经元分割结果的假阴错误和神经元分割结果的假阳错误；

所述步骤3.2中多目标解码器网络由3条路径组成，具体如下：

a.多目标解码器路径1由L4seg、L3seg、L2seg、L1seg模块构成，用来预测神经元分割结果，具体步骤如下：

步骤3.2.a.1、对步骤3.1.9的结果进行一次上采样，使用大小为3×3像素的256个卷积核得到特征图f^64×64×256；

步骤3.2.a.2、在模块L4seg中，将步骤3.1.7的结果和步骤3.2.a.1的结果级联，再使用大小为3×3像素的256个卷积核执行两次卷积操作，得到特征图f^64×64×256；

步骤3.2.a.3、对步骤3.2.a.2的结果使用大小为3×3像素的2个卷积核得到特征图f^64×64×2，应用sigmoid激活函数，得到神经元概率图即为步骤1的训练集图像在L4seg模块中得到的每个像素为神经元的概率，概率越大，该像素为神经元的可能性越大；

步骤3.2.a.4、对步骤3.2.a.2的结果进行一次上采样，使用大小为3×3像素的128个卷积核得到特征图f^{128×128×128}；

步骤3.2.a.5、在模块L3seg中，将步骤3.1.5的结果和步骤3.2.a.4的结果级联，再使用大小为3×3像素的128个卷积核执行两次卷积操作，得到特征图f^{128×128×128}；

步骤3.2.a.6、对步骤3.2.a.5的结果使用大小为3×3像素的2个卷积核得到特征图f^128×128×2，应用sigmoid激活函数，得到神经元概率图

步骤3.2.a.7、对步骤3.2.a.5的结果进行一次上采样，使用大小为3×3像素的64个卷积核得到特征图f^256×256×64；

步骤3.2.a.8、在模块L2seg中，将步骤3.1.3的结果和步骤3.2.a.7的结果级联，再使用大小为3×3像素的64个卷积核执行两次卷积操作，得到特征图f^256×256×64；

步骤3.2.a.9、对步骤3.2.a.8的结果使用大小为3×3像素的2个卷积核得到特征图f^256×256×2，应用sigmoid激活函数，得到神经元概率图

步骤3.2.a.10、对步骤3.2.a.8的结果进行一次上采样，使用大小为3×3像素的32个卷积核得到特征图f^512×512×32；

步骤3.2.a.11、在模块L1seg中，将步骤3.1.1的结果和步骤3.2.a.10的结果级联，再使用大小为3×3像素的32个卷积核执行两次卷积操作，得到特征图f^512×512×32，得到的特征图的尺寸恢复为步骤2的训练集图像的尺寸512×512，此时，特征图的维数为32；

步骤3.2.a.12、对步骤3.2.a.11的结果使用大小为3×3像素的2个卷积核得到特征图f^512×512×2，应用sigmoid激活函数，得到神经元概率图

b.多目标解码器路径2由L4e1、L3e1、L2e1、L1e1模块构成，用来预测神经元分割结果的假阴错误，具体步骤与3.2.a.1到3.2.a.12一致，最后得到L4e1到L1e1的概率图分别为分别为L4e1、L3e1、L2e1、L1e1模块预测的神经元分割结果的假阴错误；

c.多目标解码器路径3由L4e2、L3e2、L2e2、L1e2模块构成，用来预测神经元分割结果的假阳错误，具体步骤与3.2.a.1到3.2.a.12一致，最后得到L4e2到L1e2的概率图分别为概率图分别为L4e2、L3e2、L2e2、L1e2模块预测的神经元分割结果的假阳错误；至此，多目标解码器网络的3条路径构建完成；

步骤3.3、构建基于分割和误差引导的脑神经元迭代分割网络；

步骤3.4、将步骤2的训练集图像作为步骤3.1中构建的码器网络的输入，将步骤1的训练集真值图作为步骤3.3中构建的基于分割和误差引导的脑神经元迭代分割网络的输出，使用反向传播和随机梯度下降法，计算损失函数，根据最小化损失函数原理，训练、更新网络参数，直至训练次数达到Q次停止，得到基于分割和误差引导的脑神经元迭代网络模型；

步骤4、将步骤2的测试集图像送入步骤3训练好的基于分割和误差引导的脑神经元迭代分割网络模型的输入端，输出结果即为预测的测试集中神经元的概率图；

步骤5、提取步骤4的神经元的概率图中概率大于0.5的像素，即为得到的神经元分割结果。