[发明专利]基于分割和误差引导的脑神经元迭代分割方法

说明书

本发明一种基于分割和误差引导的脑神经元迭代分割方法，首先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；对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；构建基于分割和误差引导的脑神经元迭代分割网络，将测试集图像送入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；提取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，本发明解决了现有技术中存在的分割全脑神经元时的精度较低的问题。

技术领域

本发明属于计算机科学与生物医学技术领域，具体涉及一种基于分割和 误差引导的脑神经元迭代分割方法。

背景技术

精确分割神经元是全脑神经元实例分割的关键。目前，深度学习方法应 用到显微图像的大量实例表明，深度学习可以有效提高目标分割结果。我们 建立的基于猕猴脑显微图像的数据集，涵盖了所有大脑解剖区域，在同一解 剖区域或不同解剖区域中，神经元的染色强度不同，神经元类内差异大，神 经元和组织结构类间差异小，使得全脑神经元分割非常具有挑战性。目前，国内外学者对于细胞分割问题已经做了大量的研究工作，提出了许多自动分 割细胞的方法。但是，由于①全脑神经元染色强度不一致，类内差异性较大， 类间差异性较小；②专家标记的样本数量有限；③标记样本中不同类型的神 经元数量不平衡等，导致应用深度学习方法分割全脑神经元的精度受限。因 此，本发明基于分割和误差引导的脑神经元迭代分割方法能够很好地解决上 面的问题，有效提高不平衡小样本条件下全脑神经元的分割精度。

发明内容

本发明的目的是提供一种基于分割和误差引导的脑神经元迭代分割方 法，解决了现有技术中存在的分割全脑神经元时的精度较低的问题。

本发明所采用的技术方案是，一种基于分割和误差引导的脑神经元迭代 分割方法，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；

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；

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；

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。

本发明的特点还在于，

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)