[发明专利]三维细胞分割方法

说明书

本发明提供一种三维细胞分割方法，涉及计算机图像处理技术领域，包括：S1、采用真核模式或伪核模式对粘连细胞图像的细胞核进行过分割与筛选，在获得所有细胞的细胞核的情况下，筛选出目标细胞的细胞核；S2、将粘连细胞语义分割结果切割为不同的块，块与块之间的缝隙包括细胞之间的切割缝隙和单个细胞内部的切割缝隙；S3、基于筛选出的细胞核将不同的块融合为目标细胞图像，完成目标细胞的第一次融合；S4、基于不规则细胞的体积和接触面积对目标细胞进行第二次融合，使单个细胞内部的切割缝隙被融合及细胞之间的切割缝隙被保留，完成对目标细胞的分割。本发明提供的三维细胞分割方法能够针对不同细胞图像的不规则粘连细胞取得良好的分割效果。

技术领域

本发明涉及计算机图像处理技术领域，特别涉及一种三维细胞分割方法。

背景技术

肝脏中存在着多种类型的免疫细胞，例如巨噬细胞、树突状细胞、肝星状细胞等。免疫细胞的数量多、形态各异，并且相互接触。细胞的功能与形态紧密相关。细胞的突触结构具有多触角、多分支的特点。通过突触结构使细胞之间相互接触，从而提高信号传递效率。细胞实例分割方法能够对相互接触的细胞进行分割，获得精确的单个细胞形态。通过对单个细胞进行量化分析，有助于研究细胞的功能。目前细胞实例分割方法主要包含两条技术路线，一条是基于神经网络的分割方法，另一条是基于特征工程的分割方法。

基于神经网络的细胞实例分割方法主要包含三大步：第一步，采集大规模图像数据；第二步，手工标注图像数据，制作训练数据集；第三步，使用基于神经网络的细胞实例分割方法进行有监督学习。在神经网络训练过程中，研究者需要制作大规模数据集，从而让神经网络学的更多、学的更好。基于神经网络的细胞实例分割方法在二维任务上取得了巨大突破。在三维细胞实例分割任务中，标注一个三维训练样本所花费的时间是标注一个二维样本的N倍，因为一个三维样本在Z轴平面上具有N张切片，同时在三维空间下，细胞的接触比在二维平面上更加复杂。此外，三维神经网络参数通常比二维神经网络参数多，为了达到更好的分割效果，三维神经网络需要的训练数据也比二维神经网络多。为了解决三维细胞实例分割任务中数据集不足的问题，Cellpose方法能够重复利用二维神经网络的模型和参数，而不需要利用三维数据集进行神经网络训练。对于近似于圆形的细胞和细胞核，Cellpose方法也能够达到满意的效果。然而，由于不规则细胞间的接触情况更加复杂，Cellpose方法对不规则细胞的分割效果明显下降。所以，基于神经网络的细胞实例分割方法分割不规则细胞存在的第一个难点是三维数据集不足，神经网络方法不能达到良好的分割效果。

在光学荧光显微成像中，不同光谱吸收属性的器官和组织、不同表达模式的荧光信号以及不同密度和形态的细胞都是不同的应用场景。基于神经网络的细胞实例分割方法存在第二个难点是神经网络方法在一个确定的应用场景中取得良好效果后，更换到另一个差异明显的场景中，分割效果将会急剧下降。这个问题在机器学习领域称为训练域偏差。由于存在训练域偏差，我们需要针对新的场景重新标注新的数据集，然后再次进行训练。因此，基于神经网络的细胞实例分割方法分割不规则细胞时，存在数据集不足和训练域偏差的问题。

基于特征工程的细胞实例分割方法，例如MMQT方法(用于分割小胶质细胞)。MMQT方法整体包含两个步骤：第一步是定位小胶质细胞的细胞核；第二步是基于细胞核分离小胶质细胞。第一步，通过细胞形态确定细胞胞体，并通过DAPI染料标记细胞核。再通过细胞胞体和细胞核的空间位置关系即可准确定位细胞核的位置。小胶质细胞的细胞胞体很容易确定，进而能够准确定位细胞核的位置，所以MMQT方法能够取得很好的分割效果。

当细胞胞体和细胞核不容易定位时，严格的过滤细胞核将会导致筛选后的细胞核少于真实细胞核，从而导致欠分割；反之则会过分割。MMQT的分割效果很难在过分割和欠分割中达到平衡。

此外，MMQT方法必须通过细胞核来判断细胞的空间位置。当显微镜不能获取细胞核图像或者细胞核过于密集并粘连在一起(例如脉管周围的免疫细胞)时，则不能采集到细胞核图像，因此不能使用MMQT方法进行细胞实例分割。

发明内容