[发明专利]基于多尺度卷积神经网络的脑神经元自动检测方法

说明书

本发明公开了一种基于多尺度卷积神经网络的脑神经元自动检测方法，首先建立数据库，构建对应真值图，随机将其分为训练集和测试集。然后，对原始彩色图像进行预处理；再次，构建多尺度卷积神经网络，预测神经元质心概率。在训练集上运用反向传播和随机梯度下降法，根据最小化交叉熵原理，训练神经网络参数，运用测试集验证神经网络的准确性；最后，通过局部极值的求取实现神经元质心的检测。本发明解决了现有技术中存在的神经元检测方法局限性大的问题。

技术领域

本发明属于计算机科学与生物医学技术领域，具体涉及一种基于多尺度卷积神经网络的脑神经元自动检测方法。

背景技术

目前，用于细胞检测的相关算法大多是针对特定的解剖区域，在这些区域中，几乎没有黏连的细胞，或者细胞密度较低。因此，应用传统的阈值分割、数学形态学方法、基于凹点检测的方法、区域生长法、分水岭算法、主动轮廓模型、混合高斯模型等方法，可以很好地检测单个细胞。但是，在高密度解剖区域中，如海马体齿状回区域，成千上万个神经元相互黏连，上述方法不再适用，很容易导致神经元的过检测和欠检测现象。而近年来广泛应用在组织学显微图像中的深度学习方法(CNN、FCRN、U-net等)可以有效地解决部分黏连神经元的自动检测问题，但是由于这些网络结构采用固定尺寸的感受野，因此，对于高密度解剖区域中大量黏连的神经元检测仍有一定的局限性。而本发明能够很好地解决上面的问题，自动检测高密度解剖区域中大量黏连的神经元。

发明内容

本发明的目的是提供一种基于多尺度卷积神经网络的脑神经元自动检测方法，解决了现有技术中存在的神经元检测方法局限性大的问题。

本发明所采用的技术方案是，基于多尺度卷积神经网络的脑神经元自动检测方法，具体按照以下步骤实施：

步骤1、建立数据库，将该数据库中的图像随机分成训练集和测试集，并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、构建多尺度卷积神经网络：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多尺度卷积神经网络的输入和输出，训练、更新网络参数，从而得到多尺度卷积神经网络的模型；

步骤4、预测神经元质心概率：将步骤2的测试集图像送入步骤3训练好的多尺度卷积神经网络模型的输入端，该网络得到的输出结果即为预测的测试集中神经元质心的概率图；

步骤5、检测神经元质心：根据步骤4的神经元质心的概率图，对图中的每个像素，提取以该像素为中心、半径为R的圆盘内概率大于T且为局部最大值的像素，T＝0.15，计算提取的全部像素的连通分量，其重心即为本发明检测到的神经元的质心。

本发明的特点还在于，

步骤1具体如下：

从数据库M张图像中随机选取N张图像作为训练集，使用剩余M-N张图像作为测试集，在上述M张图像中每个神经元中心位置即质心处手动标记一个圆盘识别每个神经元，构建真值图。

圆盘半径为5像素。

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)＝(R(x,y)+G(x,y)+B(x,y))/3/255 (1)

式中，I(x,y)为图像I中像素(x,y)的灰度归一化值，I(x,y)的范围为0-1，步骤1的数据库图像为彩色图像，由红色R、绿色G、蓝色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具体如下：