[发明专利]一种基于Res2-UNeXt网络结构的细胞图像分割方法

说明书

一种基于Res2‑UNeXt网络结构的细胞图像分割方法，先对网络结构进行设计，根据细胞图像的特征，设计出合适且有效的网络；在U‑Net网络中加入了残差结构和多尺度卷积方法，分割过程为：利用训练图像的标签图来得出计算Loss所需的权值图；将原始的训练数据集输入进Res2‑NeXt网络，根据计算出的损失来更新网络的参数。不断迭代训练，直到网络预测的精度可以达到一个稳定的水平；利用已经训练好的网络来预测，输入新的数据就能得到一张细胞的分割图。本发明提出了一个多尺度的网络结构Res2‑UNeXt；能更好地获取粗粒度和细粒度的信息，从而提高了本方法分割的性能。

技术领域

本发明属于图像处理领域，是一种多尺度的端到端的(细胞)图像分割方法。

背景技术

图像分割的目的是将图像分割成几个特定的、独特的区域并提取出感兴趣的对象。这是图像处理到图像分析是一个关键的步骤。随着医学图像分割技术的发展，不仅促进了图像可视化、三维重建等医学图像处理相关技术的发展，而且在生物医学图像分析中发挥着极其重要的作用。近年来，由于深度学习算法在医学图像分割中的应用，医学图像分割技术取得了巨大的进步。

基于分片架构的深度神经网络是一种较简单分割方法，它在每个像素周围选择带有该像素的标签的小块来训练网络。但是这个方法用一个分片的数据仅仅只代表整个图像中一个像素的标签，这导致该方法通常需要花费很长时间来训练一个完美的模型。

基于编解码器网络的方法例如U-Net和FCN等编解码器结构极大的提高了图像语义分割的精度。全卷积网络(FCN)是一个具有里程碑意义的分水岭，它接受任意大小的输入，并通过有效的推理和学习产生相同大小的输出。同时，他们将之前的分类网络改造成完全卷积的网络，并将迁移学习应用到分割任务中。Chen 提出的Deeplab模型首次证明锚卷积在语义分割中的重要性。为了平滑最终的分割图的边缘，Deeplab还使用了条件随机域(CRF)作为后处理步骤。此后， Ronneberger提出了U-Net架构来分割生物医学图像。它通过从较小尺寸的特征逐步向上采样到原始图像的尺寸来实现了编解码网络结构。在U-Net之后，许多 U-Net的变体结构被提出。TernausNet用VGG11编码器取代了U-Net编码器，并获得了Kaggle Carvana图像分割挑战的冠军。UNet++设计了一个具有密集跳跃连接的嵌套U-Net体系结构。此外，受到残差连接和稠密连接的启发，Res-UNet和 dense-UNet使用残差连接和稠密连接来代替U-Net的block。但是所有这些变体基本都没有关注网络多尺度信息获取的能力。而医学图像分割恰恰需要较高的精度并且医学图像分割的目标通常也是多尺度的，例如细胞图像中的细胞大小不同。因此，一个优秀的医学图像分割模型必须有能力较好获得粗粒度和细粒度的信息。换句话说，这个模型必须是一个多尺度的架构。Gao等人提出了一种新的多尺度骨干结构，称为Res2Net。它在图像分割和目标检测方面具有较好的性能。以这个架构为灵感，将Res2Net骨架结构嵌入到U-Net架构中，命名为Res2-UNeXt。

发明内容

为了弥补众多图像分割网络无法较好的获取多尺度信息的不足，本发明在 U-Net中加入了一个新的多尺度网络骨架结构——Res2Net并提出了一个多尺度的网络结构Res2-UNeXt。该结构能更好地获取粗粒度和细粒度的信息，从而提高了本方法分割的性能。

为了解决上述技术问题本发明提供如下的技术方案：

一种基于Res2-UNeXt网络结构的细胞图像分割方法，所述方法包括以下步骤：

S1.建立网络模型Res2-UNeXt:

所述网络模型Res2-UneXt中，选择U-Net这个编解码模型作为网络的基本骨架结构，融合了组卷积和残差结构的ResNeXt模型，并在ResNeXt中添加了一个分层结构，即Res2Net，该结构在网络中提出了一个新的维度，即尺度；

S2.网络架构设计细节：