[发明专利]一种基于Mask R-CNN的斑马鱼形态学分类方法

说明书

本发明涉及一种基于Mask R‑CNN的斑马鱼形态学分类方法，应用于斑马鱼形态学分类领域，针对现有斑马鱼形态学观察方法非常耗时且评价标准不明确的问题，本发明首先获取斑马鱼幼鱼形貌表型图像数据；使用imgaug进行数据扩增，搭建Mask R‑CNN实例分割网络对数据集进行训练，将训练好的模型用于斑马鱼幼鱼形貌图像的识别及形态学分类。与现有方法相比，本发明可实现对斑马鱼幼鱼形貌图像的快速识别和分类，完成对斑马鱼幼鱼形态学的自动分析，能够有效节约时间成本，帮助降低研究人员的主观判断误差，实用性强、准确率高、普适性强。

技术领域

本发明涉及斑马鱼形态学分类领域，具体涉及一种基于Mask R-CNN的斑马鱼形态学分类方法。

背景技术

斑马鱼作为筛选环境有毒物质，人造化学物质和药物的理想模式生物，其胚胎多被用在急性毒性筛选来评估化学物质的生物毒性。传统的方法中，研究人员通过显微镜来观察斑马鱼胚胎的发育情况，通过其毒性终点(死亡、孵化、发育延缓、畸形等形貌)来判断化学物质对胚胎的影响程度。但在现有的斑马鱼形态学评价体系中，因为一个视野中通常同时存在多条运动的鱼，要快速准确观察并记录其形貌特点并做出判断需要耗费大量的时间和人力成本。且在相互独立的研究中进行数据平行比较时，斑马鱼的形态评价基于不同研究人员的主观判断，由于人为先验知识的影响将限制数据深度挖掘的可能性。随着所需测试毒性的化学物质累积及图像数据的爆发性增长，需要有一种能快速高效且能自动化分析斑马鱼胚胎形貌类别的图像检测方法。

专利CN111583207A公开了一种斑马鱼幼鱼心脏轮廓确定方法，采集多张测试集斑马鱼幼鱼显微图像和训练集斑马鱼幼鱼显微图像；将各训练集斑马鱼幼鱼显微图像进行裁剪处理，得到裁剪处理后的幼鱼区域；对各幼鱼区域进行椭圆拟合，得到斑马鱼幼鱼心脏轮廓的特征点坐标；根据各幼鱼区域和相应的特征点坐标进行卷积神经网络的训练；根据测试集斑马鱼幼鱼显微图像对训练后的网络模型进行优化；将待预测的斑马鱼幼鱼显微图像作为输入输入至优化后的网络模型，得到待预测幼鱼心脏轮廓的特征点坐标；根据待预测幼鱼心脏轮廓的特征点坐标，确定斑马鱼幼鱼心脏轮廓，然而，该专利仅用于在单次单条的条件下预测斑马鱼幼鱼的心脏位置，功能较为局限；该专利在预测斑马鱼心脏位置前需要先手动截取斑马鱼幼鱼的头部部分，耗费人力；该专利通过预测椭圆形上的八个关键点来生成斑马鱼幼鱼的心脏区域，不能精细的拟合各种形态下斑马鱼幼鱼的心脏位置。本专利可以同时预测图片中包含的所有斑马鱼幼鱼的种类和轮廓掩码；本专利可以直接对实验拍摄的图像进行处理，中间过程不再需要人工参与；本专利通过像素级的轮廓掩码来预测斑马鱼幼鱼的整体位置，精细程度高，不需局限于特定形态。

发明内容

本发明的目的就是针对斑马鱼形态学评价过程耗时且评价标准不明确的问题，基于现有的深度学习技术，提供一种基于Mask R-CNN的斑马鱼形态学分类方法，实现对斑马鱼形貌图像的批量处理及形态学自动分类。

本发明的目的通过以下技术方案实现：

一种基于Mask R-CNN的斑马鱼形态学分类方法，包含以下步骤：

S1、获取斑马鱼幼鱼形貌表型数据，包括含有正常孵化、脊柱弯曲、心包水肿、孵化后坏死、尾部下弯、尾部上翘、卵黄延伸畸形、卵黄囊水肿八类常见形貌类型的斑马鱼幼鱼图像，建立斑马鱼幼鱼形貌表型的图像数据集；

S2、将斑马鱼形貌数据集依据7:3的比例划分为训练数据集和测试数据集，使用imgaug对训练集中的斑马鱼形貌图像进行预处理及数据增强，提高模型的鲁棒性；

S3、搭建Mask-RCNN目标实例分割网络模型，将正常孵化、脊柱弯曲、心包水肿、孵化后坏死、尾部下弯、尾部上翘、卵黄延伸畸形、卵黄囊水肿八图像及标注信息输入网络进行训练。模型使用ResNet-50作为骨干网络，使用RPN和FPN进行多尺度的目标检测和特征融合，通过ROI Align结构利用双线性差值方法提高实例分割精度，将目标检测、实例分割和分类预测分为三个Head同时进行训练，从而实现对图像中斑马鱼的目标实例分割；