[发明专利]一种脑神经元电子显微镜图像卷分割方法、装置以及存储介质

权利要求书

1.一种脑神经元电子显微镜图像卷分割方法，其特征在于，包括如下步骤：

导入多个原始脑神经元图像卷，并分别对各个所述原始脑神经元图像卷进行数据扩充，并集合扩充后的脑神经元图像卷得到脑神经元图像卷数据集；

随机划分所述脑神经元图像卷数据集，得到脑神经元图像卷训练集和脑神经元图像卷测试集；

构建双路分割神经网络模型，所述双路分割神经网络模型用于图像卷分割处理，所述双路分割神经网络模型包括模型前端和模型后端，

所述模型前端包括第一网络、第二网络和第三网络，所述第一网络用于学习所述脑神经元图像卷训练集的低阶特征，所述第二网络用于学习所述脑神经元图像卷训练集的高阶特征，所述第三网络用于将所述第一网络的低阶特征结果和所述第二网络的高阶特征结果进行互补，得到第一目标特征集和第二目标特征集，所述模型后端用于将所述第一目标特征集和所述第二目标特征集进行特征区域融合，得到所述脑神经元图像卷训练集的分割结果；

通过所述脑神经元图像卷训练集的分割结果以及与所述脑神经元图像卷训练集对应的所述原始脑神经元图像卷对所述双路分割神经网络模型进行参数优化，得到优化后的双路分割神经网络模型；

通过所述优化后的双路分割神经网络模型对所述脑神经元图像卷测试集进行图像卷的分割，得到所述脑神经元图像卷测试集的分割结果。

2.根据权利要求1所述的脑神经元电子显微镜图像卷分割方法，其特征在于，所述第一网络包括第一网络编码器和第一网络译码器，所述第二网络包括第二网络编码器和第二网络译码器，所述第一网络编码器包括多个顺序排列的第一卷积网络，所述第二网络编码器包括多个顺序排列的第二卷积网络，

所述第一网络用于学习所述脑神经元图像卷训练集的低阶特征，所述第二网络用于学习所述脑神经元图像卷训练集的高阶特征，所述第三网络用于将所述第一网络的低阶特征结果和所述第二网络的高阶特征结果进行互补，得到第一目标特征集和第二目标特征集的过程包括：

S311：通过首个所述第一卷积网络提取所述脑神经元图像卷训练集中各个所述脑神经元图像卷的特征，并集合提取的所有特征得到第一初始特征集；

S312：通过首个所述第二卷积网络提取所述脑神经元图像卷训练集中各个所述脑神经元图像卷的特征，并集合提取的所有特征得到第二初始特征集；

S313：通过首个所述第二卷积网络提取所述第一初始特征集中各个所述第一初始特征的特征，并集合提取的所有特征得到第三初始特征集；

S314：通过首个所述第一卷积网络提取所述第二初始特征集中各个所述第二初始特征的特征，并集合提取的所有特征得到第四初始特征集；

S315：通过第一式对所述第二初始特征集和所述第三初始特征集进行第五初始特征集的计算，得到第五初始特征集，所述第一式为：

F′_U＝R_U+F_O，

其中，F′_U为第五初始特征集，R_U为第三初始特征集，F_O为第二初始特征集；

S316：通过第二式对所述第一初始特征集和所述第四初始特征集进行第六初始特征集的计算，得到第六初始特征集，所述第二式为：

F′_O＝R_O+F_U，

其中，F′_O为第六初始特征集，R_O为第四初始特征集，F_U为第一初始特征集；

S317：将所述第五初始特征集作为下一个第一卷积网络的脑神经元图像卷训练集，并执行S311，得到下一个第一卷积网络的第一初始特征集；

S318：将所述第六初始特征集作为下一个第二卷积网络的脑神经元图像卷训练集，并返回S312，直至通过所有的第一卷积网络，从而得到最后一个第一卷积网络的第五初始特征集和最后一个第二卷积网络的第六初始特征集。