[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

说明书

本发明提供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，方法包括：分别对各个原始脑神经元图像卷的数据扩充得到脑神经元图像卷数据集，随机划分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，通过脑神经元图像卷训练集的分割结果以及原始脑神经元图像卷对双路分割神经网络模型的参数优化得到优化后的双路分割神经网络模型。本发明能够捕捉到精细细节和准确边缘，提升了收敛速度以及抗噪性能，解决了在检测脑神经元小结构时性能不佳，并且无法精确分割边界区域的问题，并拓展了双路分割神经网络的应用范围。

技术领域

本发明主要涉及图像分析技术领域，具体涉及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。

背景技术

自动重建神经元的三维形态一直是神经科学领域最具挑战性的问题之一，使用电子显微镜采集到的脑神经元图像数据的分辨率是纳米级别的，且数据规模庞大。以顺序分割2D切片的方式对这些大规模神经元图像进行目标分割是非常繁琐的，分割效率也很低，因为相邻的切片之间有着大量的冗余特征信息。基于2D切片形式的神经元图像分割一般只是考虑图像的空间特征，很少有效地利用到相邻切片图像间的时序关联特征。将这些神经元图像3D体采用有效的方式进行完全注释以创建大量和丰富的训练数据集，对基于机器学习方式的神经元图像分割来说是必不可少的数据预处理环节。

近年来，最先进的生物医学图像分割方法是基于深度学习的卷积神经网络，卷积神经网络提取的数据特征质量高，可以有效地表示图像和感兴趣的区域。相比较于传统机器学习方法采用人工提取特征，深度学习技术从图像中自动提取特征。在计算机视觉和医学图像分析中，大多数用于语义分割的体系结构都是基于编码器-解码器架构的网络或其变体。其中Unet是目前较为常用的一种，由于较强的可拓展性、卓越的特征表达、鲁棒的学习能力，已经在2D和3D生物医学图像数据分割方面表现出了优异的性能。Unet及其变体所具有的多尺度结构，使得该网络可以有效地预测大目标区域，同时具有非常高的计算及统计效率。

Unet及其变体网络主要专注于学习高阶特征，很少去关注低阶特征的信息，然而低阶特征对于检测小结构确是至关重要的。因而，基于编码器-解码器架构的方法在检测小结构时性能不佳，并且无法精确分割边界区域，尽管可以通过跳跃连接将低阶特征传送到输出层，但分割性能依然得不到有效的提升。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供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。

本发明解决上述技术问题的技术方案如下：一种脑神经元电子显微镜图像卷分割方法，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。