[发明专利]用改进的U-Net检测细胞核边缘的方法

摘要

一种用改进的U‑Net检测细胞核边缘的方法，由读入图像、图像预处理、构建改进的U‑Net、训练改进的U‑Net、用改进的U‑Net检测细胞核边缘、输出细胞核边缘检测结果图步骤组成。读入彩色图像进行灰度化处理得到灰度图，将所有灰度图像转为数字矩阵并进行归一化处理，归一化的数据集进行维度处理后被划分为训练集、测试集；构建改进的U‑Net的结构体，训练数据集进行数据增强后被送入改进的U‑Net中进行迭代训练，逐步缩小输出值与理想值之间的差距并保存训练过程中所更新的权重、参数；加载保存的权重、参数对测试图像进行细胞核边缘检测、可视化。与现有技术相比，改进的方法具有检测精度高等优点，可用于彩色和灰度细胞图像的细胞核边缘检测。

主权项

1.一种用改进的U‑Net检测细胞核边缘的方法，其特征在于由下述步骤组成：(1)读入图像用Python第三方工具包cv2中的imread函数读取数据集图像；(2)图像预处理1)图像灰度化、调整大小、转化为数字矩阵对读入的图像进行灰度化处理，得到灰度图像，设定灰度图像的高度为H、宽度为W，高度H与宽度W相等，以所有灰度图像的像素值建立数字矩阵m为：其中，n和j为有限的正整数；2)将数字矩阵m按式(1)进行归一化处理：其中，p为数字矩阵m中的像素值，pmax为数字矩阵m中的最大像素值，pmin为数字矩阵m中的最小像素值；3)处理归一化后的数字矩阵的维度用Python第三方工具包numpy中的newaxis函数处理归一化后的数字矩阵m的维度；4)将步骤3)处理后数字矩阵m划分成训练集、测试集；(3)构建改进的U‑Net1)构建改进的U‑Net输入层用深度学习框架Keras中的Input函数作为改进的U‑Net的输入层，构建成改进的U‑Net输入层；2)确定改进的U‑Net隐藏层的层数以及构建隐藏层在输入层后增加隐藏层hn，隐藏层hn的层数为ln，隐藏层hn的层数ln由下式确定：其中，H为灰度图像的高度,，结果向下取整；改进的U‑Net隐藏层由隐藏层下采样和隐藏层上采样组成，隐藏层下采样过程构建方法如下：a.构建卷积层用深度学习框架Keras中的Conv2d函数与改进的U‑Net输入层的输出相连，构建成卷积层，卷积核大小为7×7；b.构建胶囊层在步骤a卷积层后并联4个不同尺度的卷积单元，卷积核大小分别为1×1、3×3、5×5、7×7,构建成胶囊层；c.构建连接层用深度学习框架Keras中的concatenate函数与胶囊层的输出相连，构建成连接层；d.构建池化层用深度学习框架Keras中的pooling函数与连接层的输出相连，构建成池化层；e.将池化层的输出作为输入，重复步骤b、c、d，重复0.5×(ln－1)－1次；f.将步骤e的输出作为输入，重复步骤a，构建成卷积层，重复2次；隐藏层上采样过程构建方法如下：g.构建解卷积层用深度学习框架Keras中的Conv2dTranspose函数与步骤f中重复的卷积层的输出相连，构建成解卷积层；h.构建连接层用深度学习框架Keras中的concatenate函数将解卷积层的输出与下采样过程中对应的连接层输出相连，构建成连接层；i.将步骤h连接层的输出作为输入，重复步骤a，构建成卷积层，重复2次；j.将步骤i中重复的卷积层的输出作为输入，重复步骤g、h、i，重复0.5×(ln－1)－1次；3)构建改进的U‑Net输出层用深度学习框架Keras中的Conv2d函数与步骤j的输出相连，构建成改进的U‑Net输出层，输出层的卷积核大小为1×1，通道数为1；4)确定目标函数选取交叉熵损失函数作为改进的U‑Net的损失函数，交叉熵损失函数由下式确定：其中，m是训练样本总数为有限的正整数，x(i)为第i个样本，y(i)为第i个样本对应的标签，i为有限的正整数，hθ(x(i))为改进的U‑Net的输出；选取戴斯系数作为改进的U‑Net的评价函数，戴斯系数由下式确定：构建成在输入层与输出层之间包含ln个隐藏层的改进的U‑Net；(4)训练改进的U‑Net1)对改进的U‑Net进行训练将训练数据集送入深度学习框架Keras中的ImageDataGenerator函数构中进行数据增强，数据函数ImageDataGenerator的种子数设定为S，S为有限的正整数，将增强后的数据送入改进的U‑Net中进行训练，改进的U‑Net的学习率设定为α，优化器设定为自适应矩估计优化器，损失函数设定为交叉熵损失函数，迭代次数设定为E，每一次迭代训练次数设定为F，E和F为有限的正整数，训练直至改进的U‑Net的损失函数收敛；2)保存训练过程中更新权重和参数在训练改进的U‑Net的过程中，深度学习框架Keras实时更新权重，保存权重和参数；(5)用改进的U‑Net检测细胞核边缘1)读取待检测细胞核边缘的图像读取待检测细胞核边缘图像的方法与读入图像步骤(1)相同；2)待检测细胞核边缘的图像预处理待检测细胞核边缘的图像预处理步骤与图像预处理步骤(2)的步骤1)、步骤2)相同；3)加载改进的U‑Net以及保存的权重和参数用深度学习框架Keras中的load函数加载改进的U‑Net以及保存的权重和参数；4)对待检测细胞核边缘的图像进行细胞核边缘检测用深度学习框架Keras中的predict函数对待检测细胞核边缘的图像进行细胞核边缘检测，得到细胞核边缘检测结果图；(6)输出细胞核边缘检测结果图用Python第三方工具包matplotlib中的imshow函数输出细胞核边缘检测结果图。