1.一种基于回归修正的染色体实例分割网络,其特征在于,包括:(1)对染色体图像进行预处理;
(1a)将染色体图像放缩到512×512;
(1b)生成对应的类别标签。
(2)回归置信度的预测;
(2a)对回归分支中预测框偏移量的损失经过处理作为回归置信度PBox的真值;
(2b)利用回归分支的输出作为预测回归置信度的输入,经过全连接层获得回归置信度PBox。
(3)掩码置信度的预测;
(3a)利用预测掩码与真实掩码的IoU作为掩码置信度IoUMask的真值;
(3b)利用掩码分支的输出作为预测掩码置信度的输入,经过全连接层获得掩码置信度IoUMask。
(4)基于掩码的非极大抑制算法的设计;
(4a)尽可能保留预测框,并计算每一个掩码与其他掩码的IoU得分;
(4b)按分类置信度从高到低遍历,去除与当前掩码的IoU得分大于阈值的其他预测掩码。
(5)K‑IoU损失函数的设计;
(5a)将分割结果分成K部分,分别计算每个部分中的IoU损失;
(5b)根据每个部分中分割面积占总面积的比例作为权重,从而计算每个部分的IoU损失加权和。
(6)对基于回归修正的染色体实例分割网络进行训练;
(6a)将数据集的1/5划为测试集,1/5划为验证集,剩余的部分作为训练集。考虑到该真实数据集的数量较少,为防止过拟合,数据集首先通过翻转、旋转的方式进行扩增。考虑到图像尺寸较大,训练批次设置为1,并使用随机梯度下降(SGD)进行了100epoch的训练,初始学习率为1e‑5,学习动量为0.9,权重衰减为0.0001。
2.根据权利要求1所述的方法,其特征在于,步骤(1a)中染色体图像放缩到512×512,较短边利用零值填充。
3.根据权利要求1所述的方法,其特征在于,步骤(2a)中对预测框偏移量的损失经过1‑T(Lreg)处理作为回归置信度PBox的真值,其中Lreg是回归分支中预测框偏移量的损失,T(·)是tanh函数。
步骤(2b)中经过输出节点数为1024的全连接层,与步骤(2a)中回归置信度PBox的真值计算损失,采用交叉熵损失函数,获得回归置信度PBox。
4.根据权利要求1所述的方法,其特征在于,步骤(3b)中经过输出节点数为1024的全连接层,与步骤(3a)中预测掩码与真实掩码的IoU计算损失,采用交叉熵损失函数,得到掩码置信度IoUMask。
5.根据权利要求1所述的方法,其特征在于,步骤(4b)中将原始非极大抑制算法的阈值设置为0.9,尽可能保留预测框,并计算其中每一个预测掩码与其他预测掩码的IoU得分。
6.根据权利要求1所述的方法,其特征在于,步骤(5)中的K‑IoU损失函数表示为步骤(5a)中将分割结果分成K部分,本发明设计为4,利用两条垂直的中心线等分得到四部分,步骤(5b)中δi代表每部分中的真实掩码面积占整个真实掩码面积的比重,表示为步骤(5a)中IoUi代表每部分中的预测掩码与对应真实掩码的IoU得分。