1.一种基于深度矢量场回归的三维细胞图像实例分割方法,其特征在于,包括以下步骤:
11)三维细胞图像原始数据和标签数据的获取和预处理:获取三维细胞原始图像和标签图像,将三维细胞原始图像进行切块处理作为训练集;将标签图像进行矢量处理并获得标签图像的矢量图;
12)实例分割深度回归神经网络的构建:基于卷积神经网络模型搭建实例分割深度回归神经网络,设计网络训练的损失函数以及参数设置;
所述实例分割深度回归神经网络的构建包括以下步骤:
121)设定实例分割深度回归神经网络基于卷积神经网络,卷积神经网络的基础网络为U-Net架构,卷积神经网络的输入为一通道三维原始图像;
122)设定卷积神经网络的输出与输入图像尺寸相同,但输出为三通道的三维图像拼接而成,三个通道分别表示x、y、z坐标;
123)设定卷积神经网络的损失函数为距离损失LL
其中,α和β是权重系数;
124)针对总损失函数中的权重系数,设定权重系数比为7:1,总的损失函数设计如下:L
125)设定去除U-Net架构最后一层softmax层;
13)实例分割深度回归神经网络的训练:将预处理之后的三维细胞图像和标签图像的矢量图输入实例分割深度回归神经网络进行训练;
14)三维细胞距离图的获得:获取待分割的三维细胞原始图像,并将待分割的三维细胞原始图像输入训练后的实例分割深度回归神经网络,输出三通道三维细胞矢量图;对三通道三维细胞矢量图进行欧式距离变换,将其转换为待分割的三通道三维细胞距离图;
15)三维细胞实例分割结果的获得:对待分割的三通道三维细胞距离图进行后处理,得到分割出的三维细胞实例结果。
2.根据权利要求1所述的一种基于深度矢量场回归的三维细胞图像实例分割方法,其特征在于,所述实例分割深度回归神经网络的训练包括以下步骤:
21)对标签图像的矢量图进行图像预处理,获得细胞内每个像素对应的最近邻背景像素的位置;其图像预处理方法如下:
211)将细胞内每个像素对应的最近邻背景像素的坐标减去细胞内该像素的位置,得一个位置矢量,表示细胞内像素到其最近邻背景像素的方向矢量;
212)设定细胞内像素位置为C
ΔP
22)将预处理后的标签图像以及三维细胞原始图像输入实例分割深度回归神经网络;
23)利用实例分割深度回归神经网络,回归出像素到其最近邻背景像素的方向矢量;
24)将回归出的方向矢量与标签图像的方向矢量输入损失函数进行梯度回传,更新模型参数;
25)当损失函数Loss值下降到一个相对最优时,即实例分割深度回归神经网络训练完成。
3.根据权利要求1所述的一种基于深度矢量场回归的三维细胞图像实例分割方法,其特征在于,所述三维细胞实例分割结果的获得包括以下步骤:
31)将待分割的三通道三维细胞距离图转换成距离图,公式如下:其中,x、y、z为向量值,d为距离值;
32)将距离图处理成概率图,并将概率图处理成uint8类型,并对图像做一个反转,反转公式如下:S=255–S;
其中S为概率图;
33)给定参数h为7,指定概率图加上h的与255相比得到的最小值作为种子,概率图作为掩膜,通过腐蚀对图像进行重建;
34)对重建后的图像去寻找峰值,找到该图像中所有的局部最大值;
35)对局部最大值后的图像做连通域处理,将重建后的图像作为image,峰值图像作为marker,利用分水岭算法将细胞分离开来;
36)对分水岭之后的图像,将背景全部置为0,得到一个分割掩膜;
37)最后对分割掩膜做孔洞填充,得到最后的三维细胞分割结果。