1.一种基于贝叶斯推断和Boosting驱动的细胞图像实例分割方法,其特征是包括如下步骤:步骤S1首先我们需要构造出这些多水平集能量函数来供我们的这个分割模型来进行控制和优化,步骤S2结合最小描述长度理论,我们可以对步骤S1中优化好的能量函数进行二次优化,使得推理出的轮廓更加光滑;
步骤S3通过Boosting分类模型来根据图像特征对图像当中的目标进行一一分类,而且我们采用的是多个Boosting模块来实现这一过程,防止遗漏任何一条图像信息,锁定目标区域;
步骤S4 Boosting模型除了能进行分类之外,还可以实现回归功能,通过迭代回归的方式定位目标边界,进而增强了其分类准确度为步骤S1和S2创造有利条件;
步骤S5利用评估指标对分割结果进行定性和定量评估。
2.根据权利要求1所述的一种基于贝叶斯推断和Boosting驱动的细胞图像实例分割方法,其特征在于,所述步骤S1中,根据所给定的图像的各项特征来构造其多水平集能量函数,确定最终轮廓形态的过程其实也就是最小化所构造的这些能量函数的过程,具体方法为;
步骤S11多水平集能量函数可表示为:
其中,等式右边第一项表示为推理单一细胞轮廓所需的能量函数;(φ(i),φ(j))表示零水平集函数φi与φj相交,也即第二项针对的就是图像当中重叠细胞的能量函数;N为图像当中所存在的细胞总个数;i,j分别表示为第i,j个细胞;等式右边这两项可以分别用如下公式来表示:μ>0,χ>0, R(φ(i))为正则化项,D(φ(i))是轮廓的长度项,H(·)是赫维赛德函数,g=1,hc(·)表示二元形状先验,负号是用来控制水平集函数的非正区域,要想使得水平集能量函数的值达到最小,最直接且有效的办法就是求梯度,也就是对能量函数进行求导,然后令其为零,所遵循的原理就是梯度下降原理,沿着负梯度的方向函数值变化最大,当梯度值为零时,函数值不再发生变化,整个过程达到收敛,即步骤S11当中的右边一元函数项Eu(·)和二元函数项Eb(·)的负梯度值均为零时,总能量值达到最小,演化过程结束,形成最终轮廓。
3.根据权利要求1所述的一种基于贝叶斯推断和Boosting驱动的细胞图像实例分割方法,其特征在于,所述步骤S2中,又在步骤S1的基础上引进了一个最小描述长度的优化项,最小描述长度原理说到,我们首先给定一组包含边界点坐标信息的数据Xi={bij,1≤i≤N,
1≤j≤ni},其通过使用编码方案 其中Θ是由以上数据所估计出的参数,Xi可以被划分为两部分,一部分是参数描述长度L(Θ),用于编码模型,另一部分是数据描述长度L(Xi|Θ),因而总描述长度TDL(Xi|Θ)就可以定义为参数描述长度可数据描述长度的和,因此可以得出最小描述长度的表示形式,最小描述长度的表示形式如下所示:
其中,等式右边的第二项等同于‑logp(Xi|Θ),因此可以说运用最小描述长度进行轮廓推断的过程也是利用贝叶斯模型进行轮廓推理的过程,其中2
l表示的是我们设置的l个控制点,σ表示方差,这样一来,相应的概率分布可以以高斯分布的形式表现出来其中 Bi代表2ni×2l的矩阵,ci表示的是描述控制点坐标的2l×1的列向2
量,最小描述长度实际上就是通过优化l,ci,σ 这些参数来起到优化作用的,现在我们假设图像中第i个细胞核的大小是hi×wi,进而这些参数的最小描述长度估计为综合以上几式,我们不难得出
2 2
σ(l)表示σ是l的函数,因而受l的影响,从而可以得到总描述长度的最小值形式
4.根据权利要求1所述的一种基于贝叶斯推断和Boosting驱动的细胞图像实例分割方法,其特征在于,所述步骤S3中,利用Boosting算法来实现图像当中不同特征分类的方法,将每个Boosting模块都看作一个弱学习器,对其不断进行迭代训练最后转换成一个个强学习器,更好的对图像进行表征学习;Boosting算法包含函数模型,目标函数,优化算法,步骤S31首先我们构造一个累加的函数模型,如下所示:0
其中,M分别表示Boosting算法的迭代次数,C(·)表示初始函数, 代表函数增量步骤S32以步骤S31所构造的函数模型为例,采用贪婪策略作为优化算法来优化每一次的迭代过程,将这些弱学习器表示为T(x,Θ),从而可以得到其优化过程如下所示:考虑到Boosting模块的学习过程是复杂且漫长的,表征出的图像特征难免与真实的有所差异,对于这些差异可以通过构造损失函数作为目标函数表现出来,损失函数可以采用二项式对数似然损失函数:从上述公式不难看出这是用来实现二类别分类的过程,多类别的可以参考上式来进行k k k变更,y∈{‑1,1},p(x)>0,且 p(x)的表示形式如下所示:因而,参数Θ的优化过程可以描述为:
除此之外,Boosting的分类过程也可以形象的描述成概率二叉树决策分类的过程,以二分类为例,树的左右半部分分别用p‑(x)和p+(x)来表示,同时设定一个阈值ε,如果p+(x)‑
1/2>ε,则预测为树的右半部分,相反,如果p‑(x)‑1/2>ε,则预测为树的左半部分,结合最终M所估计的C(x),不难得出树的左右两部分概率的表达式为:
以上即是Boosting分类的全过程。
5.根据权利要求1所述的一种基于贝叶斯推断和Boosting驱动的细胞图像实例分割方法,其特征在于,步骤S3中,Boosting算法分类可以使得其更好的锁定目标区域,而所述步骤S4中,利用Boosting算法优良的泛化回归性,可以使得模型更为精确地定位目标轮廓,具体方法为:步骤S41与步骤S3类似,参数迭代方式依然采用贪婪策略,结合步骤S3的公式,目标函数的优化过程为:根据梯度下降法不难得出梯度下降最快的方向就是所要寻找的最优参数解,也即为:进而不难得出模型更新变更为如下形式:
6.根据权利要求1所述的一种基于贝叶斯推断和Boosting驱动的细胞图像实例分割方法,其特征在于,实施步骤S5来对模型的分割结果进行评估,常用的评估指标有F1分数,Dice系数,准确率(Acc),交并比(mIoU),由此可以得到这些评估指标的计算公式分别如下所示:其中F1分数中,PR和RC分别表示的是精确率和召回率,其计算公式如下:Dice系数中,X和Y表示两个不同的对象,这些指标的计算结
果依赖于图像当中假阴(false negative,FN),假阳(false positive,FP),真阴(true negative,TN)和真阳(true positive,TP)细胞的个数,细胞总个数N=FN+FP+TN+TP。