[發(fā)明專利]一種用于多尺度的神經(jīng)形態(tài)檢測(cè)和分割方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811397268.8
• 申請(qǐng)日: 2018-11-22
• 公開(kāi)（公告）號(hào): CN109472801A
• 公開(kāi)（公告）日: 2019-03-15
• 發(fā)明（設(shè)計(jì)）人: 廖祥;管江衡;諶小維
• 申請(qǐng)（專利權(quán)）人: 廖祥
• 主分類號(hào): G06T7/13
• 分類號(hào): G06T7/13;G06T7/00
• 代理公司: 重慶鼎慧峰合知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 50236
• 代理人: 朱浩

1.一種用于多尺度的神經(jīng)形態(tài)檢測(cè)和分割方法，其特征在于，載入雙光子原始圖像數(shù)據(jù)，使用基于卷積神經(jīng)網(wǎng)絡(luò)的算法對(duì)原始圖像數(shù)據(jù)進(jìn)行基于形態(tài)的探測(cè)和分割，并進(jìn)行模型的自動(dòng)優(yōu)化，獲得細(xì)胞或樹(shù)突棘的邊界曲線。

2.根據(jù)權(quán)利要求1所述的一種用于多尺度的神經(jīng)形態(tài)檢測(cè)和分割方法，其特征在于，具體步驟包括：

S1、載入雙光子原始圖像數(shù)據(jù)，對(duì)原始圖像數(shù)據(jù)進(jìn)行擴(kuò)充作為輸入圖像，并通過(guò)遷移學(xué)習(xí)創(chuàng)建模型；

S2、使用卷積神經(jīng)網(wǎng)絡(luò)，對(duì)輸入圖像數(shù)據(jù)的進(jìn)行批量歸一化和卷積計(jì)算，生成特征圖；

S3、將S2中獲得的特征圖輸入?yún)^(qū)域推薦網(wǎng)絡(luò)獲取候選框，并進(jìn)行目標(biāo)檢測(cè)，生成目標(biāo)概率值，判斷該點(diǎn)是否包含目標(biāo)，然后通過(guò)回歸分析，輸出候選框的位置和尺寸信息作為候選區(qū)域；

S4、在獲取候選區(qū)域的基礎(chǔ)上，對(duì)感興趣的區(qū)域?qū)R，讓網(wǎng)絡(luò)提取的特征更容易找到前景以及得到與候選目標(biāo)相對(duì)應(yīng)的矩形框，得到相應(yīng)大小的特征塊，再進(jìn)行分類以及邊界框的回歸，最后通過(guò)卷積及反卷積運(yùn)算進(jìn)行像素級(jí)分割，獲得細(xì)胞或樹(shù)突棘的邊界曲線。

3.根據(jù)權(quán)利要求2所述的一種用于多尺度的神經(jīng)形態(tài)檢測(cè)和分割方法，其特征在于，在S4的基礎(chǔ)上還包括S5：將貝葉斯優(yōu)化用于去獲得模型中的最優(yōu)超參數(shù)，包括遷移學(xué)習(xí)中對(duì)第幾層機(jī)型微調(diào)，候選框的大小和長(zhǎng)寬比例，從而獲得最優(yōu)的模型。

4.根據(jù)權(quán)利要求2所述的一種用于多尺度的神經(jīng)形態(tài)檢測(cè)和分割方法，其特征在于，在S1中，對(duì)圖像數(shù)據(jù)進(jìn)行擴(kuò)充具體為：將原始圖像數(shù)據(jù)進(jìn)行平移、旋轉(zhuǎn)、放縮以及切變的操作，從而將原有的數(shù)據(jù)進(jìn)行擴(kuò)充，減少過(guò)擬合。

5.根據(jù)權(quán)利要求2所述的一種用于多尺度的神經(jīng)形態(tài)檢測(cè)和分割方法，其特征在于，在S1中，通過(guò)遷移學(xué)習(xí)創(chuàng)建模型，為采用遷移學(xué)習(xí)中的微調(diào)方法，在含有豐富標(biāo)簽的大規(guī)模數(shù)據(jù)集訓(xùn)練好的模型基礎(chǔ)上，對(duì)少量成像數(shù)據(jù)進(jìn)行訓(xùn)練，通過(guò)固定前面幾層較淺的網(wǎng)絡(luò)，微調(diào)卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)，可以很快獲得新訓(xùn)練好的模型。

6.根據(jù)權(quán)利要求2所述的一種用于多尺度的神經(jīng)形態(tài)檢測(cè)和分割方法，在S2中，使用卷積神經(jīng)網(wǎng)絡(luò)所作的卷積操作為分組卷積，通過(guò)引入分組數(shù)，將輸入與輸出的通道均進(jìn)行分組以減少參數(shù)量。

7.根據(jù)權(quán)利要求6所述的一種用于多尺度的神經(jīng)形態(tài)檢測(cè)和分割方法，在S2中，在經(jīng)過(guò)卷積計(jì)算后再依順次經(jīng)歷激活層、全連接層、上采樣層和分割層；所述激活層用于為卷積神經(jīng)網(wǎng)絡(luò)加入非線性；所述全連接層用于生成不同目標(biāo)的分類結(jié)果；所述上采樣層，采用最近鄰點(diǎn)插值法方法進(jìn)行上采樣；所述分割成層通過(guò)特征金字塔網(wǎng)絡(luò)將上采樣所得的特征矩陣進(jìn)行連接，對(duì)形狀不同的矩陣進(jìn)行裁剪。

8.根據(jù)權(quán)利要求2所述的一種用于多尺度的神經(jīng)形態(tài)檢測(cè)和分割方法，在S3中，所述目標(biāo)檢測(cè)分為兩步，第一步為生成多個(gè)可能包含檢測(cè)物體的候選邊框；第二步再確定候選框中是否包含目標(biāo)物體，將目標(biāo)物體和非目標(biāo)物體的候選框作為訓(xùn)練樣本輸入到區(qū)域推薦網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，用于確定目標(biāo)邊框的置信度及位置和尺寸。