[發明專利]一種用于多尺度的神經形態檢測和分割方法

在審

• 申請號: 201811397268.8
• 申請日: 2018-11-22
• 公開（公告）號: CN109472801A
• 公開（公告）日: 2019-03-15
• 發明（設計）人: 廖祥;管江衡;諶小維
• 申請（專利權）人: 廖祥
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06T7/00
• 代理公司: 重慶鼎慧峰合知識產權代理事務所(普通合伙) 50236
• 代理人: 朱浩

本發明公開了一種用于多尺度的神經形態檢測和分割方法，通過載入雙光子原始圖像數據，使用基于卷積神經網絡的算法對原始圖像數據進行基于形態的探測和分割，并進行模型的自動優化，獲得細胞或樹突棘的邊界曲線?？捎糜诙喾N尺度：細胞水平、樹突棘水平的神經形態檢測和分割，還可對多種成像中神經形態如區分神經元、膠質細胞、以及血管，及區分不同的樹突棘形態：瘦的、短粗的，蘑菇形態，進行檢測和分類，獲得細胞或樹突棘的邊界曲線。

技術領域

本發明涉及生物醫學數據分析技術領域，特別涉及多尺度的神經形態檢測和分割方法。

背景技術

大腦在處理信息時，往往涉及到大量神經元的活動。因此，為了更好的理解大腦的功能，需要能夠同時記錄大量神經元的活動。雙光子鈣成像時一種在單細胞分辨率水平進行神經元活動在體成像的常用技術，可在一只動物上記錄成千或上萬的神經元，因此產生大規模的圖像數據。在分析獲得的成像數據過程中，最耗時的一個步驟就是人工畫出細胞的邊界，作為感興趣的區域，即人工分割細胞。

然而，隨著雙光子大尺度成像技術的發展帶來的數據量急劇上升，人工的識別和分割細胞的邊界已無法滿足需求。為此，基于活動和形態檢測的不同算法被提出，用于神經細胞的探測和分割。但是，由于成像數據的細胞處在復雜的背景中，因此仍具有較多的挑戰。如基于神經細胞活動的檢測方法在細胞暫時不活動時會將其漏掉。而基于神經形態的方法，在不同熒光指示劑成像的圖像數據中，細胞形態具有多樣性，如果采用機器學習的方法，就必須要通過人工進行樣本的大量標記。比外，通常進行細胞檢測的方法不適用于細胞的微結構，如樹突棘的檢測等。

發明內容

針對現有技術存在的不足，本發明要解決的技術問題是提供一種用于多尺度的神經形態檢測和分割方法，可用于多種尺度：細胞水平、樹突棘水平的神經形態檢測和分割。

為了實現上述目的，本發明是通過如下的技術方案來實現：一種用于多尺度的神經形態檢測和分割方法，載入雙光子原始圖像數據，使用基于卷積神經網絡的算法對原始圖像數據進行基于形態的探測和分割，并進行模型的自動優化，獲得細胞或樹突棘的邊界曲線。

進一步的，具體步驟包括：

S1、載入雙光子原始圖像數據，對原始圖像數據進行擴充作為輸入圖像，并通過遷移學習創建模型；

S2、使用卷積神經網絡，對輸入圖像數據的進行批量歸一化和卷積計算，生成特征圖；

S3、將S2中獲得的特征圖輸入區域推薦網絡獲取候選框，并進行目標檢測，生成目標概率值，判斷該點是否包含目標，然后通過回歸分析，輸出候選框的位置和尺寸信息作為候選區域；

S4、在獲取候選區域的基礎上，對感興趣的區域對齊，讓網絡提取的特征更容易找到前景以及得到與候選目標相對應的矩形框，得到相應大小的特征塊，再進行分類以及邊界框的回歸，最后通過卷積及反卷積運算進行像素級分割，獲得細胞或樹突棘的邊界曲線。

進一步的，在S4的基礎上還包括S5：將貝葉斯優化用于去獲得模型中的最優超參數，包括遷移學習中對第幾層機型微調，候選框的大小和長寬比例，從而獲得最優的模型。

進一步的，在S1中，對圖像數據進行擴充具體為：將原始圖像數據進行平移、旋轉、放縮以及切變的操作，從而將原有的數據進行擴充，減少過擬合。

進一步的，在S1中，通過遷移學習創建模型，為采用遷移學習中的微調方法，在含有豐富標簽的大規模數據集訓練好的模型基礎上，對少量成像數據進行訓練，通過固定前面幾層較淺的網絡，微調卷積神經網絡的參數，可以很快獲得新訓練好的模型。

進一步的，在S2中，使用卷積神經網絡所作的卷積操作為分組卷積，通過引入分組數，將輸入與輸出的通道均進行分組以減少參數數量。