[發明專利]一種基于聚類生成候選錨框的細胞圖像檢測與分割方法

在審

• 申請號: 202010465810.X
• 申請日: 2020-05-28
• 公開（公告）號: CN111666850A
• 公開（公告）日: 2020-09-15
• 發明（設計）人: 胡海根;賈福燦;周乾偉;肖杰;管秋;陳勝勇;李小薪
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于聚類生成候選錨框的細胞圖像檢測與分割方法，其特征在于，所述方法包括以下步驟：

步驟1：制作數據集，使用MS COCO數據集格式，人工對數據集進行Ground Truth的制作作為網絡的訓練集；

步驟2：數據集樣本維度特征統計，利用ISODATA聚類算法統計數據集中真實樣本的維度信息，得到統計的維度信息后將其轉換成目標框的寬高比例，該寬高比例將作為RPN網絡中候選錨框的寬高比參數；

步驟3：細胞的特征提取與融合，特征提取網絡選用深度殘差網絡RseNet，其中RseNet采用50層卷積結構進行搭建，同時，在特征提取網絡后加入FPN網絡，對提取出的特征進行多尺度的融合；

步驟4：癌細胞目標區域候選框的生成，將融合后的特征送入RPN網絡中，同時將聚類得到的樣本維度比例作為候選錨框的寬高比進行目標區域生成，并將其分數值最高的設定數量個候選區域輸入Mask R-CNN網絡利用邊框回歸操作實現候選框位置精修，得到最終的目標框；

步驟5：癌細胞圖像的檢測目標結果精煉，獲取每個目標推薦區域得分最高的class得分和推薦區域的坐標，刪除掉得分最高為背景的推薦區域，剔除掉其中最高得分達不到閾值的推薦區域，對同一類別的候選框進行非極大值抑制NMS，對NMS后的框索引剔除-1占位符，獲取前n，最后返回每個框(y1，x1，y2，x2，Class_ID，Score)信息；

步驟6：癌細胞圖像的分割Mask生成，獲取到目標推薦區域作為輸入送入FCN網絡輸出一個2層的Mask，每層代表不同的類，以log輸出并用閾值進行二值化，產生背景和前景的分割Mask。

2.如權利要求1所述的一種基于聚類生成候選錨框的細胞圖像檢測與分割方法，其特征在于，所述步驟2中，數據集樣本維度特征統計的步驟如下：

2.1、設置ISODATA聚類算法初始參數，將數據集中目標Ground Truth的檢測框的寬和高width，height設定為一組數據，記為(w,h)作為ISODATA聚類算法的單個聚類元素，并設置初始類簇中心K₀值，同類樣本方差的閾值thetaS值，單類別最小樣本數thetaN，小于此數目的樣本就不會作為獨立類簇，聚類中心之間距離的閾值thetaC，小于此數的兩個類簇將進行合并，最大迭代次數maxIts；

2.2、通過聚類算法統計樣本維度信息，將初始參數設置完成后，修改ISODATA聚類算法中元素到類簇中心的聚類公式為兩個目標邊框的IoU的值，其表達為：

dist_box,centriod＝1-IoU_box,centriod

運行ISODATA聚類算法得到的聚類中心的(w,h)的坐標就寬和高，然后將每個中心的w和h進行比值計算，得到候選錨框的寬高比參數。

3.如權利要求1或2所述的一種基于聚類生成候選錨框的細胞圖像檢測與分割方法，其特征在于，所述步驟3中，特征提取網絡構建的步驟如下：

3.1、ResNet-50作為特征提取網絡，將其定義為5個階段C1-C5，分別是：conv1、conv2_x、conv3_x、conv4_x、conv5_x，其中第1個階段conv1是由1個卷積核為7×7的卷積層構成，輸出通道數為64，步長為2的卷積層，在卷積層后加入一個ReLu的激活函數，同時在C1和C2層之間加入一個步長為2的最大池化層，C2是由3個連續的殘差結構組成，其中每個殘差結構都由2個卷積核大小為1×1，步長為1，輸出通道數分別為64和256的卷積層加上1個卷積核大小為3×3，步長為1，輸出通道數為64的卷積層構成，其C2層最后卷積輸出通道數為256；C3-C5階段都是由與C2階段中相同的殘差結構組成，其殘差數量和最后卷積輸出通道數分別為(4，6，3)和(512，1024，2048)，同時在卷積和激活函數操作中均加入批量歸一化操作；

3.2、FPN對提取的特征進行多尺度的融合，在ResNet-50的5個階段中除去第一階段的其他4個階段提取到的特征進行自上而下連接和橫向連接，分別定義為P2、P3、P4、P5。