[發明專利]一種基于深度學習網絡的細菌顯微圖像分割方法

在審

• 申請號: 202011612198.0
• 申請日: 2020-12-30
• 公開（公告）號: CN112949378A
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 至微生物智能科技（廈門）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廈門市首創君合專利事務所有限公司 35204
• 代理人: 李雁翔;林燕玲

一種基于深度學習網絡的細菌顯微圖像分割方法，包括如下步驟：1)培養細菌，并在顯微鏡下按照固定時間間隔拍攝一組細菌生長圖片，進行圖像預處理，構建彼此之間沒有交集的訓練集、驗證集和測試集，且訓練集包括原始圖像和相對應的標簽圖像，驗證集和測試集分別只包含原始圖像；2)構建U?Net++模型，其具有編碼器模塊和解碼器模塊，編碼器模塊進行特征提取，解碼器模塊進行特征還原解碼到原圖的尺寸，將訓練集輸入U?Net++模型進行訓練，再將驗證集輸入訓練后的U?Net++模型進行驗證，得到訓練好的U?Net++模型；3)將測試集輸入訓練好的U?Net++模型，輸出二值化分割圖像。本發明的方法，能快速而又精準的對細菌顯微圖像進行自動分割，省去前期過多復雜的圖像預處理環節，節省時間。

技術領域

本發明涉及細菌顯微鏡圖像分割領域，特別是指一種基于深度學習網絡的細菌顯微圖像分割方法。

背景技術

在對圖像的研究和處理中，往往圖像中包含的信息不是我們都感興趣的，我們會根據需求，大腦會自動來判斷哪些是我們需要的圖像信息，并且往往這種特定的包含我們想要信息的圖像部分對應于圖像中具有特殊性質(邊緣，形狀，顏色等)，在生物圖像處理中我們常稱為前景，相應的其他圖像部分為背景。在生物領域中，培育的細菌在顯微鏡下成像，這些成像的圖片往往受到顯微鏡對焦面改變、培養基中的雜志以及環境亮度等因素影響，這些包含噪音的圖像往往使得研究人員很難將細菌和背景很清楚的分離開，也就影響后續的一些判斷。

目前，生物圖像處理領域中的圖像分割方法主要分為：1.利用數字圖像處理、拓撲學、統計學、數學等方面來進行圖像分割的傳統方法。2.近幾年隨著算力的增加以及深度學習的井噴式發展，基于深度學習的方法對于圖像分割領域越來越占有不可取代的地位。

傳統的方法主要包括：

1.基于閾值的分割方法：它的主要思想是根據圖像的灰度特征來計算單個或多個灰度閾值，然后遍歷圖像中所有像素，將其灰度值和設置的閾值經行比較，大于閾值的像素設置為前景，小于閾值的像素設置為背景。它的優點是計算簡單，效率高，缺點也很明顯：根本沒有考慮空間的特征，對圖像中的噪聲極其敏感，魯棒性差。

2.基于邊緣檢測的分割算法：它是通過聚焦檢測不同區域的邊緣像素來解決分割問題的。比較有代表性的有梯度算法、Roberts算法、Sobel算法、Laplacian算法等，它的優點是速度快和邊緣檢測準確，缺點是他只能檢測邊緣像素，不能保證邊緣的連續性以及完整性。

3.基于小波變換的圖像分割方法：它是數字圖像處理技術中比較重要的部分：首先由二進小波變換將圖像的直方圖分解為不同層次的小波系數，然后依據給定的分割準則和小波系數選擇閾值門限，最后利用閾值標出圖像分割的區域。他的優點是空域和頻域的局域變換，能進行多尺度分析，并且由于是對頻域操作，所以對噪聲不敏感。缺點是很難選取合適的濾波器。

細菌圖像由于其形狀各異，并且多以菌落的形式生長，數量繁多且重疊嚴重，所以更加大了對其分割的難度。對于細菌分割領域，有公開利用超像素來進行圖像分割的方法(例如CN103914841A)，這種方法還是基于傳統的圖像分割方法(如計算超像素、以及計算每個超像素區域的顏色、形狀、尺寸特征，利用先驗知識對每個超像素區域進行初步濾波，并進行分割以確定候選細菌區域)來分割的，過程較為繁瑣且效果不佳。

深度學習方法：完全區別于傳統圖像分割方法，它基于算力的支持，對大量帶有標簽的數據集進行訓練，讓機器自主學習到圖像的內在規律及特征。主要包括：

1.基于CNN的圖像分割：主要代表為2017年何凱明等人[He Kaiming,GkioxariGeorgia,DollarPiotr,Girshick Ross.Mask R-CNN.[J].IEEE transactions onpattern analysis and machine intelligence,2020,42(2).]提出的 MaskR-CNN，主要完成了圖像的像素級分割。