细胞电镜图像分割模型的训练方法和细胞器互作分析方法

技术特征：
1.一种细胞电镜图像分割模型的训练方法，包括：采集细胞电镜图像，并对所述细胞电镜图像进行专家标注，获取带标签的细胞电镜图像，其中，所述标签包括根据细胞器形态划分的第一类细胞器和第二类细胞器；对所述带标签的细胞电镜图像进行预处理，获得预处理后的细胞电镜图像样本，并将所述预处理后的细胞电镜图像样本划分成训练集和测试集；构建细胞电镜图像分割模型，其中，所述细胞电镜图像分割模型包括语义分割网络和实例分割网络；利用所述标签为第一类细胞器的细胞电镜图像训练集训练所述语义分割网络，并利用训练生成的语义分割网络处理所述标签为第一类细胞器的细胞电镜图像测试集，获取第一类细胞器预测分割图；利用所述标签为第二类细胞器的细胞电镜图像训练集训练所述实例分割网络，并利用训练生成的实例分割网络处理所述标签为第二类细胞器的细胞电镜图像测试集，获取第二类细胞器预测分割图；对所述第一类细胞器预测分割图和所述第二类细胞器预测分割图进行筛选，获取预测分割图筛选结果，其中，所述预测分割图筛选结果包括未能识别出细胞器和/或细胞器识别错误的分割图；采集新的细胞电镜图像并进行专家标注和预处理，将所述新的细胞电镜图像和所述预测分割图筛选结果合并成新的训练集，利用所述测试集优化所述细胞电镜图像分割模型；迭代执行分割操作、筛选操作、采集合并操作以及优化操作，直到所述细胞电镜图像分割模型能够识别所述测试集上所有的细胞器，获得训练完成的细胞电镜图像分割模型。2.根据权利要求1所述的方法，其中，所述对所述带标签的细胞电镜图像进行预处理，获得预处理后的细胞电镜图像样本包括：提取所述细胞电镜图像的目标区域图像；根据预设像素值和预设分辨率，调整所述目标区域图像的大小并对所述目标区域图像进行归一化；根据预设步长值，利用滑动窗口算法处理归一化后的目标区域图像，获得多个目标图像；对每一个所述目标图像进行仿射变换和高斯模糊，获得所述预处理后的细胞电镜图像样本。3.根据权利要求1所述的方法，其中，所述第一类细胞器用于表示具有不规则形状的细胞器；其中，所述第二类细胞器用于表示具有规则形状的细胞器；其中，所述专家标注表示通过专家选择所述细胞电镜图像中具有典型形状特征的第一类细胞器和第二类细胞器。4.根据权利要求1所述的方法，其中，所述利用所述标签为第一类细胞器的细胞电镜图像训练集训练所述语义分割网络包括：利用u-net、fpn、linknet以及pspnet网络分别对所述标签为第一类细胞器的细胞电镜图像训练集进行分割；根据dice系数，选择dice系数得分最高的网络作为所述语义分割网络用于获取所述第
一类细胞器预测分割图；其中，所述u-net、fpn、linknet以及pspnet网络是用于图像分割的神经网络，dice系数是集合相似度度量函数。5.根据权利要求1所述的方法，其中，所述利用所述标签为第二类细胞器的细胞电镜图像训练集训练所述实例分割网络，并利用训练生成的实例分割网络处理所述标签为第二类细胞器的细胞电镜图像测试集，获取第二类细胞器预测分割图包括：构建所述实例分割网络并进行初始化，其中，所述实例分割网络包括骨干特征提取网络、区域提案网络、区域分类网络和骨干分割网络；利用所述骨干特征提取网络处理所述细胞电镜图像，获取所述细胞电镜图像的特征图；利用所述区域提案网络处理所述特征图，将所述特征图的中心点作为基准点，根据预设的面积值和长宽比进行组合，获取所述细胞电镜图像的多个不同尺度的候选框；利用所述区域分类网络处理所述候选框，根据分类损失函数，获得所述候选框的分类和坐标信息；利用所述骨干分割网络处理所述分类和所述坐标信息，根据损失函数，获得所述获取第二类细胞器预测分割图。6.根据权利要求5所述的方法，其中，所述损失函数包括分类损失函数、回归损失函数和区域提案网络损失函数；其中，所述分类损失函数由公式(1)表示：其中，n表示预测的模版框个数，p
i
表示第i个模版框的预测概率；其中，所述回归损失函数由公式(2)和公式(3)表示：其中，所述回归损失函数由公式(2)和公式(3)表示：其中，表示第u类目标的预测矩形框第i个坐标值，v
i
表示目标矩形框对应的第i个坐标值，表示平滑函数；其中，所述区域提案网络损失函数由式(4)表示：其中，n
cls
表示所有模版框的数量，p
i
表示第i个模版框的预测概率，表示第i个模版框对应的真实标签，{p
i
}表示所有模版框的预测概率集合，{t
i
}表示所有模版框的预测坐标向量集合，t
i
表示第i个模版框参数化处理后坐标向量，表示第i个模版框对应的真实目标矩形框参数化处理后坐标向量，λ表示加权系数；其中，所述损失函数包括最大似然损失，所述损失函数由公式(5)和公式(6)表示：
其中，n
pos
代表正样本数目，n
neg
代表负样本数目。7.根据权利要求1所述的方法，其中，所述对所述第一类细胞器预测分割图和所述第二类细胞器预测分割图进行筛选包括：对分割评测指标设立预设值，从所述第一类细胞器预测分割图和所述第二类细胞器预测分割图中选择低于预设值的分割图；根据所述低于预设值的分割图，采集具有第一类细胞器和第二类细胞器特征的细胞电镜图像并进行专家标注，将带有标签的新的细胞电镜图像加入到所述细胞电镜图像样本中进行训练；迭代进行采集、专家标注和训练。8.一种细胞器互作分析方法，包括：利用电子显微镜获取细胞电镜图像；利用细胞电镜图像分割模型处理所述细胞电镜图像，获取细胞器分割图像，其中，所述细胞电镜图像分割模型由权利要求1-7任一所述的方法训练得到；利用所述细胞器分割图像，根据细胞器接触比率分析细胞器互作。9.根据权利要求8所述的方法，其中，所述细胞器接触比率由公式(7)表示：接触比率＝总接触边界长度/总边界长度(7)，其中，所述总接触边界长度是指第二类细胞器边界中，与第一类细胞器有接触的边界的总长度，所述总边界长度是指第二类细胞器边界的总长度；其中，所述根据细胞器接触比率分析细胞器互作包括：定义阈值，所述阈值用于表示第一类细胞器和第二类细胞器接触的像素数量；获取所述第一类细胞器边缘长度和所述第二类细胞器边缘长度；排除所述第一类细胞器边缘长度和所述第二类细胞器边缘长度完全重合的部分；定义最小距离矩阵，用于表示所述第一类细胞器边缘与所述第二类细胞器边缘的像素距离；根据所述最小距离矩阵，构建所述距离映射图，所述距离映射图用于表示所述第一类细胞器和第二类细胞器接触的最小像素数量；根据所述阈值和所述距离映射图，量化细胞器边缘上的像素接触长度。10.一种细胞器互作分析系统，包括：数据获取模块，用于获取细胞电镜图像；细胞电镜图像分割模块，用于利用细胞电镜图像分割模型获取处理所述细胞电镜图像，获取细胞器分割图像，其中，所述细胞电镜图像分割模型由权利要求1-7任一所述的方法训练得到；细胞器互作分析模块，用于利用所述细胞器分割图像，根据细胞器接触比率分析细胞器互作。

技术总结
本发明公开了一种细胞电镜图像分割模型的训练方法，包括：采集细胞电镜图像并对细胞电镜图像进行专家标注和预处理，将预处理后的细胞电镜图像划分为训练集和测试集；构建细胞电镜图像分割模型并利用训练集训练细胞电镜图像分割模型；利用训练生成的细胞电镜图像分割模型分割细胞电镜图像测试集，获取分割图；对分割图进行筛选获得筛选结果；采集新的细胞电镜图像并与筛选结果合并成新的训练集，利用测试集继续优化细胞电镜图像分割模型；迭代执行分割操作、筛选操作、采集合并操作以及优化操作，直到细胞电镜图像分割模型能够识别测试集上所有的细胞器，获得训练完成的细胞电镜图像分割模型。本发明同时还公开了一种细胞器互作分析方法及系统。作分析方法及系统。作分析方法及系统。


技术研发人员：徐涛 肖立 胡俊杰 刘丽清 杨树鑫
受保护的技术使用者：中国科学院计算技术研究所
技术研发日：2022.02.16
技术公布日：2022/6/10