基于UNet网络与分水岭算法的电镜红细胞分割与定位方法

技术特征：
1.基于unet网络与分水岭算法的电镜红细胞分割与定位方法，其特征在于，包括步骤：s1、构建基于unet网络的多注意力分割模型对电镜红细胞进行细胞前后景的分割；s2、基于分水岭算法对分割好的图形进行细胞的定位与分割。2.根据权利要求1所述的基于unet网络与分水岭算法的电镜红细胞分割与定位方法，其特征在于，在所述步骤s1中，所述多注意力分割模型包括仿照unet网络设计的编码器网络、解码器网络，所述编码器网络包括第一层至第五层的第一残差块、第二残差块、第三残差块、第一自注意力机制块、第二自注意力机制块，所述解码器网络包括第四层至第一层的第一深度可分离卷积块、第二深度可分离卷积块、第一解码器块和第二解码器块，所述多注意力分割模型还包括设置在对应层的跳跃连接阶段的4个特征选择模块；所述第一自注意力机制块、第二自注意力机制块用卷积操作提取图像的低维特征，同时仿照transformer对图像高维特征进行远距离建模；所述第一深度可分离卷积块、所述第二深度可分离卷积块在整个网络中保持相同的大小和分辨率的情况下，借助深度可分离卷积和point wise卷积分离混合空间维度和通道维度；所述特征选择模块进行特征融合时的特征选取。3.根据权利要求2所述的基于unet网络与分水岭算法的电镜红细胞分割与定位方法，其特征在于：所述特征选择模块包括通道注意力机制模块和空间注意力机制模块；在所述通道注意力机制模块中，图像在经过cnn特征提取后，特征层首先通过自适应平均池化层得到大小为c*1*1的特征图，其中c为特征通道数，接着通过卷积核大小为k的1维卷积核进行卷积加权，实现不同通道之间的信息交互，再经过sigmoid函数得到每个特征通道的权重，对整体特征图进行加权得到通道加权图，最后将通道加权后的特征图输入所述空间注意力机制模块；在所述空间注意力机制模块中，对输入的特征图的特征维度分别进行最大池化和平均池化操作，将特征维度转换成1*h*w，h、w分别为原始图像的高和宽，将这两个特征图进行拼接后，送入卷积核大小可调的卷积核中进行信息交互与特征重构，最终得到空间特征权重，将其与经通道注意力处理过的特征图加权后得到最终的特征图。4.根据权利要求3所述的基于unet网络与分水岭算法的电镜红细胞分割与定位方法，其特征在于：在所述第一自注意力机制块或所述第二自注意力机制块中，首先对特征图进行特征编码，编码后的每个词向量大小为p*p，个数为h*w/(p*p)，随后采用深度可分离卷积操作编码位置信息。5.根据权利要求4所述的基于unet网络与分水岭算法的电镜红细胞分割与定位方法，其特征在于，在所述步骤s1中，在训练所述多注意力分割模型的过程中采用的损失函数为：其中，表示bce损失，表示dice损失，且有：
其中，p和q分别代表预测的像素值和它的实际像素值，w1、w2分别表示前景与背景计算损失时的权重，k表示第k个像素点，n为像素点总数，x、y分别表示预测元素与真实元素，|x∩y|表示预测元素与真实元素的交集，|x|,|y|表示各自的元素个数。6.根据权利要求5所述的基于unet网络与分水岭算法的电镜红细胞分割与定位方法，其特征在于，w1:w2＝2:1。7.根据权利要求1～6任一项所述的基于unet网络与分水岭算法的电镜红细胞分割与定位方法，其特征在于，训练及测试所述多注意力分割模型所采用的数据集包括48张密集细胞图和42张高倍放大图以及对这些图像进行数据扩增后的图像，而对应的标签图是利用图像工具对原图进行目标区域填充再进行二值化去噪处理得到的二值化图像。8.根据权利要求1所述的基于unet网络与分水岭算法的电镜红细胞分割与定位方法，其特征在于：所述步骤s2具体包括步骤：s21、通过深度学习模型对步骤s1得到的电镜图像前后景进行粗分割，分割结果为0或者1的二值化图像，进行灰度化后显示为黑白图像，其中黑色为与电镜细胞无关的背景区域或非细胞物体，白色为目标细胞区域；s22、将原始粗分割图像进行膨胀后得到的背景区域作为图像的背景，将筛选合适距离值进行距离变换后得到的前景区域作为图像的前景；s23、将图像前景和背景之间的区域标记为未知区域，采用分水岭算法对未知区域的前景、后景进行划分；s24、将划分好的图像进行连通区域判定，分割出单独的细胞区域并且得到位置信息。

技术总结
本发明涉及电镜细胞诊断技术领域，具体公开了一种基于UNet网络与分水岭算法的电镜红细胞分割与定位方法，包括步骤：S1、构建基于UNet的多注意力分割模型对电镜红细胞进行细胞前后景的分割；S2、基于分水岭算法对分割好的图形进行细胞的定位与分割。本发明提首先采用数据增强等方法扩充数据集丰富度，接着采用设计的多注意力分割模型Aca-UNet进行细胞前后景的分割。最后将分割好的图形进行距离变换、分水岭修正后，寻找单个细胞区域，完成细胞的定位与分割。本方法第一次将计算机辅助算法应用到电镜数据集上，实验中，密集细胞分割的dice系数达到88.94％，高倍放大细胞分割的dice系数达到93.10％。dice系数达到93.10％。dice系数达到93.10％。


技术研发人员：彭爽 陶丽
受保护的技术使用者：西南大学
技术研发日：2022.08.12
技术公布日：2022/11/25