CN103366180A - 一种基于自动特征学习的细胞图像分割方法 - Google Patents

Abstract

本发明涉及一种基于自动特征学习的细胞图像分割方法。其特征学习的方法由于具有很好的特征学习能力，因此能大大提高细胞分割的精确度，同时随机森林分类器不需要对特征进行选择，因此这种方法能够很好地解决识别过程中面临的特征提取和选择的难题。它的步骤为：1）预处理将训练集和测试集中的原始细胞图像进行预处理；2）特征提取器的训练3）识别利用随机森林分类器进行识别；4）后处理。

Description

一种基于自动特征学习的细胞图像分割方法

技术领域

本发明涉及生物医学图像分割的领域，具体地说是一种基于自动特征学习的细胞图像分割方法。

背景技术

脑部科学家为了更好的研究大脑的学习机理，需要在三维空间进行脑部神经元的重建，而三维重建的基础和关键就是二维神经细胞图像的分割。因此神经细胞分割效果的精确度如何直接影响三维重建的效果。目前基于机器学习特别是监督学习来实现神经细胞图像的自动、精确、快速、自适应的分割方法成为一种趋势。针对细胞图像繁杂的结构以及各种噪声的存在，这就意味着细胞图像的分割需要更多的具有显著区分力的细节特征，因此，在模型运用正确的前提下，样本特征的好坏就成为了整个识别系统性能的瓶颈。然而现有的基于传统的分割方法都涉及到繁杂的特征提取难题。大多数的算法流程是对待识别的图像首先进行基于手工设计特征（sift,Hog等）的提取，这样针对原始图像提取出一系列的特征，然后是对于这些特征的选择，特征选择的目的就是选择出那些具有显著区分能力的特征，去掉一些冗余的特征，最后将选择之后的特征矩阵输入到浅层模型（支持向量机）进行训练学习和识别。

这种基于手工设计特征的提取的方法来说，设计的特征往往是要对待提取特征的图像或者领域有比较深的知识了解，这样子对于一些没有先验知识的领域来说就是变得不太可能的，并且设计特征的过程也是非常耗时，设计出来的特征大部分只能体现图像的低级别的特征（边缘），而不能更好的表现图像的中级（边缘交叉点）和高级（整个物体部分）特征。而这些特征对于表达细胞特征是至关重要的。此外在传统的分类模型中，特征提取是手工设计的特征，且不具备可移植性，而分类器是通用的，这就限制了传统方法的应用。同时研究表明，对于这种模型来说一个好的特征向量加上一个好的分类器能大大提高识别的性能，从而可以提高神经细胞的分割精度。

发明内容

本发明为克服上述现有技术的不足，提供一种基于自动特征学习的细胞图像分割方法。其特征学习的方法由于具有很好的特征学习能力，因此能大大提高细胞分割的精确度，同时随机森林分类器不需要对特征进行选择，因此这种方法能够很好地解决识别过程中面临的特征提取和选择的难题。

为实现上述目的，本发明采用如下技术方案：

一种基于自动特征学习的细胞图像分割方法，它的步骤为：

1）预处理

获取神经细胞原始图像，并将其分为两个图像数量相等的数据库，其中一个数据库作为训练集，另一个数据库作为测试集；并将两个数据库中的原始细胞图像进行预处理；

2）特征提取器的训练

将预处理之后的训练集中的细胞图像输入到深度卷积神经网络组成的可训练的特征提取器中进行监督学习的训练，训练达到收敛之后停止，此时整个深度卷积神经网络作为一个特征提取器；然后利用该特征提取器对训练集和测试集图像进行特征提取；

3）识别

特征提取完后，将深度卷积神经网络的全连接层用随机森林分类器替代，再次利用训练集中的特征提取后的图像对随机森林分类器进行训练；训练完成后，对测试集中的提取特征后的图像利用随机森林分类器进行识别；

4）后处理。

所述步骤1）中，所述预处理是利用直方图均衡化和高斯滤波技术实现图像的增强。

所述步骤2）中，深度卷积神经网络包括7层，分别是输入层、第一卷积层、第一降采样层、第二卷积层、第二降采样层、全连接层和输出层；

其中第一卷积层包括六个面，第二降采样层包含六个面，降采样率为3，第二卷积层包含十二个面，第二降采样层包含十二个面，降采样率为3；在特征映射时的卷积滤波核大小为5*5，设置完这些参数之后就开始利用训练集来训练特征提取器，在训练多轮收敛后停止。

所述步骤3）中，整个识别过程包括了三个阶段，第一阶段是随机森林分类器训练，第二阶段是利用训练好的随机森林分类器对测试集中的细胞图像利用随机森林分类器进行分类，得到分类之后的概率图；第三个阶段是将随机森林分类之后的概率图进行自动阈值的分割。

在第一个阶段中，将训练集中的图像提取的特征，输入到随机森林分类器中进行随机森林分类器的训练；一旦随机森林分类器训练完成之后，再对测试集图像进行识别，即利用已提取的测试集的特征，输入到训练好的随机森林分类器进行分类，从而返回测试图像的概率图；第三个阶段将第二个阶段返回的概率图进行自动阈值的分割，得到初步的概率的分割结果。

所述步骤4）中，在随机森林分类器返回概率值的基础上，执行自动阈值分割；针对部分难以识别的孤立区域，简单执行了孤立区域的移除操作，得到最终的分割结果。

本发明首先将原始的细胞图像进行预处理并分为训练集和测试集，然后将预处理之后的训练集中的细胞图像输入到深度卷积网络中进行监督学习的训练，训练达到收敛之后停止。将测试集和训练集的图像输入到已经训练好的特征提取器中进行特征的提取，将训练集提取的特征矩阵输入到分类器模型中进行训练，训练好后对测试集中提取特征的图像利用分类器分类。然后再进行后处理。

本发明的有益效果是：通过利用深度学习的方法来进行特征的自动提取，这种方法可以从不同的层次对细胞图像进行特征的提取，学习出一些细胞图像中的中、高级的特征，这些特征能够对原有的细胞特征具有更好的表达，因此可以提升细胞分割的精度和鲁棒性。

附图说明

图1为本发明的整体框图；

图2a为训练图像；

图2b为图2a对应的专家标记的训练图像；

图2c为测试集合中的一幅图像；

图3a为原图像；

图3b为增强之后的图像；

图4为本发明采用的原始CNN网络结构；

图5a为选择的测试图像的处理时的训练图像；

图5b为图5a的返回的概率图像；

图5c为最终分割结果；

图6为本发明的运行流程图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明。

以果蝇神经细胞图像为例：

本发明使用的数据集合是由电子显微镜观察得到的果蝇神经细胞图像而得到的两个数据库，每个数据库包括30幅原始图像。其中一个数据库作为训练集，另一个作为测试集。训练集提供原始图像和相应的专家手工分割的结果。（数据集合的示例图像如图2a-图2c）

本发明的技术框架如图1所示。

1、预处理

由于原始细胞图像中存在灰度不均匀以及较多的噪声，所以要先对原始图像进行预处理。本发明运用的预处理是利用直方图均衡化和高斯滤波技术实现图像的增强。以果蝇图像为例，图3a、图3b显示了原始图像跟增强之后的图像。

2、特征提取器的训练

深度学习（特征学习），这种方法学习来的特征具有更好的区分能力。本发明采用的是深度卷积神经网络进行特征的学习。卷积神经网络是一个特殊的多层神经网络，一共包括三部分，输入层、隐含层和输出层，隐含层是由卷积层和降采样层串接而成。其中每层由多个二维平面组成，每一个平面由许多个独立的神经元组成，同一个平面上的神经元权值相同。卷积层主要是提取特定区域的局部特征，可视作特征提取层；而降采样层可以看作是模糊滤波器，可视作特征选择层。

本发明所采用的深度卷积神经网络结构如图4。网络一共包括7层。分别是输入层、第一卷积层、第一降采样层、第二卷积层、第二降采样层、全连接层以及输出层。其中第一卷积层包括六个面，第一降采样层包含六个面，降采样率为3，第二卷积层包含12个面，第二降采样层包含12个面，降采样率为3.在特征映射时的卷积滤波核大小为5*5。设置完这些参数之后就开始利用训练集来训练特征提取器，将上述介绍的训练集中的30幅训练集合输入到卷积神经网络中进行训练，在训练300轮收敛后停止。到此整个网络就训练好了，就可以将其作为一个特征提取器。

3、识别

本发明选用了随机森林作为分类器。随机森林分类器不需要进行特征的选择，而且相比而言具有时间复杂度低以及识别性能高的优势。在上一步中我们已经将整个特征提取网络训练好，训练好之后的网络的全连接层用随机森林分类器取代。然后针对训练集和测试集中的每一幅图像输入到这个特征提取器中进行特征的提取，然后进行识别。

整个识别过程包括了三个阶段，一个是训练随机森林分类器的阶段，第二个阶段就是利用训练好的随机森林分类器对测试集中的数据利用随机森林分类器进行分类，得到分类之后的概率图；第三个阶段就是将随机森林分类器分类之后的概率图进行自动阈值的分割。下面针对三个阶段详细论述，其中在第一个阶段中，将针对带有标记的训练集中的图像提取的特征，输入到随机森林分类器中进行随机森林分类器的训练。一旦随机森林分类器训练完成之后，再对30幅测试集中的图像进行识别，首先提取测试集的特征，然后将抽取的特征向量输入到训练好的随机森林分类器进行分类，从而返回测试图像的概率图；第三个阶段将第二个阶段返回的概率图进行自动阈值的分割，得到初步的概率的分割结果。

4、后处理

在随机森林分类器返回概率值的基础上，执行自动阈值分割。针对部分难以识别的孤立区域，简单执行了孤立区域的移除操作，得到最终的分割结果。图5a、图5b、图5c显示了一幅图像的处理结果。

整个发明的运行流程图见图6。

Claims (6)

1.一种基于自动特征学习的细胞图像分割方法，其特征是，它的步骤为：

1）预处理

获取神经细胞原始图像，并将其分为两个图像数量相等的数据库，其中一个数据库作为训练集，另一个数据库作为测试集；并将两个数据库中的原始细胞图像进行预处理；

2）特征提取器的训练

将预处理之后的训练集中的细胞图像输入到深度卷积神经网络组成的可训练的特征提取器中进行监督学习的训练，训练达到收敛之后停止，此时整个深度卷积神经网络作为一个特征提取器；然后利用该特征提取器对训练集和测试集图像进行特征提取；

3）识别

特征提取完后，将深度卷积神经网络的全连接层用随机森林分类器替代，再次利用训练集中的特征提取后的图像对随机森林分类器进行训练；训练完成后，对测试集中的提取特征后的图像利用随机森林分类器进行识别；

4）后处理。

2.如权利要求1所述的基于自动特征学习的细胞图像分割方法，其特征是，所述步骤1）中，所述预处理是利用直方图均衡化和高斯滤波技术实现图像的增强。

3.如权利要求1所述的基于自动特征学习的细胞图像分割方法，其特征是，所述步骤2）中，深度卷积神经网络包括7层，分别是输入层、第一卷积层、第一降采样层、第二卷积层、第二降采样层、全连接层和输出层；

其中第一卷积层包括六个面，第二降采样层包含六个面，降采样率为3，第二卷积层包含十二个面，第二降采样层包含十二个面，降采样率为3；在特征映射时的卷积滤波核大小为5*5，设置完这些参数之后就开始利用训练集来训练特征提取器，在训练多轮收敛后停止。

4.如权利要求1所述的基于自动特征学习的细胞图像分割方法，其特征是，所述步骤3）中，整个识别过程包括了三个阶段，第一阶段是随机森林分类器训练，第二阶段是利用训练好的随机森林分类器对测试集中的细胞图像利用随机森林分类器进行分类，得到分类之后的概率图；第三个阶段是将随机森林分类之后的概率图进行自动阈值的分割。

5.如权利要求4所述的基于自动特征学习的细胞图像分割方法，其特征是，在第一个阶段中，将训练集中的图像提取的特征，输入到随机森林分类器中进行随机森林分类器的训练；一旦随机森林分类器训练完成之后，再对测试集图像进行识别，即利用已提取的测试集的特征，输入到训练好的随机森林分类器进行分类，从而返回测试图像的概率图；第三个阶段将第二个阶段返回的概率图进行自动阈值的分割，得到初步的概率的分割结果。

6.如权利要求1所述的基于自动特征学习的细胞图像分割方法，其特征是，所述步骤4）中，在随机森林分类器返回概率值的基础上，执行自动阈值分割；针对部分难以识别的孤立区域，简单执行了孤立区域的移除操作，得到最终的分割结果。

Images