CN111414788B - 基于可变形u型网络的重叠染色体图像分割方法 - Google Patents
基于可变形u型网络的重叠染色体图像分割方法 Download PDFInfo
- Publication number
- CN111414788B CN111414788B CN201910898595.XA CN201910898595A CN111414788B CN 111414788 B CN111414788 B CN 111414788B CN 201910898595 A CN201910898595 A CN 201910898595A CN 111414788 B CN111414788 B CN 111414788B
- Authority
- CN
- China
- Prior art keywords
- size
- convolution
- layer
- images
- chromosome
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于可变形U型卷积神经网络的重叠染色体分割方法,以进一步改进现有分割技术的精确度问题。实验围绕有丝分裂中期的同一区域的人类染色体图像展开。其步骤为:1)将DAPI和Cy3图像组合成灰度图像,再逐个提取获得46条单独的染色体;2)将46条染色体图像分别作图像增强处理并两两叠加,构建重叠染色体图像库;3)将重叠染色体图像库划分为训练样本集、验证样本集和测试样本集;4)构建可变形U型网络,通过训练样本集完成网络训练,验证样本集对网络评估测试,最后对测试样本集进行重叠染色体分割。本发明利用可变形的U型网络结构提取包括角度、卷曲状态等染色体形态变化在内的各种特征,提高了重叠染色体分割的准确率。
Description
技术领域
本发明属于图像分割领域,特别涉及一种重叠染色体的图像分割方法。
背景技术
正常的细胞内染色体是以固定的数目和形态出现的,在受到放射线照射、化学药物等污染后可能会形成病变,表现为染色体数目或形态出现异常。因此,如何正确识别染色体对于医学诊断和生物医学研究非常重要。在染色体图像中,染色体重叠是非常常见的现象,比例高达40%左右,其中绝大部分都是两条染色体重叠。因此,如何准确分辨出重叠在一起的各条染色体,尤其是两条染色体是染色体识别工作正常开展的前提。目前,国内已开发出一些染色体自动分析系统,一定程度上减轻了医务工作者的劳动强度,但在染色体图像出现交叠、粘连的时候,其分析的效果仍有待改进。因此,染色体的识别主要仍然依赖人工实现,工作量大且严重依赖于医务工作者的经验。
深度神经网络作为一种有效的图像分割方法,已广泛应用于包括图像分割在内的各种图像处理场合。R.Lily Hu等人于2017年在第31届神经信息处理系统大会(NIPS 2017)上发表了一篇题为“Image Segmentation to Distinguish Between Overlapping HumanChromosomes”的文章,构建了包括5层卷积层的深度U型网络结构实现了重叠染色体图像的分割。但是,该方法未充分考虑染色体图像中染色体的角度、形态等形变问题对分割带来的细节要求,因此,其分割的准确率仍有待提升。
发明内容
本发明的目的在于针对上述现有技术存在的问题,构建可变形U型网络用于重叠染色体图像的分割,进一步改善重叠染色体图像分割的效果。
本发明的技术思路是:采用可变形卷积单元代替普通的卷积单元构建可变形U型网络,学习输入样本集的特征,包括染色体边缘特征和几何形变特征等,改善了模型对染色体几何形变的适应性,从而提高重叠染色体分割的准确率。
具体实现方案如下:
(1)将13434对94×93大小的重叠染色体图像及标注图像分别扩增获取为128×
128像素大小的图像;
(2)将13434对重叠染色体图像和标注图像划分为训练样本集(10434对)、验证样本集(1500对)和测试样本集(1500对);
(3)构建一个14层结构的可变形U型网络,第一层为模型的输入层,第二层为带有可变形卷积单元的卷积层,第三层至第七层均为卷积层,前面这七层网络实现了重叠染色体图像分割相关特征的提取;第八层至第十三层为卷积层,第十四层为输出层,后面七层则实现重叠染色体的分割;
(4)训练可变形U型网络:将训练样本集作为可变形U型网络的输入,设置学习率为0.001,训练集批块的大小为32,数据迭代次数为30;将验证样本集作为输入判定模型是否收敛,以获得优化的网络参数;
(5)将测试数据集中的重叠染色体图像输入至已优化的可变形U型网络中,实现重叠染色体区域的分割,并通过对应的标注图像评估网络的性能。
本发明与现有技术相比,具有以下优点:在第二层中采用了可变形卷积单元,通过在每个采样点位置增加偏移变量,使得卷积核不再局限于传统卷积网络中的规则格点,而是按需在当前位置附近任意采样,使得整个模型具备了几何变换的建模能力,从而有效改善重叠染色体图像分割的效果。
附图说明
图1为本发明实施例提供的一种基于可变形U型网络的重叠染色体图像分割网络结构图。
具体实施方案
以下结合附图和具体实施例,对本发明作进一步的详细描述。
参照图1,本发明的基于可变形U型网络的重叠染色体图像分割方法,包括如下步骤:
步骤1,输入网络前图像的预处理,将94×93的重叠染色体图像及其对应标注图像均扩增为像素大小128×128的图像;
步骤2,构建训练样本集、验证样本集和测试样本集,将13434对重叠染色体图像和标注图像随机分为训练样本集(10434对),验证样本集(1500对)和测试样本集(1500对);
步骤3,基于训练样本集和验证样本集训练、验证可变形U型网络;
步骤4,基于测试样本集评估上述可变形U型网络的分割性能。
可变形U型网络包括14层,第一层输入层用于输入数据,第二层至第十三层为卷积层,第十四层为输出层。其中,前七层用于编码提取相关特征,后七层则用于解码进行图像分割。
其各层的结构参数设置如下:
第一层,用于输入样本集中的重叠染色体图像;
第二层,由一个可变形卷积单元和两个大小为3×3的卷积核和大小为128×128的64个特征映射图组成;
第三层,由三个大小为3的卷积核和大小为64×64的128个特征映射图组成;
第四层,由三个大小为3的卷积核和大小为32×32的256个特征映射图组成;
第五层,由三个大小为3的卷积核和大小为16×16的512个特征映射图组成;
第六层,由三个大小为3的卷积核和大小为8×8的512个特征映射图组成;
第七层,由三个大小为3的卷积核和大小为4×4的512个特征映射图组成;
第八层,由三个大小为3的卷积核和大小为4×4的512个特征映射图组成;
第九层,由三个大小为3的卷积核和大小为8×8的512个特征映射图组成;
第十层,由两个大小为3的卷积核和大小为16×16的512个特征映射图和一个大小为3的卷积核和大小为16×16的256个特征映射图组成;
第十一层,由两个大小为3的卷积核和大小为32×32的256个特征映射图和一个大小为3的卷积核和大小为32×32的128个特征映射图组成;
第十二层,由两个大小为3的卷积核和大小为64×64的128个特征映射图和一个大小为3的卷积核和大小为64×64的64个特征映射图组成;
第十三层,由两个大小为3的卷积核和大小为128×128的64个特征映射图组成;
第十四层,由一个大小为1的卷积核和大小为128×128的4个特征图组成,通过全卷积网络完成重叠染色体图像的分割。
将包括重叠染色体图像及对应标注图像的训练样本集输入可变形U型网络,其中部分输入数据作为验证样本集。设置学习率为0.001,数据迭代次数为30,设置训练集批块的大小为32。
每个卷积层的激活函数均采用修正线性单元ReLU。
每个卷积层均通过批量归一化操作,以避免梯度消失。
以下结合仿真试验,对本发明的技术性能作进一步说明:
本发明的仿真实验基于Python编程在Keras平台实现,硬件环境为GPU GeForceGTX 1080Ti,系统环境为Ubuntu14.04。
仿真实验:实验共涉及10434对训练样本、1500对验证样本和1500对测试样本,每对样本包括一张重叠染色体图像及其对应的分割标注图像。实验通过训练样本集和验证样本集完成网络模型的训练验证,然后对测试样本图像中的重叠染色体图像进行分割预测,并预测的重叠度(Intersection of Union,IOU)为指标给予评价。结果如表1所示。
表1实验结果
其中,IOU_1指的是一条染色体单独部分的IOU值,IOU_2指的是另一条染色体单独部分的IOU值,IOU_3指的是两条染色体重叠部分的IOU值。从表1可以看出,本发明构建的可变形U型网络,对重叠部分识别的IOU值达到97.1%,与目前现有的研究成果相比有明显的提升。
综上,本发明针对重叠染色体分割需求,构建基于可变形U型网络模型。该模型通过引入可变形卷积单元,赋予整个模型对几何形变的建模能力,有效提升了重叠染色体图像分割的性能。
Claims (7)
1.一种基于可变形U型网络的重叠染色体图像分割方法,其特征在于,包括:
(1)将原始的每对94*93的重叠染色体图像和标注图像分别扩增为128*128像素大小;
(2)将13434对重叠染色体图像和标注图像划分为10434对的训练样本集,1500对的验证样本集和1500对的测试样本集;
(3)构建一个包括14层结构的可变形U型网络模型;第一层作为网络的输入层,用于输入数据,第二层至第十三层为卷积层,第十四层为输出层;其中,前七层用于编码,后七层则用于解码;
(4)对可变形U型网络模型进行训练:将包括重叠染色体图像及对应标注图像的训练样本集作为可变形U型网络模型的输入,其中部分输入数据作为验证样本集;设置学习率为0.001,数据迭代次数为30,设置训练集的批块大小为32,完成可变形U型网络模型的训练;
(5)在(4)中训练好的模型中输入测试样本集中的重叠染色体图像,以分割出原先重叠的染色体个体,并以测试样本集中的标注图像为对照评估模型的分割性能。
2.根据权利要求1所述的方法,其特征在于,步骤(1)中对于将像素大小分别为94*93的重叠染色体图像和标注图像增强为像素大小为128*128的图像,具体操作如下:
首先,生成两个128*128的全零矩阵M1和M2,再将94*93的染色体图像替换M1的中心位置,得到128*128的重叠染色体图像;将对应的94*93的标注图像替换M2的中心位置,得到128*128的标注图像。
3.根据权利要求1所述的方法,其特征在于,步骤(3)中的可变形U型网络模型,其各层的结构参数设置如下:
第一输入层,用于输入样本集中的目标图像;
第二卷积层,由两个大小为3的卷积核和大小为128*128的64个特征映射图和一个可变形卷积单元组成;
第三卷积层,由三个大小为3的卷积核和大小为64*64的128个特征映射图组成;
第四卷积层,由三个大小为3的卷积核和大小为32*32的256个特征映射图组成;
第五卷积层,由三个大小为3的卷积核和大小为16*16的512个特征映射图组成;
第六卷积层,由三个大小为3的卷积核和大小为8*8的512个特征映射图组成;
第七卷积层,由三个大小为3的卷积核和大小为4*4的512个特征映射图组成;
第八卷积层,由三个大小为3的卷积核和大小为4*4的512个特征映射图组成;
第九卷积层,由三个大小为3的卷积核和大小为8*8的512个特征映射图组成;
第十卷积层,由两个大小为3的卷积核和大小为16*16的512个特征映射图和一个大小为3的卷积核和大小为16*16的256个特征映射图组成;
第十一卷积层,由两个大小为3的卷积核和大小为32*32的256个特征映射图和一个大小为3的卷积核和大小为32*32的128个特征映射图组成;
第十二卷积层,由两个大小为3的卷积核和大小为64*64的128个特征映射图和一个大小为3的卷积核和大小为64*64的64个特征映射图组成;
第十三卷积层,由两个大小为3的卷积核和大小为128*128的64个特征映射图组成;
第十四输出层,由一个大小为1的卷积核和大小为128*128的4个特征图组成,通过全卷积网络完成图像的分割预测。
4.根据权利要求3所述的方法,其特征在于,各卷积层在进行卷积之前将输入图像矩阵周围填充一层0像素。
5.根据权利要求3所述的方法,其特征在于,每个卷积层的激活函数均采用修正线性单元ReLU。
6.根据权利要求3所述的方法,其特征在于,每个卷积层均通过批量归一化操作。
7.根据权利要求3所述的方法,其特征在于,在第二层卷积层中,针对同一染色体在不同图像中出现的角度不同、卷曲方向不同的特点,采用可变形卷积网络替代普通的卷积网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910898595.XA CN111414788B (zh) | 2019-09-23 | 2019-09-23 | 基于可变形u型网络的重叠染色体图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910898595.XA CN111414788B (zh) | 2019-09-23 | 2019-09-23 | 基于可变形u型网络的重叠染色体图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111414788A CN111414788A (zh) | 2020-07-14 |
CN111414788B true CN111414788B (zh) | 2023-08-11 |
Family
ID=71492631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910898595.XA Active CN111414788B (zh) | 2019-09-23 | 2019-09-23 | 基于可变形u型网络的重叠染色体图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414788B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711983A (zh) * | 2020-12-08 | 2021-04-27 | 湖南自兴智慧医疗科技有限公司 | 核型分析系统、方法、电子设备及可读存储介质 |
CN113096143B (zh) * | 2021-04-30 | 2022-03-15 | 天津深析智能科技发展有限公司 | 一种染色体核型分析中染色体分割方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510467A (zh) * | 2018-03-28 | 2018-09-07 | 西安电子科技大学 | 基于深度可变形卷积神经网络的sar图像目标识别方法 |
CN109191476A (zh) * | 2018-09-10 | 2019-01-11 | 重庆邮电大学 | 基于U-net网络结构的生物医学图像自动分割新方法 |
CN109344874A (zh) * | 2018-08-31 | 2019-02-15 | 华侨大学 | 一种基于深度学习的染色体自动分析方法及系统 |
CN109523520A (zh) * | 2018-10-25 | 2019-03-26 | 北京大学第三医院 | 一种基于深度学习的染色体自动计数方法 |
CN109934828A (zh) * | 2019-02-28 | 2019-06-25 | 西交利物浦大学 | 基于Compact SegUnet自学习模型的双染色体图像切割方法 |
-
2019
- 2019-09-23 CN CN201910898595.XA patent/CN111414788B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510467A (zh) * | 2018-03-28 | 2018-09-07 | 西安电子科技大学 | 基于深度可变形卷积神经网络的sar图像目标识别方法 |
CN109344874A (zh) * | 2018-08-31 | 2019-02-15 | 华侨大学 | 一种基于深度学习的染色体自动分析方法及系统 |
CN109191476A (zh) * | 2018-09-10 | 2019-01-11 | 重庆邮电大学 | 基于U-net网络结构的生物医学图像自动分割新方法 |
CN109523520A (zh) * | 2018-10-25 | 2019-03-26 | 北京大学第三医院 | 一种基于深度学习的染色体自动计数方法 |
CN109934828A (zh) * | 2019-02-28 | 2019-06-25 | 西交利物浦大学 | 基于Compact SegUnet自学习模型的双染色体图像切割方法 |
Non-Patent Citations (1)
Title |
---|
张雪利.基于深度学习的重叠染色体分割方法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2022,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111414788A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107564025B (zh) | 一种基于深度神经网络的电力设备红外图像语义分割方法 | |
Zhang et al. | Identification of maize leaf diseases using improved deep convolutional neural networks | |
Tofighi et al. | Prior information guided regularized deep learning for cell nucleus detection | |
CN108596258B (zh) | 一种基于卷积神经网络随机池化的图像分类方法 | |
CN107480575B (zh) | 模型的训练方法、跨年龄人脸识别方法和对应的装置 | |
CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
CN108171701B (zh) | 基于u网络和对抗学习的显著性检测方法 | |
CN105138993A (zh) | 建立人脸识别模型的方法及装置 | |
CN107945210B (zh) | 基于深度学习和环境自适应的目标跟踪方法 | |
CN107506796A (zh) | 一种基于深度森林的阿尔兹海默病分类方法 | |
CN110084238B (zh) | 基于LadderNet网络的指静脉图像分割方法、装置和存储介质 | |
Zhao et al. | SEV‐Net: Residual network embedded with attention mechanism for plant disease severity detection | |
CN111414788B (zh) | 基于可变形u型网络的重叠染色体图像分割方法 | |
WO2021164280A1 (zh) | 三维边缘检测方法、装置、存储介质和计算机设备 | |
Walsh et al. | Automated human cell classification in sparse datasets using few-shot learning | |
CN111784665B (zh) | 基于傅里叶变换的oct图像质量评估方法、系统及装置 | |
CN113674288A (zh) | 一种非小细胞肺癌数字病理图像组织自动分割方法 | |
CN110175500B (zh) | 指静脉比对方法、装置、计算机设备及存储介质 | |
Tripathy et al. | Brain MRI segmentation techniques based on CNN and its variants | |
Jordao et al. | Deep network compression based on partial least squares | |
Scheurer et al. | Semantic segmentation of histopathological slides for the classification of cutaneous lymphoma and eczema | |
Sallam et al. | Diabetic retinopathy grading using resnet convolutional neural network | |
CN110717394A (zh) | 人脸识别模型的训练方法、装置、电子设备和存储介质 | |
CN111598844B (zh) | 一种图像分割方法、装置、电子设备和可读存储介质 | |
US20210303845A1 (en) | Fungal identification by pattern recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |