CN113177957A - 一种细胞图像的分割方法、装置、电子设备及存储介质 - Google Patents

一种细胞图像的分割方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113177957A
CN113177957A CN202110565107.0A CN202110565107A CN113177957A CN 113177957 A CN113177957 A CN 113177957A CN 202110565107 A CN202110565107 A CN 202110565107A CN 113177957 A CN113177957 A CN 113177957A
Authority
CN
China
Prior art keywords
image
cell
mask
trained
neural network
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.)
Granted
Application number
CN202110565107.0A
Other languages
English (en)
Other versions
CN113177957B (zh
Inventor
黄开竹
姚凯
孙捷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong Liverpool University
Original Assignee
Xian Jiaotong Liverpool University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong Liverpool University filed Critical Xian Jiaotong Liverpool University
Priority to CN202110565107.0A priority Critical patent/CN113177957B/zh
Publication of CN113177957A publication Critical patent/CN113177957A/zh
Application granted granted Critical
Publication of CN113177957B publication Critical patent/CN113177957B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • 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
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种细胞图像的分割方法、装置、电子设备及存储介质。其中，该方法包括：获取待分割细胞图像；将所述待分割细胞图像输入至预设的对抗式生成网络，得到掩膜图像；根据所述掩膜图像，获取所述待分割细胞图像的实例中心标记；根据所述掩膜图像和所述实例中心标记，基于预设的图像分割算法，获取待分割细胞的目标分割图像。通过将待分割细胞图像输入至预设的对抗式生成网络模型，自动生成待分割细胞图像的掩膜图像，标注待分割细胞图像的细胞核，从而对待分割细胞图像进行细胞核的分割，避免人为在待分割细胞图像上进行细胞核的标注，减少人工的操作步骤，提高细胞分割的效率和精度。

Description

一种细胞图像的分割方法、装置、电子设备及存储介质
技术领域
本发明实施例涉及图像处理技术，尤其涉及一种细胞图像的分割方法、装置、电子设备及存储介质。
背景技术
CLSM(Confocal laser scanning microscope，共聚焦激光扫描显微镜)图像包含了细胞与组织结构的大量信息，在评估基于生物支架的三维细胞培养中被广泛应用。由于细胞核的形态、分布、核质比和结构是研究亚细胞信息的基础，因此三维细胞培养的细胞核分割是研究和分析三维细胞培养的重要任务。
传统的细胞核分割方法是利用人类标注的数据集监督学习，需要消耗大量时间进行掩膜图像的标注，且标注过程因人而异，获得的数据集存在专家的偏见，所以这类方法的分割效果有限。并且需要大量的人力，容易造成过分割或欠分割，细胞图像的分割效率和精度较低。
发明内容
本发明实施例提供一种细胞图像的分割方法、装置、电子设备及存储介质，以提高细胞图像的分割效率和精度。
第一方面，本发明实施例提供了一种细胞图像的分割方法，该方法包括：
获取待分割细胞图像；
将所述待分割细胞图像输入至预设的对抗式生成网络，得到掩膜图像；
根据所述掩膜图像，获取所述待分割细胞图像的实例中心标记；
根据所述掩膜图像和所述实例中心标记，基于预设的图像分割算法，获取待分割细胞的目标分割图像。
第二方面，本发明实施例还提供了一种细胞图像的分割装置，该装置包括：
待分割图像获取模块，用于获取待分割细胞图像；
掩膜图像获取模块，用于将所述待分割细胞图像输入至预设的对抗式生成网络，得到掩膜图像；
中心标记获取模块，用于根据所述掩膜图像，获取所述待分割细胞图像的实例中心标记；
目标图像获取模块，用于根据所述掩膜图像和所述实例中心标记，基于预设的图像分割算法，获取待分割细胞的目标分割图像。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任意实施例所述的细胞图像的分割方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任意实施例所述的细胞图像的分割方法。
本发明实施例通过将待分割细胞图像输入至预先训练好的对抗式生成网络，得到掩膜图像，根据掩膜图像可以自动确定待分割细胞中的细胞核，不需要人工对细胞核进行标注。细胞核所在的位置即为实例中心标记，根据掩膜图像和实例中心标记，对待分割细胞的细胞核进行分割，得到目标分割图像。解决了现有技术中，人工对细胞核进行标注的问题，避免人为标注产生的误差，节约人力和时间，提高细胞分割的效率和精度。
附图说明
图1是本发明实施例一中的一种细胞图像的分割方法的流程示意图；
图2是本发明实施例二中的一种细胞图像的分割方法的流程示意图；
图3是本发明实施例三中的一种细胞图像的分割装置的结构框图；
图4是本发明实施例四中的一种细胞图像的分割设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一所提供的一种细胞图像的分割方法的流程示意图，本实施例可适用于对细胞图像进行分割的情况，该方法可以由一种细胞图像的分割装置来执行。如图1所示，该方法具体包括如下步骤：
步骤110、获取待分割细胞图像。
其中，待分割细胞图像可以是三维图像，例如，可以是待分割细胞培养的CLSM三维图像，CLSM三维图像是通过CLSM显微镜拍摄的图像。获取待分割细胞图像的方法可以是采集CLSM显微镜下的三维图像。
步骤120、将待分割细胞图像输入至预设的对抗式生成网络，得到掩膜图像。
其中，预先设置一个对抗式生成网络，对抗式生成网络用于对待分割细胞图像进行图像处理，输出待分割细胞图像的掩膜图像。掩膜图像可以确定待分割细胞图像中的感兴趣区域，本实施例中，感兴趣区域为细胞核所在的区域。细胞中含有细胞核，通过待分割细胞图像的掩膜图像，可以确定待分割细胞的细胞核在掩膜图像中的位置，也就是在待分割细胞图像中的位置。待分割细胞的掩膜图像中含有细胞核的边界信息，例如，掩膜图像中细胞核区域的像素为255，表示为白色，细胞核边界像素为127，表示为灰色，其他部分即掩膜图像背景，像素为0，表示为黑色。掩膜图像中的边界信息即为细胞核边界像素的信息，通过边界信息可以确定细胞核的位置。边界的宽度可以预先确定。通过预先训练的对抗式生成网络，可以自动确定待分割细胞中的细胞核，不需要人工进行标注，避免人为操作导致的误差，有效节约细胞图像的分割时间，提高分割效率。
本实施例中，可选的，对抗式生成网络为预先训练的对齐解纠缠神经网络，对齐解纠缠神经网络包括串行的编码器神经网络和解码器神经网络；相应地，将待分割细胞图像输入至预设的对抗式生成网络，得到掩膜图像，包括：将预先设置的图像域标签和待分割细胞图像输入至编码器神经网络，获取待分割细胞图像的内容表示；将预先设置的掩膜域标签和待分割细胞图像的内容表示输入至解码器神经网络，获取待分割细胞图像的掩膜图像。
具体的，预先训练的对抗式生成网络可以是对齐解纠缠神经网络，对齐解纠缠神经网络中可以包括串行的编码器神经网络和解码器神经网络。通过串行编码器神经网络和解码器神经网络，可以实现将待分割细胞图像输入至编码器神经网络，再将编码器神经网络的输出传递给解码器神经网络，从而得到掩膜图像。编码器神经网络可以包括2个带有下采样的残差块和4个标准残差块，解码器神经网络可以包括4个标准残差块和2个带有上采样的残差块。
在进行细胞分割之前，可以预先设置待分割细胞图像的图像域标签和掩膜图像的掩膜域标签，例如，图像域标签可以是(0，1)，掩膜域标签可以是(1，0)。通过图像域标签和掩膜域标签可以区分待分割细胞图像和掩膜图像。将图像域标签、待分割细胞图像和掩膜域标签输入至预先训练的对齐解纠缠神经网络模型中，其中，图像域标签和待分割细胞图像输入至编码器神经网络，编码器神经网络可以确定待分割细胞图像的ContentRepresentation(内容表示)和(Style Representation)风格表示，内容表示是指待分割细胞图像的内容，例如，可以是图像中的细胞、细胞核和其他表达在图像上的画面内容，风格表示是指图像为拍摄图像、油画或素描图像等表达形式。例如，同一个人的油画和素描画，这个人在图片里的共有特征为图像的内容表示，而被加上的油画形式或者素描形式则为图片的风格表示。编码器是一个去风格网络，可以将图像本身的风格表示去除掉，从而获得内容表示，再通过解码器重新赋予风格表示，重建图像。即编码器神经网络可以去除待分割细胞图像的风格，输出内容表示。
将待分割细胞图像的内容表示和掩膜域标签输入至解码器神经网络中，输出得到待分割细胞图像的掩膜图像。这样设置的有益效果在于，通过串行编码器和解码器神经网络，设置对齐解纠缠神经网络模型，输出掩膜图像，实现对待分割细胞图像中细胞核的自动确定，减少人工操作，提高细胞标注的效率和精度，进而提高细胞分割的效率和精度。
本实施例中，在输入待分割细胞图像时，可以对待分割细胞图像进行分块。将待分割细胞图像进行分块操作，获得多个分块图像，将多个分块图像输入对齐解纠缠神经网络模型，得到对应的多个掩膜图像，对掩膜图像进行合并，即可得到完整的掩膜图像。例如，输入编码器神经网络的数据为一张待分割细胞图像的N个随机裁剪的分块图像(x1,x2,...,xn)，分块图像可以是长宽高为128×128×128，值域在[0，255]之间的灰度三维图片。输入编码器神经网络的数据还包括图像域标签dx，编码器神经网络的输出是经过各级残差块后的卷积特征内容表示
Figure BDA0003080655000000061
将内容表示和掩膜域标签dy输入至解码器神经网络，内容表示的长宽高和通道数可以是32×32×32×64，输出得到掩膜图像。掩膜图像中含有椭圆形状，椭圆即表示为细胞核。
步骤130、根据掩膜图像，获取待分割细胞图像的实例中心标记。
其中，待分割细胞图像中的一个细胞是一个实例，实例中心标记是指细胞的细胞核，获取待分割细胞图像的实例中心标记，即确定待分割细胞图像中的细胞核位置。掩膜图像中细胞核和背景的像素不同，在细胞核和背景之间还可以存在过渡的灰色像素的边界信息，灰色的边界为一个环形，因此，根据掩膜图像中的像素，可以确定待分割细胞的细胞核。例如，可以根据掩膜图像的边界信息，确定待分割细胞图像的实例中心标记。
本实施例中，可选的，实例中心标记处的像素值位于预设的像素范围内；相应地，根据掩膜图像，获取待分割细胞图像的实例中心标记，包括：根据掩膜图像中的像素值，基于阈值分割算法，将位于预设像素范围内的像素值划分为实例中心标记。
具体的，在生成掩膜图像的灰度图时，存在各个区域的像素不统一的情况，例如，背景区域的标准像素为0，但存在个别像素点为10、5或18等，即存在接近0的像素点；细胞核边界的标准像素为127，但在掩膜图像上当前细胞核边界像素为125；细胞核中心的标准像素为255，在细胞核中心存在像素点为254。为了对实例中心标记进行精确划分，可以预设各个区域的像素范围，基于阈值分割算法，对掩膜图像中的各个区域进行划分。可以将位于预设像素范围内的像素值统一为同一像素值，例如，将240-255之间的像素统一为255，将110至135之间的像素统一为127。获取掩膜图像中各个像素点的像素值，将阈值三值化算法应用于掩膜图像，将掩膜图像的像素统一为三个标准像素，获得像素值为255的实例中心标记。这样设置的有益效果在于，避免像素值不统一导致实例中心标记确定错误，通过设置像素范围，对像素进行阈值分割，提高实例中心标记的确定精度，减少人为对实例中心进行标记的过程，提高细胞核的分割精度。
步骤140、根据掩膜图像和实例中心标记，基于预设的图像分割算法，获取待分割细胞的目标分割图像。
其中，实例中心标记为细胞的细胞核，确定实例中心标记，即确定细胞核在掩膜图像上的位置，细胞核在掩膜图像上的位置也就是细胞核在待分割细胞图像上的位置。根据掩膜图像和实例中心标记，对待分割细胞进行分割，得到目标分割图像，目标分割图像中的细胞核可以突出显示，例如，采用不同的颜色显示细胞核，避免工作人员在观察时遗漏重叠的细胞核。目标分割图像可以是二值细胞核分割图像，可以将实例中心标记和掩膜图像输入至预设的图像分割算法，获得待分割细胞的二值细胞核分割图像，实现对细胞核的准确观察。
本实施例中，可选的，根据掩膜图像和实例中心标记，基于预设的图像分割算法，获取待分割细胞的目标分割图像，包括：将掩膜图像和实例中心标记输入至预设的基于标记的分水岭算法，获得待分割细胞的目标分割图像。
具体的，预设的图像分割算法可以是基于标记的分水岭算法或区域生长算法等。将掩膜图像和实例中心标记输入至预设的基于标记的分水岭算法，分水岭算法根据实例中心的标记，对掩膜图像进行分割，得到待分割细胞的目标分割图像。目标分割图像为实例分割图像，不是语义分割图像，实例分割可以区分不同的细胞核，语义分割无法区分不同的细胞核。这样设置的有益效果在于，通过基于标记的图像分割算法，可以对细胞核进行精准分割，区分开不同的实例，例如，将粘在一起的两个细胞核当成两个独立的细胞核，提高图像分割精度。本发明实施例的技术方案不仅限于细胞核分割，还可以用于其他类似的应用。
本实施例的技术方案，通过将待分割细胞图像输入至预先训练好的对抗式生成网络，得到掩膜图像，根据掩膜图像可以自动确定待分割细胞中的细胞核，不需要人工对细胞核进行标注。细胞核所在的位置即为实例中心标记，根据掩膜图像和实例中心标记，对待分割细胞图像中的细胞核进行分割，得到目标分割图像。解决了现有技术中，人工对细胞核进行标注的问题，避免人为标注产生的误差，节约人力和时间，提高细胞分割的效率和精度。
实施例二
图2为本发明实施例二所提供的一种细胞图像的分割方法的流程示意图，本实施例以上述实施例为基础进行进一步的优化，该方法可以由一种细胞图像的分割装置来执行。如图2所示，该方法具体包括如下步骤：
步骤210、获取无配对的待训练细胞图像和待训练掩膜图像。
其中，待训练细胞图像为预先获取的样本图像，样本图像组成图像域。一张待训练细胞图像中可以有多个细胞，工作人员粗略估计图像域中的细胞核数量和大小，根据预计的细胞核大小和数量，随机生成待训练掩膜图像以组成掩膜域。例如，可以随机生成一定数量范围和一定大小范围的椭球，将椭球随机放置在一个空图里，从而获取一张随机生成的掩膜图像。其中，随机生成的椭球的中心区域与其边界以不同强度的灰度值进行区分，生成与图像域中细胞核数量相近的待训练掩膜图像，得到掩膜域。所生成的椭球大小和数量与预计的细胞核大小和数量相关，根据待训练细胞图像的数量以及细胞核的数量，可以确定每张待训练细胞图像上细胞核的平均数量，可以将平均数量作为每张待训练掩膜图像上细胞核的数量。根据待训练细胞图像上细胞核的大小，确定细胞核的平均大小，根据平均大小，确定待训练掩膜图像上细胞核的大小。所生成的待训练掩膜图像与待训练细胞图像是不配对的，即每张待训练掩膜图像上的细胞核大小和数量与每张待训练细胞图像上的细胞核大小和数量不一致，细胞核在待训练掩膜图像上的位置与细胞核在待训练细胞图像上的位置也可以不一致。
步骤220、将待训练细胞图像、预设的图像域标签、待训练掩膜图像和预设的掩膜域标签输入至预设的对齐解纠缠神经网络中，得到输出细胞图像和输出掩膜图像。
其中，预先设置图像域标签和掩膜域标签，训练网络模型时的图像域标签可以与正式使用网络模型时的图像域标签一致，训练网络模型时的掩膜域标签可以与正式使用网络模型时的掩膜域标签一致。将待训练细胞图像、图像域标签、待训练掩膜图像和掩膜域标签输入至预先搭建的对齐解纠缠神经网络模型中，得到对齐解纠缠神经网络模型的输出图像，输出图像可以包括输出细胞图像和输出掩膜图像。输出细胞图像可以包括编码器神经网络输出的与细胞图像相关的数据和解码器神经网络输出的与细胞图像相关的数据，输出掩膜图像可以包括编码器神经网络输出的与掩膜图像相关的数据和解码器神经网络输出的与掩膜图像相关的数据。
本实施例中，可选的，将待训练细胞图像、预设的图像域标签、待训练掩膜图像和预设的掩膜域标签输入至对齐解纠缠神经网络中，得到输出细胞图像和输出掩膜图像，包括：将待训练细胞图像和预设的图像域标签输入至对齐解纠缠神经网络的编码器神经网络，获取待训练细胞图像的内容表示，以及将待训练掩膜图像和预设的掩膜域标签输入至编码器神经网络，获取待训练掩膜图像的内容表示；将待训练细胞图像的内容表示和图像域标签输入至解码器神经网络，获得重建细胞图像，以及将待训练掩膜图像的内容表示和掩膜域标签输入至解码器神经，获得重建掩膜图像。
具体的，预先搭建的对齐解纠缠神经网络模型中可以包括编码器神经网络和解码器神经网络，编码器神经网络可以由带有下采样和自适应实例标准化的残差模块、自适应实例标准化的残差模块以及用于生成自适应残差模块参数的多层感知机组成，其中，带有下采样和自适应实例标准化的残差模块可以是两个，自适应实例标准化的残差模块可以是四个。解码器网络可以由自适应实例标准化的残差模块、带有上采样和自适应实例标准化的残差模块以及用于生成自适应残差模块参数的多层感知机组成，其中，自适应实例标准化的残差模块可以是四个，带有上采样和自适应实例标准化的残差模块可以是两个。对齐解纠缠神经网络的训练也可以包括同域图像重建训练和跨域图像翻译训练。
同域图像重建训练是指在向神经网络模型输入数据时，输入的图像与标签是同一域类的图像和标签，例如，输入待训练细胞图像和图像域标签进行训练。跨域图像翻译训练是指在向神经网络输入数据时，输入的图像与标签是不同域类的图像和标签，例如，输入待训练细胞图像和掩膜域标签进行训练。
对于同域图像重建训练，可以将待训练细胞图像和图像域标签输入至对齐解纠缠神经网络的编码器神经网络，获取待训练细胞图像的内容表示。也可以将待训练掩膜图像和掩膜域标签输入至编码器神经网络，获取待训练掩膜图像的内容表示。在训练之前可以将待训练细胞图像和待训练掩膜图像进行分块，例如，可以将一张图像分为N张分块图像。一张待训练细胞图像分为N个随机裁剪的分块图像(x1,x2,...,xn)，每个分块图像可以表示成长宽高为128×128×128，值域在[0，255]之间的灰度三维图片，对应的图像域标签为dx，输出为经过各级残差块后的卷积特征内容表示
Figure BDA0003080655000000111
或者将一张待训练掩膜图像划分为N个包含椭球的方块(y1,y2,...,yn)，每个分块图像可以表示成长宽高为128×128×128，值域在[0,255]之间的三维图片。其中，0表示背景，255表示细胞核，127表示细胞核边界部分，对应的掩膜域标签为dy，输出为经过各级残差块后的卷积特征内容表示
Figure BDA0003080655000000112
由于编码器神经网络与解码器神经网络串行，因此，在得到内容表示之后，可以将待训练细胞图像的内容表示和图像域标签输入至解码器神经网络，获得重建细胞图像。还可以将待训练掩膜图像的内容表示和掩膜域标签输入至解码器神经网络，获得重建掩膜图像。例如，输入的内容表示为
Figure BDA0003080655000000113
长宽高通道数为32×32×32×64，获得重建细胞图像为
Figure BDA0003080655000000114
这样设置的有益效果在于，通过设置编码器和解码器神经网络，进行无监督神经网络的训练，减少人为操作，提高神经网络的训练效率和细胞图像的分割效率。
本实施例中，可选的，在将待训练细胞图像和预设的图像域标签输入至对齐解纠缠神经网络的编码器神经网络，获取待训练细胞图像的内容表示，以及将待训练掩膜图像和预设的掩膜域标签输入至编码器神经网络，获取待训练掩膜图像的内容表示之后，还包括：将待训练细胞图像的内容表示和掩模域标签输入至解码器神经网络，获得生成掩膜图像，以及将待训练掩膜图像的内容表示和图像域标签输入至解码器神经网络，获得生成细胞图像；将生成掩膜图像和掩膜域标签输入至编码器神经网络，得到生成掩膜图像的内容表示，以及将生成细胞图像和图像域标签输入至编码器神经网络，得到生成细胞图像的内容表示；将生成掩膜图像的内容表示和图像域标签输入至解码器神经网络，获得循环重建细胞图像，以及将生成细胞图像的内容表示和掩膜域标签输入至解码器神经网络，获得循环重建掩膜图像。
具体的，对于跨域图像翻译训练，在生成待训练细胞图像和待训练掩膜图像的内容表示之后，将待训练细胞图像的内容表示和掩膜域标签输入至解码器神经网络，获得生成掩膜图像。还可以将待训练掩膜图像的内容表示和图像域标签输入至解码器神经网络，获得生成细胞图像。将生成掩膜图像和掩膜域标签重新输入至编码器神经网络，得到生成掩膜图像的内容表示，并将生成细胞图像和图像域标签重新输入至编码器神经网络，得到生成细胞图像的内容表示。然后再将生成掩膜图像的内容表示和图像域标签输入至解码器神经网络，获得循环重建细胞图像，以及将生成细胞图像的内容表示和掩膜域标签输入至解码器神经网络，获得循环重建掩膜图像，从而完成一次编码器和解码器的训练过程。这样设置的有益效果在于，同域和跨域的训练可以同时进行，通过同域和跨域的训练，使神经网络能够通过细胞图像得到精确的掩膜图像，从而对掩膜图像进行细胞核的标记，提高掩膜图像的输出精度和图像分割的精度。
步骤230、根据待训练细胞图像、待训练掩膜图像、输出细胞图像和输出掩膜图像，得到对齐解纠缠神经网络的损失函数值。
其中，输出细胞图像可以包括待训练细胞图像的内容表示、生成细胞图像的内容表示、重建细胞图像、循环重建细胞图像和生成细胞图像等，输出掩膜图像可以包括待训练掩膜图像的内容表示、生成掩膜图像的内容表示、重建掩膜图像、循环重建掩膜图像和生成掩膜图像等。
本实施例中，可选的，根据待训练细胞图像、待训练掩膜图像、输出细胞图像和输出掩膜图像，得到对齐解纠缠神经网络的损失函数值，包括：根据待训练细胞图像、待训练掩膜图像、重建细胞图像和重建掩膜图像，获得第一损失函数值；根据待训练细胞图像的内容表示、生成掩膜图像的内容表示、待训练掩膜图像的内容表示和生成细胞图像的内容表示，获得第二损失函数值；根据待训练细胞图像、循环重建细胞图像、待训练掩膜图像和循环重建掩膜图像，获得第三损失函数值；根据待训练细胞图像、待训练掩膜图像、生成掩膜图像和生成细胞图像，获得第四损失函数值。
具体的，根据待训练细胞图像、待训练掩膜图像、重建细胞图像和重建掩膜图像，获得第一损失函数值，第一损失函数值可以包括待训练细胞图像与重建细胞图像之间的损失值，以及待训练掩膜图像与重建掩膜图像之间的损失值。根据待训练细胞图像的内容表示、生成掩膜图像的内容表示、待训练掩膜图像的内容表示和生成细胞图像的内容表示，获得第二损失函数值，第二损失函数值可以包括待训练细胞图像的内容表示与生成掩膜图像的内容表示之间的损失值，以及待训练掩膜图像的内容表示与生成细胞图像的内容表示之间的损失值。根据待训练细胞图像、循环重建细胞图像、待训练掩膜图像和循环重建掩膜图像，获得第三损失函数值，第三损失函数值可以包括待训练细胞图像与循环重建细胞图像之间的损失值，以及待训练掩膜图像与循环重建掩膜图像之间的损失值。
对齐解纠缠神经网络中还可以包括域鉴别器网络，域鉴别器网络用于鉴别图像的真假和域类，域类是指图像域或掩膜域，真假是指图像为神经网络生成的图像或原始图像。根据待训练细胞图像、待训练掩膜图像、生成掩膜图像和生成细胞图像，获得第四损失函数。第四损失函数值可以包括待训练细胞图像和生成细胞图像之间的损失值，以及待训练掩膜图像和生成掩膜图像之间的损失值。若图像为待训练细胞图像或待训练掩膜图像，则该图像为真，若图像为生成掩膜图像或生成细胞图像，则该图像为假。根据第四损失函数训练域鉴别器，可以使生成的掩膜图像更加接近真的细胞图像，能够根据掩膜图像确定细胞核真正的位置，提高细胞核的分割精度。这样设置的有益效果在于，通过计算四个损失值，对神经网络进行迭代训练，提高神经网络的训练精度，进而提高图像分割精度。
步骤240、根据损失函数值对对齐解纠缠神经网络进行参数调整，以完成对齐解纠缠神经网络的训练。
其中，在确定四个损失函数值之后，根据损失函数值对神经网络的参数进行调整，根据调整后的神经网络进行再次训练，直至损失函数值符合预设的要求，则对齐解纠缠神经网络训练完成。
本实施例中，可选的，根据损失函数值对对齐解纠缠神经网络进行参数调整，包括：根据第一损失函数值、第二损失函数值、第三损失函数值和第四损失函数值对编码器神经网络和解码器神经网络进行参数调整；根据第四损失函数值对域鉴别器网络进行参数调整。
具体的，第一损失函数值、第二损失函数值、第三损失函数值和第四损失函数值用于对编码器和解码器神经网络进行参数调整，域鉴别器网络根据第四损失函数值进行参数调整。例如，第一损失函数值、第二损失函数值、第三损失函数值和第四损失函数值对编码器神经网络进行参数调整，单独的第一损失函数值用于对解码器神经网络进行参数调整。第一损失函数、第二损失函数和第三损失函数可以是曼哈顿距离函数，第四损失函数可以是欧几里得距离函数。在更新编码器神经网络模型的参数时，可以将第一损失函数、第二损失函数值、第三损失函数值和第四损失函数值进行加权求和，获取总损失函数值，根据总损失函数值，更新编码器神经网络模型的参数。这样设置的有益效果在于，根据不同的损失函数值对对齐解纠缠神经网络进行有针对性的调整，提高神经网络模型的训练精度，进而提高细胞图像的分割精度。
步骤250、获取待分割细胞图像。
步骤260、将待分割细胞图像输入至预设的对抗式生成网络，得到掩膜图像。
步骤270、根据掩膜图像，获取待分割细胞图像的实例中心标记。
步骤280、根据掩膜图像和实例中心标记，基于预设的图像分割算法，获取待分割细胞的目标分割图像。
本发明实施例通过无配对的图像到图像翻译技术在图像域和掩膜域上进行训练，训练出无监督三维细胞分割模型，该模型有很好的泛化能力和广泛的应用场景，无需人类标注，可以分割较小、粘连或者重叠的细胞核。将待分割细胞图像输入至预先训练好的网络模型中，得到掩膜图像。根据掩膜图像可以自动确定待分割细胞中的细胞核，不需要人工对细胞核进行标注。细胞核所在的位置即为实例中心标记，根据掩膜图像和实例中心标记，对待分割细胞图像中的细胞核进行分割，得到目标分割图像。解决了现有技术中，人工对细胞核进行标注的问题，避免人为标注产生的误差，节约人力和时间，提高细胞分割的效率和精度。
实施例三
图3为本发明实施例三所提供的一种细胞图像的分割装置的结构框图，可执行本发明任意实施例所提供的细胞图像的分割方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置具体包括：
待分割图像获取模块301，用于获取待分割细胞图像；
掩膜图像获取模块302，用于将所述待分割细胞图像输入至预设的对抗式生成网络，得到掩膜图像；
中心标记获取模块303，用于根据所述掩膜图像，获取所述待分割细胞图像的实例中心标记；
目标图像获取模块304，用于根据所述掩膜图像和所述实例中心标记，基于预设的图像分割算法，获取待分割细胞的目标分割图像。
可选的，对抗式生成网络为预先训练的对齐解纠缠神经网络，所述对齐解纠缠神经网络包括串行的编码器神经网络和解码器神经网络；
相应地，掩膜图像获取模块302，具体用于：
将预先设置的图像域标签和待分割细胞图像输入至所述编码器神经网络，获取所述待分割细胞图像的内容表示；
将预先设置的掩膜域标签和所述待分割细胞图像的内容表示输入至所述解码器神经网络，获取待分割细胞图像的掩膜图像。
可选的，实例中心标记处的像素值位于预设的像素范围内；
相应地，中心标记获取模块303，具体用于：
根据所述掩膜图像中的像素值，基于阈值分割算法，将位于预设像素范围内的像素值划分为实例中心标记。
可选的，目标图像获取模块304，具体用于：
将所述掩膜图像和所述实例中心标记输入至预设的基于标记的分水岭算法，获得所述待分割细胞的目标分割图像。
可选的，该装置还包括：
待训练图像获取模块，用于在获取待分割细胞图像之前，获取无配对的待训练细胞图像和待训练掩膜图像；
图像输出模块，用于将所述待训练细胞图像、预设的图像域标签、待训练掩膜图像和预设的掩膜域标签输入至预设的对齐解纠缠神经网络中，得到输出细胞图像和输出掩膜图像；
损失确定模块，用于根据待训练细胞图像、待训练掩膜图像、输出细胞图像和输出掩膜图像，得到对齐解纠缠神经网络的损失函数值；
模型训练模块，用于根据所述损失函数值对所述对齐解纠缠神经网络进行参数调整，以完成所述对齐解纠缠神经网络的训练。
可选的，图像输出模块，包括：
待训练图像内容表示获取单元，用于将所述待训练细胞图像和预设的图像域标签输入至对齐解纠缠神经网络的编码器神经网络，获取待训练细胞图像的内容表示，以及将所述待训练掩膜图像和预设的掩膜域标签输入至编码器神经网络，获取待训练掩膜图像的内容表示；
重建图像获得单元，用于将所述待训练细胞图像的内容表示和图像域标签输入至解码器神经网络，获得重建细胞图像，以及将所述待训练掩膜图像的内容表示和掩膜域标签输入至解码器神经，获得重建掩膜图像。
可选的，图像输出模块，还包括：
生成图像获得单元，用于在将所述待训练细胞图像和预设的图像域标签输入至对齐解纠缠神经网络的编码器神经网络，获取待训练细胞图像的内容表示，以及将所述待训练掩膜图像和预设的掩膜域标签输入至编码器神经网络，获取待训练掩膜图像的内容表示之后，将所述待训练细胞图像的内容表示和掩模域标签输入至解码器神经网络，获得生成掩膜图像，以及将所述待训练掩膜图像的内容表示和图像域标签输入至解码器神经网络，获得生成细胞图像；
生成图像内容表示获得单元，用于将所述生成掩膜图像和掩膜域标签输入至编码器神经网络，得到生成掩膜图像的内容表示，以及将所述生成细胞图像和图像域标签输入至编码器神经网络，得到生成细胞图像的内容表示；
循环重建图像获得单元，用于将所述生成掩膜图像的内容表示和图像域标签输入至解码器神经网络，获得循环重建细胞图像，以及将所述生成细胞图像的内容表示和掩膜域标签输入至解码器神经网络，获得循环重建掩膜图像。
可选的，损失确定模块，具体用于：
根据所述待训练细胞图像、待训练掩膜图像、重建细胞图像和重建掩膜图像，获得第一损失函数值；
根据所述待训练细胞图像的内容表示、生成掩膜图像的内容表示、待训练掩膜图像的内容表示和生成细胞图像的内容表示，获得第二损失函数值；
根据待训练细胞图像、循环重建细胞图像、待训练掩膜图像和循环重建掩膜图像，获得第三损失函数值；
根据待训练细胞图像、待训练掩膜图像、生成掩膜图像和生成细胞图像，获得第四损失函数值。
可选的，对齐解纠缠神经网络还包括域鉴别器网络；
相应地，模型训练模块，具体用于：
根据所述第一损失函数值、第二损失函数值、第三损失函数值和第四损失函数值对所述编码器神经网络和解码器神经网络进行参数调整；
根据所述第四损失函数值对所述域鉴别器网络进行参数调整。
本发明实施例通过将待分割细胞图像输入至预先训练好的对抗式生成网络，得到掩膜图像，根据掩膜图像可以自动确定待分割细胞中的细胞核，不需要人工对细胞核进行标注。细胞核所在的位置即为实例中心标记，根据掩膜图像和实例中心标记，对待分割细胞图像中的细胞核进行分割，得到目标分割图像。解决了现有技术中，人工对细胞核进行标注的问题，避免人为标注产生的误差，节约人力和时间，提高细胞分割的效率和精度。
实施例四
图4是本发明实施例四提供的一种细胞图像的分割设备的结构示意图。细胞图像的分割设备是一种电子设备，图4示出了适于用来实现本发明实施方式的示例性电子设备400的框图。图4显示的电子设备400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备400典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备400访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)404和/或高速缓存存储器405。电子设备400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统406可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
电子设备400也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该电子设备400交互的设备通信，和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口411进行。并且，电子设备400还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器412通过总线403与电子设备400的其它模块通信。应当明白，尽管图4中未示出，可以结合电子设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种细胞图像的分割方法，包括：
获取待分割细胞图像；
将所述待分割细胞图像输入至预设的对抗式生成网络，得到掩膜图像；
根据所述掩膜图像，获取所述待分割细胞图像的实例中心标记；
根据所述掩膜图像和所述实例中心标记，基于预设的图像分割算法，获取待分割细胞的目标分割图像。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的一种细胞图像的分割方法，包括：
获取待分割细胞图像；
将所述待分割细胞图像输入至预设的对抗式生成网络，得到掩膜图像；
根据所述掩膜图像，获取所述待分割细胞图像的实例中心标记；
根据所述掩膜图像和所述实例中心标记，基于预设的图像分割算法，获取待分割细胞的目标分割图像。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (12)

1.一种细胞图像的分割方法，其特征在于，包括：
获取待分割细胞图像；
将所述待分割细胞图像输入至预设的对抗式生成网络，得到掩膜图像；
根据所述掩膜图像，获取所述待分割细胞图像的实例中心标记；
根据所述掩膜图像和所述实例中心标记，基于预设的图像分割算法，获取待分割细胞的目标分割图像。
2.根据权利要求1所述的方法，其特征在于，所述对抗式生成网络为预先训练的对齐解纠缠神经网络，所述对齐解纠缠神经网络包括串行的编码器神经网络和解码器神经网络；
相应地，将所述待分割细胞图像输入至预设的对抗式生成网络，得到掩膜图像，包括：
将预先设置的图像域标签和待分割细胞图像输入至所述编码器神经网络，获取所述待分割细胞图像的内容表示；
将预先设置的掩膜域标签和所述待分割细胞图像的内容表示输入至所述解码器神经网络，获取待分割细胞图像的掩膜图像。
3.根据权利要求1所述的方法，其特征在于，所述实例中心标记处的像素值位于预设的像素范围内；
相应地，根据所述掩膜图像，获取所述待分割细胞图像的实例中心标记，包括：
根据所述掩膜图像中的像素值，基于阈值分割算法，将位于预设像素范围内的像素值划分为实例中心标记。
4.根据权利要求1所述的方法，其特征在于，根据所述掩膜图像和所述实例中心标记，基于预设的图像分割算法，获取待分割细胞的目标分割图像，包括：
将所述掩膜图像和所述实例中心标记输入至预设的基于标记的分水岭算法，获得所述待分割细胞的目标分割图像。
5.根据权利要求2所述的方法，其特征在于，在获取待分割细胞图像之前，还包括：
获取无配对的待训练细胞图像和待训练掩膜图像；
将所述待训练细胞图像、预设的图像域标签、待训练掩膜图像和预设的掩膜域标签输入至预设的对齐解纠缠神经网络中，得到输出细胞图像和输出掩膜图像；
根据待训练细胞图像、待训练掩膜图像、输出细胞图像和输出掩膜图像，得到对齐解纠缠神经网络的损失函数值；
根据所述损失函数值对所述对齐解纠缠神经网络进行参数调整，以完成所述对齐解纠缠神经网络的训练。
6.根据权利要求5所述的方法，其特征在于，将所述待训练细胞图像、预设的图像域标签、待训练掩膜图像和预设的掩膜域标签输入至对齐解纠缠神经网络中，得到输出细胞图像和输出掩膜图像，包括：
将所述待训练细胞图像和预设的图像域标签输入至对齐解纠缠神经网络的编码器神经网络，获取待训练细胞图像的内容表示，以及将所述待训练掩膜图像和预设的掩膜域标签输入至编码器神经网络，获取待训练掩膜图像的内容表示；
将所述待训练细胞图像的内容表示和图像域标签输入至解码器神经网络，获得重建细胞图像，以及将所述待训练掩膜图像的内容表示和掩膜域标签输入至解码器神经，获得重建掩膜图像。
7.根据权利要求6所述的方法，其特征在于，在将所述待训练细胞图像和预设的图像域标签输入至对齐解纠缠神经网络的编码器神经网络，获取待训练细胞图像的内容表示，以及将所述待训练掩膜图像和预设的掩膜域标签输入至编码器神经网络，获取待训练掩膜图像的内容表示之后，还包括：
将所述待训练细胞图像的内容表示和掩模域标签输入至解码器神经网络，获得生成掩膜图像，以及将所述待训练掩膜图像的内容表示和图像域标签输入至解码器神经网络，获得生成细胞图像；
将所述生成掩膜图像和掩膜域标签输入至编码器神经网络，得到生成掩膜图像的内容表示，以及将所述生成细胞图像和图像域标签输入至编码器神经网络，得到生成细胞图像的内容表示；
将所述生成掩膜图像的内容表示和图像域标签输入至解码器神经网络，获得循环重建细胞图像，以及将所述生成细胞图像的内容表示和掩膜域标签输入至解码器神经网络，获得循环重建掩膜图像。
8.根据权利要求6或7所述的方法，其特征在于，根据待训练细胞图像、待训练掩膜图像、输出细胞图像和输出掩膜图像，得到对齐解纠缠神经网络的损失函数值，包括：
根据所述待训练细胞图像、待训练掩膜图像、重建细胞图像和重建掩膜图像，获得第一损失函数值；
根据所述待训练细胞图像的内容表示、生成掩膜图像的内容表示、待训练掩膜图像的内容表示和生成细胞图像的内容表示，获得第二损失函数值；
根据待训练细胞图像、循环重建细胞图像、待训练掩膜图像和循环重建掩膜图像，获得第三损失函数值；
根据待训练细胞图像、待训练掩膜图像、生成掩膜图像和生成细胞图像，获得第四损失函数值。
9.根据权利要求8所述的方法，其特征在于，所述对齐解纠缠神经网络还包括域鉴别器网络；
相应地，根据所述损失函数值对所述对齐解纠缠神经网络进行参数调整，包括：
根据所述第一损失函数值、第二损失函数值、第三损失函数值和第四损失函数值对所述编码器神经网络和解码器神经网络进行参数调整；
根据所述第四损失函数值对所述域鉴别器网络进行参数调整。
10.一种细胞图像的分割装置，其特征在于，包括：
待分割图像获取模块，用于获取待分割细胞图像；
掩膜图像获取模块，用于将所述待分割细胞图像输入至预设的对抗式生成网络，得到掩膜图像；
中心标记获取模块，用于根据所述掩膜图像，获取所述待分割细胞图像的实例中心标记；
目标图像获取模块，用于根据所述掩膜图像和所述实例中心标记，基于预设的图像分割算法，获取待分割细胞的目标分割图像。
11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-9中任一所述的细胞图像的分割方法。
12.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-9中任一所述的细胞图像的分割方法。
CN202110565107.0A 2021-05-24 2021-05-24 一种细胞图像的分割方法、装置、电子设备及存储介质 Active CN113177957B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110565107.0A CN113177957B (zh) 2021-05-24 2021-05-24 一种细胞图像的分割方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110565107.0A CN113177957B (zh) 2021-05-24 2021-05-24 一种细胞图像的分割方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113177957A true CN113177957A (zh) 2021-07-27
CN113177957B CN113177957B (zh) 2024-03-08

Family

ID=76929674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110565107.0A Active CN113177957B (zh) 2021-05-24 2021-05-24 一种细胞图像的分割方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113177957B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708286A (zh) * 2022-06-06 2022-07-05 珠海横琴圣澳云智科技有限公司 基于伪标注动态更新的细胞实例分割方法和装置
CN116188463A (zh) * 2023-04-24 2023-05-30 中国科学院长春光学精密机械与物理研究所 Fish图像信号自动检测分析方法、装置、设备以及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091571A (zh) * 2019-12-12 2020-05-01 珠海圣美生物诊断技术有限公司 细胞核分割方法、装置、电子设备及计算机可读存储介质
CN111145209A (zh) * 2019-12-26 2020-05-12 北京推想科技有限公司 一种医学图像分割方法、装置、设备及存储介质
CN111462086A (zh) * 2020-03-31 2020-07-28 北京推想科技有限公司 图像分割方法及装置、神经网络模型的训练方法及装置
CN112614144A (zh) * 2020-12-30 2021-04-06 深圳市联影高端医疗装备创新研究院 一种图像分割方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091571A (zh) * 2019-12-12 2020-05-01 珠海圣美生物诊断技术有限公司 细胞核分割方法、装置、电子设备及计算机可读存储介质
CN111145209A (zh) * 2019-12-26 2020-05-12 北京推想科技有限公司 一种医学图像分割方法、装置、设备及存储介质
CN111462086A (zh) * 2020-03-31 2020-07-28 北京推想科技有限公司 图像分割方法及装置、神经网络模型的训练方法及装置
CN112614144A (zh) * 2020-12-30 2021-04-06 深圳市联影高端医疗装备创新研究院 一种图像分割方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708286A (zh) * 2022-06-06 2022-07-05 珠海横琴圣澳云智科技有限公司 基于伪标注动态更新的细胞实例分割方法和装置
CN116188463A (zh) * 2023-04-24 2023-05-30 中国科学院长春光学精密机械与物理研究所 Fish图像信号自动检测分析方法、装置、设备以及介质

Also Published As

Publication number Publication date
CN113177957B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
US11200424B2 (en) Space-time memory network for locating target object in video content
CN110874594A (zh) 基于语义分割网络的人体外表损伤检测方法及相关设备
US11935213B2 (en) Laparoscopic image smoke removal method based on generative adversarial network
CN113177957B (zh) 一种细胞图像的分割方法、装置、电子设备及存储介质
CN109710705A (zh) 地图兴趣点处理方法和装置
Shu et al. LVC-Net: Medical image segmentation with noisy label based on local visual cues
CN113706562B (zh) 图像分割方法、装置、系统及细胞分割方法
GB2579262A (en) Space-time memory network for locating target object in video content
CN112330701A (zh) 基于极坐标表示的组织病理图像细胞核分割方法及系统
CN114266860A (zh) 三维人脸模型建立方法、装置、电子设备及存储介质
CN111382647A (zh) 一种图片处理方法、装置、设备及存储介质
CN112581483A (zh) 基于自学习的植物叶片叶脉分割方法和装置
Rahmat et al. Android-based automatic detection and measurement system of highway billboard for tax calculation in Indonesia
CN116433692A (zh) 一种医学图像分割方法、装置、设备和存储介质
CN112149689A (zh) 基于目标领域自监督学习的无监督领域适应方法和系统
CN116612417A (zh) 利用视频时序信息的特殊场景车道线检测方法及装置
CN113313700B (zh) 一种基于深度学习的x射线图像交互式分割方法
CN116977338B (zh) 基于视觉语义联合的染色体病例级异常提示系统
CN117058384B (zh) 一种三维点云语义分割的方法及系统
CN116309612B (zh) 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质
CN111311601B (zh) 一种拼接图像的分割方法及装置
CN115953345B (zh) 脑出血医学图像的病变合成方法、装置及存储介质
CN113255756B (zh) 图像融合方法、装置、电子设备及存储介质
CN113012167B (zh) 一种细胞核与细胞质的联合分割方法
CN114266777A (zh) 分割模型的训练方法、分割方法、装置、电子设备及介质

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