一種用于多尺度的神經形態檢測和分割方法技術

本發明專利技術公開了一種用于多尺度的神經形態檢測和分割方法，通過載入雙光子原始圖像數據，使用基于卷積神經網絡的算法對原始圖像數據進行基于形態的探測和分割，并進行模型的自動優化，獲得細胞或樹突棘的邊界曲線。可用于多種尺度：細胞水平、樹突棘水平的神經形態檢測和分割，還可對多種成像中神經形態如區分神經元、膠質細胞、以及血管，及區分不同的樹突棘形態：瘦的、短粗的，蘑菇形態，進行檢測和分類，獲得細胞或樹突棘的邊界曲線。

【技術實現步驟摘要】
一種用于多尺度的神經形態檢測和分割方法
本專利技術涉及生物醫學數據分析
，特別涉及多尺度的神經形態檢測和分割方法。
技術介紹
大腦在處理信息時，往往涉及到大量神經元的活動。因此，為了更好的理解大腦的功能，需要能夠同時記錄大量神經元的活動。雙光子鈣成像時一種在單細胞分辨率水平進行神經元活動在體成像的常用技術，可在一只動物上記錄成千或上萬的神經元，因此產生大規模的圖像數據。在分析獲得的成像數據過程中，最耗時的一個步驟就是人工畫出細胞的邊界，作為感興趣的區域，即人工分割細胞。然而，隨著雙光子大尺度成像技術的發展帶來的數據量急劇上升，人工的識別和分割細胞的邊界已無法滿足需求。為此，基于活動和形態檢測的不同算法被提出，用于神經細胞的探測和分割。但是，由于成像數據的細胞處在復雜的背景中，因此仍具有較多的挑戰。如基于神經細胞活動的檢測方法在細胞暫時不活動時會將其漏掉。而基于神經形態的方法，在不同熒光指示劑成像的圖像數據中，細胞形態具有多樣性，如果采用機器學習的方法，就必須要通過人工進行樣本的大量標記。比外，通常進行細胞檢測的方法不適用于細胞的微結構，如樹突棘的檢測等。
技術實現思路
針對現有技術存在的不足，本專利技術要解決的技術問題是提供一種用于多尺度的神經形態檢測和分割方法，可用于多種尺度：細胞水平、樹突棘水平的神經形態檢測和分割。為了實現上述目的，本專利技術是通過如下的技術方案來實現：一種用于多尺度的神經形態檢測和分割方法，載入雙光子原始圖像數據，使用基于卷積神經網絡的算法對原始圖像數據進行基于形態的探測和分割，并進行模型的自動優化，獲得細胞或樹突棘的邊界曲線。進一步的，具體步驟包括：S1、載入雙光子原始圖像數據，對原始圖像數據進行擴充作為輸入圖像，并通過遷移學習創建模型；S2、使用卷積神經網絡，對輸入圖像數據的進行批量歸一化和卷積計算，生成特征圖；S3、將S2中獲得的特征圖輸入區域推薦網絡獲取候選框，并進行目標檢測，生成目標概率值，判斷該點是否包含目標，然后通過回歸分析，輸出候選框的位置和尺寸信息作為候選區域；S4、在獲取候選區域的基礎上，對感興趣的區域對齊，讓網絡提取的特征更容易找到前景以及得到與候選目標相對應的矩形框，得到相應大小的特征塊，再進行分類以及邊界框的回歸，最后通過卷積及反卷積運算進行像素級分割，獲得細胞或樹突棘的邊界曲線。進一步的，在S4的基礎上還包括S5：將貝葉斯優化用于去獲得模型中的最優超參數，包括遷移學習中對第幾層機型微調，候選框的大小和長寬比例，從而獲得最優的模型。進一步的，在S1中，對圖像數據進行擴充具體為：將原始圖像數據進行平移、旋轉、放縮以及切變的操作，從而將原有的數據進行擴充，減少過擬合。進一步的，在S1中，通過遷移學習創建模型，為采用遷移學習中的微調方法，在含有豐富標簽的大規模數據集訓練好的模型基礎上，對少量成像數據進行訓練，通過固定前面幾層較淺的網絡，微調卷積神經網絡的參數，可以很快獲得新訓練好的模型。進一步的，在S2中，使用卷積神經網絡所作的卷積操作為分組卷積，通過引入分組數，將輸入與輸出的通道均進行分組以減少參數數量。進一步的，在S2中，在經過卷積計算后再依順次經歷激活層、全連接層、上采樣層和分割層；所述激活層用于為卷積神經網絡加入非線性；所述全連接層用于生成不同目標的分類結果；所述上采樣層，采用最近鄰點插值法方法進行上采樣；所述分割成層通過特征金字塔網絡將上采樣所得的特征矩陣進行連接，對形狀不同的矩陣進行裁剪。進一步的，在S3中，目標檢測分為兩步，第一步為生成多個可能包含檢測物體的候選邊框；第二步再確定候選框中是否包含目標物體，將目標物體和非目標物體的候選框作為訓練樣本輸入到區域推薦網絡中進行訓練，用于確定目標邊框的置信度及位置和尺寸。本專利技術的有益效果：1.本專利技術一種用于多尺度的神經形態檢測和分割方法，通過載入雙光子原始圖像數據，使用基于卷積神經網絡的算法對原始圖像數據進行基于形態的探測和分割，并進行模型的自動優化，獲得細胞或樹突棘的邊界曲線。可用于多種尺度：細胞水平、樹突棘水平的神經形態檢測和分割，還可對多種成像中神經形態如區分神經元、膠質細胞、以及血管，及區分不同的樹突棘形態：瘦的、短粗的，蘑菇形態，進行檢測和分類，獲得細胞或樹突棘的邊界曲線。2.本專利技術一種用于多尺度的神經形態檢測和分割方法，通過對圖像數據進行擴充和遷移學習技術，將需要標記的訓練樣本量大大減少。3.本專利技術一種用于多尺度的神經形態檢測和分割方法，利用貝葉斯優化技術進行超參數優化的自動化機器學習，對深度神經網絡十分重要。通過超參數的自動優化技術，進行模型的自動調整，實現探測和分割過程的全自動化。附圖說明為了更清楚地說明本專利技術具體實施方式或現有技術中的技術方案，下面將對具體實施方式或現有技術描述中所需要使用的附圖作簡單地介紹。在所有附圖中，類似的元件或部分一般由類似的附圖標記標識。附圖中，各元件或部分并不一定按照實際的比例繪制。圖1為本專利技術一種用于多尺度的神經形態檢測和分割方法的流程示意圖。圖2為本專利技術一種用于多尺度的神經形態檢測和分割方法形成的軟件，在使用過程中的截圖。具體實施方式下面將結合附圖對本專利技術技術方案的實施例進行詳細的描述。以下實施例僅用于更加清楚地說明本專利技術的技術方案，因此只作為示例，而不能以此來限制本專利技術的保護范圍。需要注意的是，除非另有說明，本申請使用的技術術語或者科學術語應當為本專利技術所屬領域技術人員所理解的通常意義。實施例1如圖1，本專利技術提供一種用于多尺度的神經形態檢測和分割方法，通過載入雙光子原始圖像數據，使用基于卷積神經網絡的算法對原始圖像數據進行基于形態的探測和分割，并進行模型的自動優化，獲得細胞或樹突棘的邊界曲線。可用于多種尺度：細胞水平、樹突棘水平的神經形態檢測和分割，還可對多種成像中神經形態如區分神經元、膠質細胞、以及血管，及區分不同的樹突棘形態：瘦的、短粗的，蘑菇形態，進行檢測和分類，獲得細胞或樹突棘的邊界曲線。具體步驟為：S1、載入雙光子原始圖像數據，對圖像數據進行擴充，并通過遷移學習創建模型；對圖像數據進行擴充具體為：將原始圖像數據進行平移、旋轉、放縮以及切變的操作，從而將原有的數據進行擴充，減少過擬合。通過遷移學習創建模型，為采用遷移學習中的微調方法，在含有豐富標簽的大規模數據集ImageNet訓練好的模型基礎上，對少量成像數據進行訓練，通過固定前面幾層較淺的網絡，微調卷積神經網絡網絡的參數，可以很快獲得新訓練好的模型。通過對圖像數據進行擴充和遷移學習技術，將需要標記的訓練樣本量大大減少。S2、使用卷積神經網絡，對輸入圖像數據的進行批量歸一化和卷積計算，生成特征圖；對輸入圖像數據進行批量歸一化計算采用公式(1)-(3)：datamean[i]＝mean(data[:,i,:,…])(1)data_var[i]＝var(data[:,i,:,…])(2)在上述公式(1)至(3)，gamma以及beta通過學習確定，∈為較小的值。目的是為了防止公式(3)中分母為0。其中，data為輸入數據，大小為(batchsize,channel,height,width),batchsize為進行批量歸一化的數量，channel為數據通道數，height為圖像的高，width本文檔來自技高網...

【技術保護點】
1.一種用于多尺度的神經形態檢測和分割方法，其特征在于，載入雙光子原始圖像數據，使用基于卷積神經網絡的算法對原始圖像數據進行基于形態的探測和分割，并進行模型的自動優化，獲得細胞或樹突棘的邊界曲線。

【技術特征摘要】
1.一種用于多尺度的神經形態檢測和分割方法，其特征在于，載入雙光子原始圖像數據，使用基于卷積神經網絡的算法對原始圖像數據進行基于形態的探測和分割，并進行模型的自動優化，獲得細胞或樹突棘的邊界曲線。2.根據權利要求1所述的一種用于多尺度的神經形態檢測和分割方法，其特征在于，具體步驟包括：S1、載入雙光子原始圖像數據，對原始圖像數據進行擴充作為輸入圖像，并通過遷移學習創建模型；S2、使用卷積神經網絡，對輸入圖像數據的進行批量歸一化和卷積計算，生成特征圖；S3、將S2中獲得的特征圖輸入區域推薦網絡獲取候選框，并進行目標檢測，生成目標概率值，判斷該點是否包含目標，然后通過回歸分析，輸出候選框的位置和尺寸信息作為候選區域；S4、在獲取候選區域的基礎上，對感興趣的區域對齊，讓網絡提取的特征更容易找到前景以及得到與候選目標相對應的矩形框，得到相應大小的特征塊，再進行分類以及邊界框的回歸，最后通過卷積及反卷積運算進行像素級分割，獲得細胞或樹突棘的邊界曲線。3.根據權利要求2所述的一種用于多尺度的神經形態檢測和分割方法，其特征在于，在S4的基礎上還包括S5：將貝葉斯優化用于去獲得模型中的最優超參數，包括遷移學習中對第幾層機型微調，候選框的大小和長寬比例，從而獲得最優的模型。4.根據權利要求2所述的一種用于多尺度的神經形態檢測和分割方法，其特征在于，在S1中，對圖像數據進行擴充具體為：將原...

【專利技術屬性】
技術研發人員：廖祥，管江衡，諶小維，
申請(專利權)人：廖祥，
類型：發明
國別省市：重慶,50