【技術實現步驟摘要】
本專利技術涉及數據處理，具體涉及一種細胞核分割模型構建方法、細胞核分割方法及構建裝置。
技術介紹
1、細胞核分割是一項重要的生物醫學技術，主要是對采集的組織或體液樣本中的細胞開展顯微圖像處理與分析，從而獲得分離后的單個細胞核。細胞核分割技術對確定細胞核位置、形態、數量，進而開展基因表達、蛋白質表達等研究具有重要作用，在腫瘤液體活檢、空間多組學分析、病理診斷等領域具有廣泛應用。
2、然而獲取的組織細胞顯微圖像具有細胞異質性強、細胞堆疊、染色不均等問題，造成了細胞核識別分割準確性差、分割精度較低的問題。目前細胞或細胞核分割多采用傳統算法，如分水嶺算法或依賴可交互的軟件執行分割。分水嶺算法在對細胞核分割時，雖然無需依賴大量訓練數據來學習特征，但對預定義參數具有較高依賴，適用性較差，處理復雜組織圖像準確率較低。而利用可交互軟件，如ilastik(ilastik是一種用于生物醫學圖像分析的開源軟件)等開展細胞核分割時，為獲得良好的分割效果需執行多次標注交互和多輪迭代，其自動化程度較低。
3、目前還發展出了基于深度學習的細胞核分割方法，如基于unet的cellpose(cellpose是一個基于u-net結構的深度學習模型)等，通過構造多樣化、多場景訓練數據集，實現在不同應用場景下的普適性細胞分割能力，但是當細胞核形狀復雜、邊緣模糊或存在重疊時，則會導致細胞核分割邊界不夠準確。近年來又有改進的unet++、transformer、swinunet等深度學習方法陸續發展出來，由于存在過擬合、計算成本高、對數據標注依賴性
技術實現思路
1、有鑒于此，本專利技術提供了一種細胞核分割模型構建方法、細胞核分割方法及構建裝置，以解決現有技術中的細胞核分割方法細胞核分割精度不高的問題。
2、第一方面，本專利技術提供了一種細胞核分割模型構建方法，該構建方法包括：
3、獲取細胞圖像數據集；
4、構建細胞核分割網絡結構，細胞核分割網絡結構包括依次連接的補丁嵌入層、編碼器模塊、令牌化kan網絡模塊、解碼器模塊以及投影層，編碼器模塊與解碼器模塊之間還通過頻域可學習模塊連接；其中，頻域可學習模塊用于將編碼器模塊中的低級特征傳遞到解碼器模塊中；令牌化kan網絡模塊用于深層次特征提取；
5、基于細胞圖像數據集對細胞核分割網絡進行訓練，獲得細胞核分割模型。
6、本實施例中提出了一種用于細胞核識別分割的深度學習網絡模型ffvmukan，在vm-unet框架基礎上，針對邊界分割任務引入了圖像頻域敏感的頻域可學習模塊，通過學習圖像頻域特征提升細胞核邊界分割水平。本實施例中還引入了令牌化kan網絡模塊，可以滿足更深層次的特征提取需求，增加模型捕捉多尺度特征的能力。與傳統方法相比，本專利技術提供的細胞核分割模型更關注細胞核邊界作用，極大提高了細胞核分割精度。
7、在一種可選的實施方式中，編碼器模塊包括依次連接的多層編碼器，每層編碼器均包括視覺狀態空間模塊；第一層編碼器的輸入端與補丁嵌入層連接，最后一層編碼器的輸出端與令牌化kan網絡模塊連接；除最后一層編碼器外，每層編碼器還包括補丁合并層，且視覺狀態空間模塊的輸出端與補丁合并層連接；
8、解碼器模塊包括依次連接的多層解碼器，每層解碼器均包括視覺狀態空間模塊；第一層解碼器的輸入端與令牌化kan網絡模塊連接，最后一層解碼器的輸出端與投影層連接；除了第一層解碼器外，每層解碼器還包括補丁擴展層，且視覺狀態空間模塊的輸入端與補丁擴展層連接。
9、本實施例中，在淺層使用視覺狀態空間模塊，可以根據輸入數據的不同特征動態調整采樣策略，適應不同的分辨率和尺度，從而提高模型對多樣化數據的適應能力。在特征提取的基礎上，深層增加令牌化kan網絡模塊細化特征，不僅增加了網絡深度，還增加了模型捕捉多尺度特征的能力，結合令牌化kan網絡模塊的非線性建模進一步提升了細胞核分割精度。
10、在一種可選的實施方式中，每個編碼器的輸入端與每個解碼器的輸出端之間通過頻域可學習模塊連接。
11、本實施例中，在每個視覺狀態空間模塊的輸入端還設置了與頻域可學習模塊跳躍連接，頻域可學習模塊有助于將編碼器中的邊緣、紋理等低級特征傳遞到解碼器中，與解碼器的高級特征例如語義信息等相結合，有助于生成更精確的分割圖，從而進一步提高細胞核分割的精度。
12、在一種可選的實施方式中，頻域可學習模塊包括：依次連接的特征輸入模塊、快速傅里葉變換模塊、頻域特征圖模塊、反快速傅里葉變換模塊以及特征輸出模塊；
13、頻域可學習模塊還包括自學習注意力模塊，自學習注意力模塊包括參數可學習的注意力圖，用于與頻域特征圖模塊的輸出結果進行逐元素乘積，并將乘積結果輸出至反快速傅里葉變換模塊；
14、特征輸入模塊還與特征輸出模塊連接，用于將反快速傅里葉變換模塊的輸出結果與特征輸入模塊的原始特征進行相加。
15、本實施例中引入了殘差連接機制，將原始特征與經過第一條分支處理的特征進行疊加，保留了對細胞核邊緣細節的精細捕捉能力，在整體分割上實現優化。
16、在一種可選的實施方式中，令牌化kan網絡模塊，包括：令牌化kan網絡編碼塊以及令牌化kan網絡解碼塊；
17、最后一層編碼器的輸出端與令牌化kan網絡編碼塊連接；令牌化kan網絡解碼塊的輸出端與第一層解碼器的輸入端連接；且令牌化kan網絡編碼塊與同層的令牌化kan網絡解碼塊連接；
18、令牌化kan網絡編碼塊包括：依次連接的令牌化層、第一歸一化層、kan網絡層、第二歸一化層以及重塑輸出層；其中，令牌化層用于將特征圖令牌化為多個二維塊，kan網絡層用于進行非線性變換。
19、在一種可選的實施方式中，編碼器模塊包括依次連接的四層編碼器，每層編碼器均包括兩塊視覺狀態空間模塊；解碼器模塊包括依次連接的四層解碼器，除最后一層解碼器外，每層解碼器均包括兩塊視覺狀態空間模塊；最后一層解碼器包括一塊視覺狀態空間模塊。
20、本專利技術所構建的細胞核分割模型，也即是用于細胞或細胞核分割的ffvmukan模型具有更高的分割準確性，同時避免了復雜的參數設置和交互標注工作量。該模型通過頻域學習可實現更好地區分細胞核位置和背景位置，并通過殘差連接增強特征，不僅考慮了經過一系列變換后的特征，同時保留原始輸入特征，幫助網絡在不同的層次上學習圖像特征，捕捉到更加精細和魯棒的特征表示，顯著提升網絡處理細胞核邊緣細節的能力，尤其在邊界模糊或重疊區域，有效提高了分割的準確性。
21、第二方面，本專利技術提供了一種細胞核分割方法，該細胞核分割方法包括：
22、獲取待分割圖像；
23、將待分割圖像輸入根據上述任意一實施方式所述的構建方法構建的細胞核分割模型，獲得待分割圖像對應的細胞核分割結果。
24、第三方面，本專利技術提供了一種細胞核分割模型構建裝置，該裝置包括：
25本文檔來自技高網...
【技術保護點】
1.一種細胞核分割模型構建方法，其特征在于，所述構建方法包括：
2.根據權利要求1所述的方法，其特征在于，所述編碼器模塊包括依次連接的多層編碼器，每層編碼器均包括視覺狀態空間模塊；第一層編碼器的輸入端與所述補丁嵌入層連接，最后一層編碼器的輸出端與所述令牌化KAN網絡模塊連接；除最后一層編碼器外，每層編碼器還包括補丁合并層，且所述視覺狀態空間模塊的輸出端與所述補丁合并層連接；
3.根據權利要求2所述的方法，其特征在于，每個編碼器的輸入端與每個解碼器的輸出端之間通過所述頻域可學習模塊連接。
4.根據權利要求2所述的方法，其特征在于，所述頻域可學習模塊包括：依次連接的特征輸入模塊、快速傅里葉變換模塊、頻域特征圖模塊、反快速傅里葉變換模塊以及特征輸出模塊；
5.根據權利要求2所述的方法，其特征在于，所述令牌化KAN網絡模塊，包括：令牌化KAN網絡編碼塊以及令牌化KAN網絡解碼塊；
6.根據權利要求2所述的方法，其特征在于，所述編碼器模塊包括依次連接的四層編碼器，每層編碼器均包括兩塊所述視覺狀態空間模塊；所述解碼器模塊包括依次連接
7.一種細胞核分割方法，其特征在于，所述細胞核分割方法包括：
8.一種細胞核分割模型構建裝置，其特征在于，所述裝置包括：
9.一種計算機設備，其特征在于，包括：
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機指令，所述計算機指令用于使所述計算機執行權利要求1-6任一項所述的細胞核分割模型構建方法。
...【技術特征摘要】
1.一種細胞核分割模型構建方法，其特征在于，所述構建方法包括：
2.根據權利要求1所述的方法，其特征在于，所述編碼器模塊包括依次連接的多層編碼器，每層編碼器均包括視覺狀態空間模塊；第一層編碼器的輸入端與所述補丁嵌入層連接，最后一層編碼器的輸出端與所述令牌化kan網絡模塊連接；除最后一層編碼器外，每層編碼器還包括補丁合并層，且所述視覺狀態空間模塊的輸出端與所述補丁合并層連接；
3.根據權利要求2所述的方法，其特征在于，每個編碼器的輸入端與每個解碼器的輸出端之間通過所述頻域可學習模塊連接。
4.根據權利要求2所述的方法，其特征在于，所述頻域可學習模塊包括：依次連接的特征輸入模塊、快速傅里葉變換模塊、頻域特征圖模塊、反快速傅里葉變換模塊以及特征輸出模塊；
5.根據權利要求2所述的方法，其特征在于...
【專利技術屬性】
技術研發人員：姚佳，李修齊，周連群，李金澤，黃潤虎，楊棄，張芷齊，李樹力，
申請(專利權)人：中國科學院蘇州生物醫學工程技術研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。