细胞电镜图像分割模型的训练方法和细胞器互作分析方法技术

本发明专利技术公开了一种细胞电镜图像分割模型的训练方法，包括：采集细胞电镜图像并对细胞电镜图像进行专家标注和预处理，将预处理后的细胞电镜图像划分为训练集和测试集；构建细胞电镜图像分割模型并利用训练集训练细胞电镜图像分割模型；利用训练生成的细胞电镜图像分割模型分割细胞电镜图像测试集，获取分割图；对分割图进行筛选获得筛选结果；采集新的细胞电镜图像并与筛选结果合并成新的训练集，利用测试集继续优化细胞电镜图像分割模型；迭代执行分割操作、筛选操作、采集合并操作以及优化操作，直到细胞电镜图像分割模型能够识别测试集上所有的细胞器，获得训练完成的细胞电镜图像分割模型。本发明专利技术同时还公开了一种细胞器互作分析方法及系统。作分析方法及系统。作分析方法及系统。

【技术实现步骤摘要】
细胞电镜图像分割模型的训练方法和细胞器互作分析方法


[0001]本专利技术涉及计算机视觉图像处理领域、电镜成像领域以及统计分析领域，具体涉及一种细胞电镜图像分割模型的训练方法，一种细胞器互作分析方法及系统。

技术介绍

[0002]细胞器泛指散布于细胞质中的执行不同生理功能的多种模型结构。细胞器相互作用(简称细胞器互作)是细胞执行正常生理功能和维持代谢平衡的重要途径。膜接触位点(Membrane Contact Site，MCS)是细胞器互作的主要方式，是由细胞器之间由栓系因子(molecular tethering)介导细胞内的脂质、钙离子、活性氧和信号转导等多种动态平衡和功能过程。MCS在细胞生物学乃至生理及病理状态下的功能仍有很多未知，是目前研究的重要热点问题。现有技术中，SplitGFP以及可诱导的MCS荧光标记技术在近十年以来被用于量化MCS，但这些技术都有对MCS形成的人为干扰，不能真实反映生理状态下MCS的形成状态。
[0003]电子显微镜(简称电镜)可以采集所有细胞器的超分辨率全景信息，满足纳米尺度MCS定性和定量分析需求，被用于定义内质网(ER)和线粒体(Mito)之间的互作类型。电镜数据的MCS量化分析为解析MCS在特定细胞动态过程中的作用提供了一些关键证据。然而，以往基于手动分割的MCS量化耗时费力，无法避免人工判断的主观因素干扰，难以支持样品间的高通量大样本统计比对分析。
[0004]深度学习可以实现自动化、无主观因素干扰的图像分割，被用于细胞电镜三维数据分割，但大体量三维数据对电镜机时以及计算资源需求量巨大，目前仍限于特定电镜样本分割分析，无法满足一般生物医学统计分析的样本量要求。

技术实现思路

[0005]为了解决上述问题，本专利技术提供了一种细胞电镜图像分割模型的训练方法、一种细胞器互作分析方法及系统。
[0006]根据本专利技术的第一方面，提供了一种细胞电镜图像分割模型的训练方法，包括：
[0007]采集细胞电镜图像，并对细胞电镜图像进行专家标注，获取带标签的细胞电镜图像，其中，标签包括根据细胞器形态划分的第一类细胞器和第二类细胞器；
[0008]对带标签的细胞电镜图像进行预处理，获得预处理后的细胞电镜图像样本，并将预处理后的细胞电镜图像样本划分成训练集和测试集；
[0009]构建细胞电镜图像分割模型，其中，细胞电镜图像分割模型包括语义分割网络和实例分割网络；
[0010]利用标签为第一类细胞器的细胞电镜图像训练集训练语义分割网络，并利用训练生成的语义分割网络处理标签为第一类细胞器的细胞电镜图像测试集，获取第一类细胞器预测分割图；
[0011]利用标签为第二类细胞器的细胞电镜图像训练集训练实例分割网络，并利用训练生成的实例分割网络处理标签为第二类细胞器的细胞电镜图像测试集，获取第二类细胞器
预测分割图；
[0012]对第一类细胞器预测分割图和第二类细胞器预测分割图进行筛选，获取预测分割图筛选结果，其中，预测分割图筛选结果包括未能识别出细胞器和/或细胞器识别错误的分割图；
[0013]采集新的细胞电镜图像并进行专家标注和预处理，将新的细胞电镜图像和预测分割图筛选结果合并成新的训练集，利用测试集优化细胞电镜图像分割模型；
[0014]迭代执行分割操作、筛选操作、采集合并操作以及优化操作，直到细胞电镜图像分割模型能够识别测试集上所有的细胞器，获得训练完成的细胞电镜图像分割模型。
[0015]根据本专利技术的实施例，上述对带标签的细胞电镜图像进行预处理，获得预处理后的细胞电镜图像样本包括：
[0016]提取细胞电镜图像的目标区域图像；
[0017]根据预设像素值和预设分辨率，调整目标区域图像的大小并对目标区域图像进行归一化；
[0018]根据预设步长值，利用滑动窗口算法处理归一化后的目标区域图像，获得多个目标图像；
[0019]对每一个目标图像进行仿射变换和高斯模糊，获得预处理后的细胞电镜图像样本。
[0020]根据本专利技术的实施例，上述第一类细胞器用于表示具有不规则形状的细胞器；
[0021]其中，第二类细胞器用于表示具有规则形状的细胞器；
[0022]其中，专家标注表示通过专家选择细胞电镜图像中具有典型形状特征的第一类细胞器和第二类细胞器。
[0023]根据本专利技术的实施例，上述利用标签为第一类细胞器的细胞电镜图像训练集训练语义分割网络包括：
[0024]利用U
‑
Net、FPN、LinkNet以及PSPNet网络分别对标签为第一类细胞器的细胞电镜图像训练集进行分割；
[0025]根据Dice系数，选择Dice系数得分最高的网络作为语义分割网络用于获取第一类细胞器预测分割图；
[0026]其中，U
‑
Net、FPN、LinkNet以及PSPNet网络是用于图像分割的神经网络，Dice系数是集合相似度度量函数。
[0027]根据本专利技术的实施例，上述利用标签为第二类细胞器的细胞电镜图像训练集训练实例分割网络，并利用训练生成的实例分割网络处理标签为第二类细胞器的细胞电镜图像测试集，获取第二类细胞器预测分割图包括：
[0028]构建实例分割网络并进行初始化，其中，实例分割网络包括骨干特征提取网络、区域提案网络、区域分类网络和骨干分割网络；
[0029]利用骨干特征提取网络处理细胞电镜图像，获取细胞电镜图像的特征图；
[0030]利用区域提案网络处理特征图，将特征图的中心点作为基准点，根据预设的面积值和长宽比进行组合，获取细胞电镜图像的多个不同尺度的候选框；
[0031]利用区域分类网络处理候选框，根据分类损失函数，获得候选框的分类和坐标信息；
[0032]利用骨干分割网络处理分类和坐标信息，根据损失函数，获得获取第二类细胞器预测分割图。
[0033]根据本专利技术的实施例，上述损失函数包括分类损失函数、回归损失函数和区域提案网络损失函数；
[0034]其中，分类损失函数由公式(1)表示：
[0035][0036]其中，N表示预测的模版框个数，p
i
表示第i个模版框的预测概率；
[0037]其中，回归损失函数由公式(2)和公式(3)表示：
[0038][0039][0040]其中，表示第u类目标的预测矩形框第i个坐标值，v
i
表示目标矩形框对应的第i个坐标值，表示平滑函数；
[0041]其中，区域提案网络损失函数由式(4)表示：
[0042][0043]其中，N
cls
表示所有模版框的数量，p
i
表示第i个模版框的预测概率，表示第i个模版框对应的真实标签，{p
i
}表示所有模版框的预测概率集合，{t
i
}表示所有模版框的预测坐标向量集合，t
i
表示第i个模版框参数化处理后坐标向量，表示第i个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种细胞电镜图像分割模型的训练方法，包括：采集细胞电镜图像，并对所述细胞电镜图像进行专家标注，获取带标签的细胞电镜图像，其中，所述标签包括根据细胞器形态划分的第一类细胞器和第二类细胞器；对所述带标签的细胞电镜图像进行预处理，获得预处理后的细胞电镜图像样本，并将所述预处理后的细胞电镜图像样本划分成训练集和测试集；构建细胞电镜图像分割模型，其中，所述细胞电镜图像分割模型包括语义分割网络和实例分割网络；利用所述标签为第一类细胞器的细胞电镜图像训练集训练所述语义分割网络，并利用训练生成的语义分割网络处理所述标签为第一类细胞器的细胞电镜图像测试集，获取第一类细胞器预测分割图；利用所述标签为第二类细胞器的细胞电镜图像训练集训练所述实例分割网络，并利用训练生成的实例分割网络处理所述标签为第二类细胞器的细胞电镜图像测试集，获取第二类细胞器预测分割图；对所述第一类细胞器预测分割图和所述第二类细胞器预测分割图进行筛选，获取预测分割图筛选结果，其中，所述预测分割图筛选结果包括未能识别出细胞器和/或细胞器识别错误的分割图；采集新的细胞电镜图像并进行专家标注和预处理，将所述新的细胞电镜图像和所述预测分割图筛选结果合并成新的训练集，利用所述测试集优化所述细胞电镜图像分割模型；迭代执行分割操作、筛选操作、采集合并操作以及优化操作，直到所述细胞电镜图像分割模型能够识别所述测试集上所有的细胞器，获得训练完成的细胞电镜图像分割模型。2.根据权利要求1所述的方法，其中，所述对所述带标签的细胞电镜图像进行预处理，获得预处理后的细胞电镜图像样本包括：提取所述细胞电镜图像的目标区域图像；根据预设像素值和预设分辨率，调整所述目标区域图像的大小并对所述目标区域图像进行归一化；根据预设步长值，利用滑动窗口算法处理归一化后的目标区域图像，获得多个目标图像；对每一个所述目标图像进行仿射变换和高斯模糊，获得所述预处理后的细胞电镜图像样本。3.根据权利要求1所述的方法，其中，所述第一类细胞器用于表示具有不规则形状的细胞器；其中，所述第二类细胞器用于表示具有规则形状的细胞器；其中，所述专家标注表示通过专家选择所述细胞电镜图像中具有典型形状特征的第一类细胞器和第二类细胞器。4.根据权利要求1所述的方法，其中，所述利用所述标签为第一类细胞器的细胞电镜图像训练集训练所述语义分割网络包括：利用U
‑
Net、FPN、LinkNet以及PSPNet网络分别对所述标签为第一类细胞器的细胞电镜图像训练集进行分割；根据Dice系数，选择Dice系数得分最高的网络作为所述语义分割网络用于获取所述第
一类细胞器预测分割图；其中，所述U
‑
Net、FPN、LinkNet以及PSPNet网络是用于图像分割的神经网络，Dice系数是集合相似度度量函数。5.根据权利要求1所述的方法，其中，所述利用所述标签为第二类细胞器的细胞电镜图像训练集训练所述实例分割网络，并利用训练生成的实例分割网络处理所述标签为第二类细胞器的细胞电镜图像测试集，获取第二类细胞器预测分割图包括：构建所述实例分割网络并进行初始化，其中，所述实例分割网络包括骨干特征提取网络、区域提案网络、区域分类网络和骨干分割网络；利用所述骨干特征提取网络处理所述细胞电镜图像，获取所述细胞电镜图像的特征图；利用所述区域提案网络处理所述特征图，将所述特征图的中心点作为基准点，根据预设的面积值和长宽比进行组合，获取所述细胞电镜图像的多个不同尺度的候选框；利用所述区域分类网络处理所述候选框，根据分类损失函数，获得所述候选框的分类和坐标信息；利用所述骨干分...

【专利技术属性】
技术研发人员：徐涛，肖立，胡俊杰，刘丽清，杨树鑫，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：