基于深度学习的秀丽隐杆线虫显微图像分割方法

摘要：

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战.针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割.首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化.实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点.表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体.

关键词：秀丽隐杆线虫、图像分割、深度学习、掩模区域卷积神经网络、特征融合、大幅度软最大损失

所属期刊栏目：40

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金面上项目31600975

在线出版日期：2020-06-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1453-1459