技术摘要：
一种基于Mask轮廓的细胞图像分割方法，包括以下步骤：步骤1，制作数据集；步骤2，细胞的特征提取，包括以下步骤：2.1、特征提取网络的搭建；2.2、特征多尺度融合；步骤3，多任务分支网络的搭建，主要搭建分类分支网络、分割分支网络以及Centerness分支网络，将融合后的  全部
背景技术：
分子细胞水平研究是新药研制的重要组成步骤，特别近些年来，癌症等细胞疾病 的发病率呈逐年上升的趋势。在我国，每年有过百万人被检测出患有癌症，并有大量患者因 癌症而死亡，因此，抗癌药物的研发对于癌症的治疗和预防起着至关重要的作用，医学病理 细胞图像分析是抗癌药物研发过程中的一个重要步骤。在医学细胞图像分析中，细胞图像 的检测与分割是最为重要的环节之一，同时也是对细胞图像进行识别等研究的基本前提。 在病理细胞图像的分割任务中，最常遇到的问题是由细胞图像切片制作不理想所带来的。 在切片制作过程中，显微镜下的细胞图像呈现出随机分布的状态，由于人为或自然因素而 导致细胞图像中出现细胞重叠或粘连的情况。真实细胞图像具有多样性和复杂性。例如，单 个细胞的大小和形状不一，团簇细胞之间发生重叠甚至相互挤压变形，细胞质及细胞核区 域不均匀等。细胞图像的这些缺陷会对细胞图像的检测和分割过程造成不良影响，导致检 测与分割结果出现误差。 图像分割是指根据图像的纹理、灰度、色彩、几何信息等不同特征进行区域划分， 把图像分割成若干区域，将感兴趣区域提取出来的过程。随着深度学习的发展，因其优越性 被广泛用于解决图像分割问题。面向CNN区域分类的图像分割算法是将传统图像处理算法 与深度学习中的卷积神经网络相融合，先将输入的图片按不同的目标进行候选区域的划 分，得到候选区域后再通过网络对区域内每个像素进行语义分类，然后使用分类器分类的 结果对输入图像进行标注，最终得到分割的Mask结果。其中，候选区域的质量决定了图像分 割的精度，故面向CNN区域分类的图像分割算法的关键在于如何从输入图像中产生不同的 目标的候选区域。根据区域生成算法以及候选区域划分标准的不同，可以将面向CNN区域分 类的图像分割算法分成两类：基于候选区域的方法和基于分割掩膜的方法。在基于候选区 域的分割方法中常见的算法有SDS、MCG、Mask  R-CNN、Mask  Scoring  R-CNN等，在基于掩膜 的分割方法中常见的算法有DeepMask、SharpMask等。
技术实现要素：
为了解决现有深度学习算法在细胞图像分割时存在复杂度高、处理时间慢的问 题，本发明提供一种利用网络对目标生成Mask轮廓并对轮廓进行精修的细胞图像分割方 法。 本发明解决其技术问题所采用的技术方案如下： 一种基于Mask轮廓的细胞图像分割方法，包括以下步骤： 3 CN 111723845 A 说　明　书 2/4 页 步骤1：制作数据集，使用MS  COCO数据集格式，人工对数据集进行Ground  Truth (GT)的制作作为网络的训练集； 步骤2：特征提取网络的构建和多尺度特征的融合，特征提取网络选用深度残差网 络RseNet，其中RseNet采用50层卷积结构进行搭建，同时，在特征提取网络后加入FPN网络， 对提取出的特征进行多尺度的融合； 步骤3：多任务分支网络的搭建，搭建分类分支网络、分割分支网络以及 Centerness分支网络，将上一步特征融合后得到的图像特征分别送入这三个分支中进一步 操作处理； 步骤4：目标Mask轮廓的生成，通过可变形卷积网络在特征图上得到目标的多个特 征点，然后将特征点输入Graham算法生成初始目标的Mask轮廓； 步骤5：目标Mask轮廓的回归，初始目标的Mask轮廓之后，使用Ground  Truth监督 对Mask轮廓进行精修，生成最终的目标Mask轮廓，完成整个细胞图像的分割。 进一步，所述步骤2中，特征提取网络构建的步骤如下： 2.1、ResNet-50作为特征提取网络，整个网络采用全卷积，所以将最后一层的全连 接层去掉，以ResNet-50中各阶段输出特征图尺寸不同作为划分依据，将其定义为5个阶段 C1-C5，分别是：conv1、conv2_x、conv3_x、conv4_x、conv5_x，其中第1个阶段conv1是由1个 卷积核为7×7的卷积层构成，输出通道数为64，步长为2的卷积层，在卷积层后加入一个 ReLu的激活函数，同时在C1和C2层之间加入一个步长为2的最大池化层，C2是由3个连续的 残差结构组成，其中每个残差结构都由2个卷积核大小为1×1，步长为1，输出通道数分别为 64和256的卷积层加上1个卷积核大小为3×3，步长为1，输出通道数为64的卷积层构成，其 C2层最后卷积输出通道数为256；C3-C5阶段都是由与C2阶段中相同的残差结构组成，只是 每个阶段的残差数量和最后卷积输出通道数不同，分别为(4，6，3)和(512，1024，2048)，同 时为使网络在训练中加速收敛，在卷积和激活函数操作中均加入批量归一化操作； 2.3、FPN对提取的特征进行多尺度的融合，在ResNet-50的3个阶段中除去第一、第 二阶段的其他3个阶段提取到的特征进行自上而下连接和横向连接，P1阶段由C3阶段的输 出经过卷积核大小为1×1，步长为1，输出通道数为256的卷积层生成的特征图和P2阶段的 输出经过上采样操作得到的特征图相加而成；P2阶段类似于P1阶段，是由C4阶段和P3阶段 相加得到；P3阶段是由C5阶段直接通过卷积操作得到；而P4和P5阶段是分别由P3和P4阶段 经过步长为2的卷积操作得到；最后FPN将返回5个不同尺寸的特征图，其每个特征图的相邻 像素在原图上的差距分别为8、16、32、64、128个像素值。 本发明的有益效果为：利用可变卷积对特征图上每个像素点生成对应特征散点， 然后通过Craham算法将散点生成目标的伪Mask轮廓，并通过多任务损失不断对目标的Mask 轮廓进行回归，最终完成细胞图像的分割，该方法降低了图像分割任务的复杂度，降低了算 法训练时间，提升了算法性能。 附图说明 图1为本发明中细胞图像分割算法的流程图； 图2为本发明中特征提取网络结构示意图； 图3为本发明中提取特征多尺度融合示意图； 4 CN 111723845 A 说　明　书 3/4 页 图4为本发明中多任务分支网络结构示意图； 图5为本发明中细胞图像分割算法的结构图。