基于改进Mask-Scoring R-CNN的肌纤维自动分割与表型计算方法研究

摘要

为解决人工手动分割与半自动分割的精度及效率问题以及通用分割模型在面对各种噪声干扰时的表现不足，提出改进Mask-Scoring R-CNN的实例分割模型，实现对肌纤维细胞的高效分割。在Mask-Scoring R-CNN模型中引入CBAM(convolutional block attention module)注意力机制，并对其进行改进，强化模型对特征信息的提取与表达，从而提升分割效果与模型在肌纤维分割任务中的泛化能力。改进Mask-Scoring RCNN模型在103张测试集的测试结果显示，表型数据测定值的均方根误差均比原模型更小，肌纤维总数均方根误差从2.08降至1.26，面积均方根误差从212.21μm2降低至181.36μm2，平均直径均方根误差从2.87μm降低至1.47μm。试验结果表明改进后的模型能有效应对含噪声的肌纤维图像，在常见的噪声环境下依然能够准确分割出每个肌纤维。

关键词

实例分割 / Mask-Scoring R-CNN / 猪肉肌纤维表型 / 细胞分割 / 注意力机制