开云优惠体育网页版入口

专利名称：一种细胞图像重构方法、装置、计算机设备及存储介质

专利类型：发明专利

专利申请号：CN202411321349.5

专利申请（专利权）人：西南开云优惠体育网页版入口大学
权利人地址：四川省绵阳市涪城区青龙大道中段59号

专利发明（设计）人：蒋和松,吴佩红,王学渊,张娟,唐鹤轩,詹锦坤

专利摘要：本发明提供了一种细胞图像重构方法、装置、计算机设备及存储介质，属于图像处理领域，该方法包括：构建复合卷积U网络MCU?Net；通过含细胞的结构光图像样本对MCU?Net进行训练，得到细胞结构光显微重建模型；获取目标细胞图像，将该目标细胞图像输入至细胞结构光显微重建模型中，得到重构的目标图像。这样，通过构建复合卷积U网络，并具体构建了非对称扩张卷积实现多尺度特征提。雇ü菇ㄔ銮刻卣骶酆夏？槭迪植胁盍由杓，实现了更高效的特征提取和融合，降低了计算复杂度，在处理细节丰富的区域时，能够保持图像的自然性和连续性，在保持高重构质量的同时，能够更快速地处理图像，提高了整体重构速度和效率。

主权利要求：
1.一种细胞图像重构方法，其特征在于，所述方法包括：
构建复合卷积U网络MCU?Net；所述MCU?Net基于U型网络U?Net的架构，包括输入模块、编码器、解码器和图像重构模块；将扩张卷积引入非对称卷积得到非对称扩张卷积AD，将AD作为输入模块；将多个残差局部特征模块RLFB作为多层编码器；将RLFB进行多层残差连接，并引入空洞空间卷积池化金字塔ASPP，得到增强特征聚合模块EFAB，将对应于RLFB的多个EFAB作为多层解码器；通过含细胞的结构光图像样本对MCU?Net进行训练，得到细胞结构光显微重建模型；
获取目标细胞图像，将所述目标细胞图像输入至细胞结构光显微重建模型中，通过所述输入模块对输入的目标细胞图像进行初步识别，得到初始特征图，通过多层编码器提取初始特征图的局部特征，得到增强特征图，通过多层解码器对增强特征图进行特征融合，得到综合特征图，最后通过图像重构模块对综合特征图进行重构输出，得到重构的目标图像。
2.根据权利要求1所述的一种细胞图像重构方法，其特征在于，所述将扩张卷积引入非对称卷积得到非对称扩张卷积AD包括：在非对称卷积的卷积核元素之间增加扩张因子 ，得到垂直卷积 为：；
水平卷积 为：
；
正方形卷积 为：
；
将所述垂直卷积、水平卷积以及正方形卷积进行特征融合，得到非对称扩张卷积AD为：；
其中，卷积核大小为 ， 表示卷积核从中心点向外延伸的单位数，表示从输入特征图 中在中心点 的位置取得偏移量为
和 的像素特征值， 、 和 分别表示专门在垂直方向延伸的卷积核、水平方向延伸的卷积核以及正方形卷积核， 表示卷积核权重的位置，b表示一个偏置项。
3.根据权利要求1所述的一种细胞图像重构方法，其特征在于，所述将多个残差局部特征模块RLFB作为多层编码器提取初始特征图的局部特征，得到增强特征图包括：将初始特征图 进行卷积核为 的卷积操作，然后应用于ReLU激活函数得到特征图 ；
与经过多个RLFB后输入的特征图 进行残差连接，得到输出 ；
通过空间注意力模块ESA对 进行特征变换 并应用激活函数 ，生成注意力权重，然后将注意力权重与 逐元素相乘，得到增强特征图 。
4.根据权利要求1所述的一种细胞图像重构方法，其特征在于，所述将RLFB进行多层残差连接包括：将第 个RLFB模块对前一层特征图 进行特征提。玫绞涑鎏卣魍 ；
将 与前一层特征图 以及之前所有层的特征图 进行残差连接，生成更新后的特征图 。
5.根据权利要求1所述的一种细胞图像重构方法，其特征在于，所述引入空洞空间卷积池化金字塔ASPP包括：将残差连接后的RLFB每个卷积输出都与前一层的输出进行通道维度的拼接，并通过
1x1卷积进行进一步的融合。
6.根据权利要求1所述的一种细胞图像重构方法，其特征在于，所述结构光图像样本包括低分辨率结构光图像及其对应的超分辨率结构光图像；所述通过含细胞的结构光图像样本对MCU?Net进行训练，得到细胞结构光显微重建模型包括：将所述低分辨率结构光图像输入至MCU?Net，得到预测高分辨率图像，以最小化所述预测高分辨率图像和对应的超分辨率架构光图像之间的损失函数为目标，对MCU?Net进行训练，得到细胞结构光显微重建模型。
7.根据权利要求6所述的一种细胞图像重构方法，其特征在于，通过将均方误差MSE和结构相似性指数SSIM相结合，构建损失函数：；
T P
其中， 为结构相关指数的比值系数，用于平衡SSIM和MSE的相对贡献，S 和S 分别代表真实值和模型预测值。
8.一种细胞图像重构装置，其特征在于，所述装置包括：
构建模块，用于构建复合卷积U网络MCU?Net；所述MCU?Net基于U型网络U?Net的架构，包括输入模块、编码器、解码器和图像重构模块；将扩张卷积引入非对称卷积得到非对称扩张卷积AD，将AD作为输入模块；将多个残差局部特征模块RLFB作为多层编码器；将RLFB进行多层残差连接，并引入空洞空间卷积池化金字塔ASPP，得到增强特征聚合模块EFAB，将对应于RLFB的多个EFAB作为多层解码器；
训练模块，用于通过含细胞的结构光图像样本对MCU?Net进行训练，得到细胞结构光显微重建模型；
重构模块，用于获取目标细胞图像，将所述目标细胞图像输入至细胞结构光显微重建模型中，通过所述输入模块对输入的目标细胞图像进行初步识别，得到初始特征图，通过多层编码器提取初始特征图的局部特征，得到增强特征图，通过多层解码器对增强特征图进行特征融合，得到综合特征图，最后通过图像重构模块对综合特征图进行重构输出，得到重构的目标图像。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～7任一项所述的方法。
10.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～7任一项所述的方法。 说明书 : 一种细胞图像重构方法、装置、计算机设备及存储介质技术领域[0001] 本发明属于图像处理领域，具体涉及一种细胞图像重构方法、装置、计算机设备及存储介质。背景技术[0002] 在细胞研究中，超分辨成像技术用于无损地揭示细胞行为，特别是结构化照明显微镜，在这一领域表现出其独特优势。基于结构光的超分辨技术利用特定的光学图案激发样本，并通过综合多个不同角度捕获的图像的频域信息来重建高分辨率图像，这一方法显著提升了光学成像系统的空间分辨率。然而，该技术通常需要高强度的照明以及多次图像采集才能生成单一的高分辨率图像。这一过程不仅显著降低了成像速度，还增加了样本暴露在强光下的时间，导致光毒性和光漂白问题的加剧。[0003] 现有技术中，通过低光照减少样本曝光问题，但是低光照条件下，图像的信噪比会显著降低，导致细节信息损失，因此为了获取更多图像细节，现有技术对图像的重构通常涉及数百万的权重参数，导致了巨大的计算负担，处理速度慢，不适合实时观察细胞的动态变化，同时也增加了设备的能耗和操作的复杂性。发明内容[0004] 为了解决低光照下图像重构效率低的问题，本发明提供了一种细胞图像重构方法、装置、计算机设备及存储介质。[0005] 为了实现上述目的，本发明提供如下技术方案：[0006] 一种细胞图像重构方法，所述方法包括：[0007] 构建复合卷积U网络MCU?Net；所述MCU?Net基于U型网络U?Net的架构，包括输入模块、编码器、解码器和图像重构模块；将扩张卷积引入非对称卷积得到非对称扩张卷积AD，将AD作为输入模块；将多个残差局部特征模块RLFB作为多层编码器；将RLFB进行多层残差连接，并引入空洞空间卷积池化金字塔ASPP，得到增强特征聚合模块EFAB，将对应于RLFB的多个EFAB作为多层解码器；通过含细胞的结构光图像样本对MCU?Net进行训练，得到细胞结构光显微重建模型；[0008] 获取目标细胞图像，将所述目标细胞图像输入至细胞结构光显微重建模型中，通过所述输入模块对输入的目标细胞图像进行初步识别，得到初始特征图，通过多层编码器提取初始特征图的局部特征，得到增强特征图，通过多层解码器对增强特征图进行特征融合，得到综合特征图，最后通过图像重构模块对综合特征图进行重构输出，得到重构的目标图像。[0009] 可选地，所述将扩张卷积引入非对称卷积得到非对称扩张卷积AD包括：[0010] 在非对称卷积的卷积核元素之间增加扩张因子 ，得到垂直卷积 为：[0011] ；[0012] 水平卷积 为：[0013] ；[0014] 正方形卷积 为：[0015] ；[0016] 将所述垂直卷积、水平卷积以及正方形卷积进行特征融合，得到非对称扩张卷积AD为：[0017] ；[0018] 其中，卷积核大小为 ， 表示卷积核从中心点向外延伸的单位数，表示从输入特征图 中在中心点 的位置取得偏移量为和 的像素特征值， 、 和 分别表示专门在垂直方向延伸的卷积核、水平方向延伸的卷积核以及正方形卷积核， 表示卷积核权重的位置，b表示一个偏置项。[0019] 可选地，所述将多个残差局部特征模块RLFB作为多层编码器提取初始特征图的局部特征，得到增强特征图包括：[0020] 将初始特征图 进行卷积核为 的卷积操作，然后应用于ReLU激活函数得到特征图 ；[0021] 与经过多个RLFB后输入的特征图 进行残差连接，得到输出 ；[0022] 通过空间注意力模块ESA对 进行特征变换 并应用激活函数 ，生成注意力权重，然后将注意力权重与 逐元素相乘，得到增强特征图 。[0023] 可选地，所述将RLFB进行多层残差连接包括：[0024] 将第 个RLFB模块对前一层特征图 进行特征提。玫绞涑鎏卣魍 ；[0025] 将 与前一层特征图 以及之前所有层的特征图 进行残差连接，生成更新后的特征图 。[0026] 可选地，所述引入空洞空间卷积池化金字塔ASPP包括：[0027] 将残差连接后的RLFB每个卷积输出都与前一层的输出进行通道维度的拼接，并通过1x1卷积进行进一步的融合。[0028] 可选地，所述结构光图像样本包括低分辨率结构光图像及其对应的超分辨率结构光图像；所述通过含细胞的结构光图像样本对MCU?Net进行训练，得到细胞结构光显微重建模型包括：[0029] 将所述低分辨率结构光图像输入至MCU?Net，得到预测高分辨率图像，以最小化所述预测高分辨率图像和对应的超分辨率架构光图像之间的损失函数为目标，对MCU?Net进行训练，得到细胞结构光显微重建模型。[0030] 可选地，通过将均方误差MSE和结构相似性指数SSIM相结合，构建损失函数：[0031] ；[0032] 其中， 为结构相关指数的比值系数，用于平衡SSIM和MSE的相对贡献，ST和SP分别代表真实值和模型预测值。[0033] 一种细胞图像重构装置，所述装置包括：[0034] 构建模块，用于构建复合卷积U网络MCU?Net；所述MCU?Net基于U型网络U?Net的架构，包括输入模块、编码器、解码器和图像重构模块；将扩张卷积引入非对称卷积得到非对称扩张卷积AD，将AD作为输入模块；将多个残差局部特征模块RLFB作为多层编码器；将RLFB进行多层残差连接，并引入空洞空间卷积池化金字塔ASPP，得到增强特征聚合模块EFAB，将对应于RLFB的多个EFAB作为多层解码器；[0035] 训练模块，用于通过含细胞的结构光图像样本对MCU?Net进行训练，得到细胞结构光显微重建模型；[0036] 重构模块，用于获取目标细胞图像，将所述目标细胞图像输入至细胞结构光显微重建模型中，通过所述输入模块对输入的目标细胞图像进行初步识别，得到初始特征图，通过多层编码器提取初始特征图的局部特征，得到增强特征图，通过多层解码器对增强特征图进行特征融合，得到综合特征图，最后通过图像重构模块对综合特征图进行重构输出，得到重构的目标图像。[0037] 一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述细胞图像重构方法。[0038] 一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述细胞图像重构方法。[0039] 本发明提供的细胞图像重构方法具有以下有益效果：[0040] 通过构建复合卷积U网络，并具体构建了非对称扩张卷积实现多尺度特征提。銮苛顺叨人醴藕统跫短卣魈崛〉男Ч，以避免细胞图像的细节损失，还通过构建增强特征聚合模块实现残差连接设计，实现了更高效的特征提取和融合，在显著提升显微生物细胞图像的分辨率和细节复原能力的同时，进一步降低了相关细节的计算复杂度，不仅在处理细节丰富的区域时，能够保持图像的自然性和连续性，而且在保持高重构质量的同时，能够更快速地处理图像，提高了整体重构速度和效率，有利于实时观察细胞的动态变化。附图说明[0041] 为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0042] 图1为本发明根据一示例性实施例提供的细胞图像重构方法的流程示意图。[0043] 图2为本发明根据一示例性实施例提供的复合卷积U网络的结构框图。[0044] 图3为本发明根据一示例性实施例提供的细胞图像重构装置框图。具体实施方式[0045] 为了使本领域技术人员更好地理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。[0046] 本发明利用在低光照条件使用结构光照明获得的样本数据来开发具有超分辨能力的轻量级算法复合卷积U网络（Multi?ConvolutionalU?Net，MCU?Net）。使用了复合的卷积结构来替代传统的卷积操作，并且引入了注意力机制来增强其处理显微图像超分辨率的能力。这些创新的设计让MCU?Net在处理显微图像时展现出卓越的性能，并通过在多个基准数据集上的广泛实验验证了其在超分辨率任务中的优越性和有效性。[0047] 以下结合附图，详细说明本发明各实施例提供的技术方案。[0048] 首先，本发明提供了一种细胞图像重构方法，具体如图1所示，包括以下步骤：[0049] S101、构建复合卷积U网络MCU?Net。[0050] 其中，该MCU?Net基于U型网络U?Net的架构，包括输入模块、编码器、解码器和图像重构模块，具体如图2所示。[0051] 在一种实施例中，将扩张卷积引入非对称卷积得到非对称扩张卷积AD，将AD作为输入模块，通过该输入模块对输入的图像进行初步识别，得到初始特征图。[0052] 示例地，在低光照环境中进行活细胞的超分辨重建时，精确捕获高度细节变化并进行有效的特征提取面临变得更为关键。为了能够更有效地捕捉到图像的细节和纹理信息，尤其是在处理线条和边缘方面表现出更高的敏感性和准确性，舍去传统3×3标准卷积作为网络中的第一层来从输入图像中提取浅层特征，因为在处理复杂低光照显微图像时，标准卷积核在捕捉不同方向和尺度的特征的效率和灵活性受限。基于非对称卷积块(AsymmetricConvolutionBlock，ACB)，本发明提出一个更有效的非对称扩张卷积（AsymmetricDilatedConvolution，AD），用于进一步增强尺度缩放和初级特征提取的效果。[0053] 该非对称扩张卷积AD保留了ACB细节边缘的捕捉能力，对输入特征图进行精细的边缘和细节处理，利用非对称的卷积操作来增强局部特征的表现力。具体来说，AD在水平和垂直方向分别使用1×3，3×3，3×1的卷积核，这种分离的处理策略能够更加精确地捕捉和强化图像中的线条和边缘信息，从而为后续的特征提取和分析提供更细致的局部特征表达。同时，为了能够捕捉更大范围的上下文信息，引入了扩张卷积（DilatedConvolution,DC）来扩展感受野，通过在卷积核元素之间增加空间（即扩张因子 ），扩大了感受野，允许模型在不增加额外计算负担的情况下，覆盖更大的输入区域。[0054] 例如，通过使用扩张率为2的1×3、3×3和3×1卷积核，显著增强了模型的空间覆盖范围，这在处理复杂显微图像时尤为重要，在让模型保持高分辨率的同时，捕获和解析微观结构及其广泛上下文信息。这一过程涉及到矩阵计算的扩展应用，假设扩张率为 ，在非对称卷积的卷积核元素之间增加扩张因子 ，卷积核大小为 ，则对于每个 位置，可以得到垂直卷积 为：[0055] ；[0056] 水平卷积 为：[0057] ；[0058] 正方形卷积 为：[0059] ；[0060] 将该垂直卷积、水平卷积以及正方形卷积进行特征融合，得到非对称扩张卷积AD为：[0061] ；[0062] 其中， 是正方形卷积，使用一个传统的正方形卷积核 进行标准的二维卷积操作，通常覆盖一个 的区域，而 表示从输入特征图 中在中心点 的位置取得偏移量为 和 的像素特征值，这样的方形卷积是有助于捕获图像的基础特征， 表示卷积核从中心点向外延伸的单位数， 表示卷积核权重的位置，b表示一个偏置项，其作用是对卷积的最终输出进行整体调整，使得该卷积层的输出更具灵活性。垂直卷积 和水平卷积 分别采用专门在垂直和水平方向延伸的卷积核 和 ，具体尺寸为 和 ，这些操作专注于强化图像的线条和边缘信息。垂直卷积核捕捉垂直特征，而水平卷积核则强调水平细节，从而使得模型能够更细致地理解图像的结构和方向性特征。最终，这些不同方向的卷积输出被相加，形成AD的综合输出 ，这一步骤融合了各方向特征，提供了一个全面增强的特征图。这一融合不仅提高了模型对低对比度特征的识别能力，也增强了对复杂场景深层特征的理解，进而显著提升了成像质量和准确性。[0063] 在另一种实施例中，将多个残差局部特征模块（ResidualLocalFeatureBlock，RLFB）作为多层编码器提取初始特征图的局部特征，得到增强特征图。[0064] 具体地，RLFB作为专注于增强图像的局部特征处理的深度学习组件，其设计融合了Conv?ReLU堆叠和增强的空间注意力（EnhancedSpatialAttention，ESA）模块，显著增强了对图像局部空间细节的感知能力。[0065] 示例地，RLFB通过多层卷积和ReLU激活函数堆叠提取局部特征，并利用ESA模块的增强空间注意力机制关注图像中的重要区域，结合多尺度处理以全面捕捉细节。残差连接确保了高效的特征传递与融合，提升了模型的表达能力和鲁棒性。RLFB中的每个处理单元独立评估输入图像区域的特征，进行深度特征提炼和细化，从而在细节复原和纹理增强等复杂视觉任务中表现出色。通过这种设计，RLFB能够逐步恢复图像中的细节，确保在每一个处理阶段都不丢失关键信息，保持图像重建的整体准确性和完整性。[0066] ；[0067] ；[0068] ；[0069] 在RLFB中，输入特征图表示为 。将初始特征图 进行卷积核为的卷积操作，然后应用ReLU激活函数得到特征图 。与最后的输入特征图 进行残差连接，得到输出 。ESA模块对 进行特征变换并应用激活函数 ，生成注意力权重，然后将注意力权重与 逐元素相乘，得到增强的输出特征图 。通过卷积层和注意力机制，模型能够在细粒度上对图像的各个局部区域独立进行特征提取、评估和处理，从而在细节复原和纹理增强等复杂视觉任务中表现出色。[0070] 在又一种实施例中，将RLFB进行多层残差连接，并引入空洞空间卷积池化金字塔ASPP，得到增强特征聚合模块（EnhancedFeatureAggregationBlock，EFAB），将对应于RLFB的多个EFAB作为多层解码器对增强特征图进行特征融合，得到综合特征图；最后通过图像重构模块对综合特征图进行重构输出。[0071] 本发明基于残差局部特征模块，创新性提出增强特征聚合模块来提取和学习图像中的局部特征，并使用残差连接保留输入特征信息，同时保持这些特征在不同尺度上的连贯性和关联性。[0072] 例如，EFAB利用增强空间注意力机制，能够在不同尺度上关注图像的细节和全局结构，从而提升整体特征表示的丰富性和多样性。具体EFAB的特征处理过程如下：[0073] ；[0074] ；[0075] 在上述RLFB模块和残差连接的综合公式中，将第 个RLFB模块对前一层特征图进行特征提。玫绞涑鎏卣魍 ；再将 与前一层特征图 和之前所有层的特征图 通过权重 和 进行残差连接，生成更新后的特征图 ；对于第一个RLFB模块，特征图 由 和加权后的输入特征图 通过权重 相加得到。这种设计使得每一层都能够保留并逐步增强特征表示，确保模型能够全面捕捉和融合图像中的关键信息。[0076] 此外，EFAB模块还加入了一种改进型的空洞空间卷积池化金字塔（AtrousSpatialPyramidPooling，ASPP）模块，这一改进通过引入逐级扩展的空洞卷积和动态特征融合机制，增强了模型对于不同尺度特征的处理能力。该模块不仅采用了不同膨胀率的空洞卷积，而且在每个卷积层后添加了特征融合步骤，以捕捉更丰富的上下文信息。具体地，将残差连接后的RLFB每个卷积输出都与前一层的输出进行通道维度的拼接，并通过1x1卷积进行进一步的融合。这种分层和递归的融合策略显著保留了输入特征的信息，还增强了特征表示的多样性和丰富性，使得在处理包含复杂结构和细节的图像时能够表现出色，提升整体性能。[0077] ；[0078] ；[0079] ；[0080] ；[0081] 在上述膨胀卷积的公式中， 表示通过膨胀率为 的 卷积操作从输入特征图 提取的特征， 是通过 卷积将膨胀卷积输出 和输入特征图拼接后得到的特征图；在综合特征融合公式中， 是初始输入特征图， 是将输入F0，F3，F6，F9的输出沿特定维度（通常是通道维度）拼接在一起，表示通过拼接多个特征图得到的结果。拼接操作是将不同的特征图沿着特定的维度（通常是通道维度）合并，从而保留了这些特征图中的所有信息，这样做意味着网络的输出完全依赖于所有层级特征的合并结果，而没有额外的特征处理或调整。 利用了残差学习的思想，即通过直接向深层网络添加浅层信息来促进信息流和梯度传播，从而帮助解决梯度消失问题，提高模型的训练效率，即将与经过1x1卷积操作的 进行残差连接，1x1卷积作为一个压缩和整合特征的工具，能够调整和优化Fcat中的多尺度信息，使得输出特征更加紧凑和高效。[0082] MCU?Net采用了一种多模块协同的设计，通过使用残差连接、复合卷积、多尺度特征融合以及空间注意力机制，显著提升了显微生物细胞图像的分辨率和细节复原能力。[0083] S102、通过含细胞的结构光图像样本对MCU?Net进行训练，得到细胞结构光显微重建模型。[0084] 在本步骤中，首先要获取含细胞的结构光图像样本，该结构光图像样本包括低分辨率结构光图像及其对应的超分辨率结构光图像。[0085] 将该低分辨率结构光图像输入至MCU?Net，得到预测高分辨率图像，以最小化该预测高分辨率图像和对应的超分辨率架构光图像之间的损失函数为目标，对MCU?Net进行训练，得到细胞结构光显微重建模型。[0086] 其中，通过将均方误差MSE和结构相似性指数SSIM相结合，构建损失函数：[0087] ；T P[0088] 其中， 为结构相关指数的比值系数，用于平衡SSIM和MSE的相对贡献，S 和S分别代表真实值和模型预测值。[0089] ；[0090] 其中， 表示真实值， 表示模型预测值， 和 分别是图像的宽度和高度的像素数。[0091] ；[0092] 其中， 和 分别表示预测图像和真实图像； 和 分别是图像 和 的均值，反映了亮度信息； 和 分别是图像 和 的方差，反映了对比度信息， 是图像 和 的协方差，反映了结构信息， 和 是为了避免分母为零而引入的常数，通常取 和 ，其中 是像素值的动态范围， 和 是非常小的常数，一般取 和 。[0093] 这样，通过将均方误差和结构相似性指数相结合作为损失函数，更全面地评估模型的重建效果，可以更好地平衡像素精度和结构信息保持，提升图像重建的整体质量。[0094] 另外，网络通过反向传播方法进行训练以确定最优参数。为了确保模型参数能够高效优化，训练过程中采用了自适应矩估计优化算法（Adam）。通过迭代调整学习率和其他超参数设置，模型逐步学习并提取显微生物细胞图像中的细微结构和复杂特征，最终在超分辨率重建任务中实现高精度和高质量的图像复原。[0095] S103、获取目标细胞图像，将该目标细胞图像输入至细胞结构光显微重建模型中，得到重构的目标图像。[0096] 具体地，将所述目标细胞图像输入至细胞结构光显微重建模型中，通过所述输入模块对输入的目标细胞图像进行初步识别，得到初始特征图，通过多层编码器提取初始特征图的局部特征，得到增强特征图，通过多层解码器对增强特征图进行特征融合，得到综合特征图，最后通过图像重构模块对综合特征图进行重构输出，得到重构的目标图像。[0097] 采用上述方法，通过构建复合卷积U网络，并具体构建了非对称扩张卷积实现多尺度特征提。銮苛顺叨人醴藕统跫短卣魈崛〉男Ч，以避免细胞图像的细节损失，还通过构建增强特征聚合模块实现残差连接设计，实现了更高效的特征提取和融合，在显著提升显微生物细胞图像的分辨率和细节复原能力的同时，进一步降低了相关细节的计算复杂度，不仅在处理细节丰富的区域时，能够保持图像的自然性和连续性，而且在保持高重构质量的同时，能够更快速地处理图像，提高了整体重构速度和效率，有利于实时观察细胞的动态变化。[0098] 其次，本发明还提供了一种细胞图像重构装置，如图3所示，包括：[0099] 构建模块301，用于构建复合卷积U网络MCU?Net；所述MCU?Net基于U型网络U?Net的架构，包括输入模块、编码器、解码器和图像重构模块；将扩张卷积引入非对称卷积得到非对称扩张卷积AD，将AD作为输入模块；将多个残差局部特征模块RLFB作为多层编码器；将RLFB进行多层残差连接，并引入空洞空间卷积池化金字塔ASPP，得到增强特征聚合模块EFAB，将对应于RLFB的多个EFAB作为多层解码器。[0100] 训练模块302，用于通过含细胞的结构光图像样本对MCU?Net进行训练，得到细胞结构光显微重建模型。[0101] 重构模块303，用于获取目标细胞图像，将所述目标细胞图像输入至细胞结构光显微重建模型中，通过所述输入模块对输入的目标细胞图像进行初步识别，得到初始特征图，通过多层编码器提取初始特征图的局部特征，得到增强特征图，通过多层解码器对增强特征图进行特征融合，得到综合特征图，最后通过图像重构模块对综合特征图进行重构输出，得到重构的目标图像。[0102] 采用上述装置，通过构建复合卷积U网络，并具体构建了非对称扩张卷积实现多尺度特征提。銮苛顺叨人醴藕统跫短卣魈崛〉男Ч，以避免细胞图像的细节损失，还通过构建增强特征聚合模块实现残差连接设计，实现了更高效的特征提取和融合，在显著提升显微生物细胞图像的分辨率和细节复原能力的同时，进一步降低了相关细节的计算复杂度，不仅在处理细节丰富的区域时，能够保持图像的自然性和连续性，而且在保持高重构质量的同时，能够更快速地处理图像，提高了整体重构速度和效率，有利于实时观察细胞的动态变化。[0103] 本发明还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的细胞图像重构方法的步骤。[0104] 本发明还提供了一种计算机设备，在硬件层面，该计算机设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1提供的细胞图像重构方法的步骤。[0105] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD?ROM、光学存储器等)上实施的计算机程序产品的形式。[0106] 本发明是参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框，以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0107] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0108] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0109] 应当指出，以上该具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换；而一切不脱离本发明创造的精神和范围的技术方案及改进，其均涵盖在本发明创造专利的保护范围当中。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

专利地区：四川

专利申请日期：2024-09-23

专利公开日期：2024-11-29

专利公告号：CN118864254B