一、引言

原位分子雜交技術(shù)在現(xiàn)代生物學(xué)和醫(yī)學(xué)研究中具有極其重要的地位，它能夠在細(xì)胞或組織水平上對(duì)特定的核酸序列進(jìn)行定位和分析。在原位分子雜交圖象中，銀粒的準(zhǔn)確分割是獲取有價(jià)值信息的關(guān)鍵步驟。銀粒的分布和數(shù)量往往與目標(biāo)核酸的表達(dá)水平和定位密切相關(guān)，例如在基因表達(dá)研究、病原體檢測(cè)等領(lǐng)域。然而，由于原位分子雜交圖象的復(fù)雜性，包括背景噪聲、銀粒的大小和形狀差異、以及圖象的灰度不均勻等問題，使得銀粒的分割成為一項(xiàng)具有挑戰(zhàn)性的任務(wù)。

目前，已有的圖象分割方法在處理原位分子雜交圖象中的銀粒時(shí)存在諸多不足。傳統(tǒng)的閾值分割方法在復(fù)雜背景下難以準(zhǔn)確確定閾值，容易導(dǎo)致銀粒的誤分割或漏分割?；谶吘墮z測(cè)的方法對(duì)于銀粒邊界模糊的情況效果不佳。隨著計(jì)算機(jī)視覺和圖象處理技術(shù)的發(fā)展，有必要探索一種專門針對(duì)原位分子雜交圖象中銀粒分割的有效方法，以提高分析的準(zhǔn)確性和可靠性，滿足日益增長(zhǎng)的科研需求。

二、相關(guān)理論和技術(shù)回顧

（一）圖象分割基本原理

圖象分割是將圖象劃分為具有不同特性的區(qū)域的過程，其目的是將感興趣的目標(biāo)從背景中分離出來。常見的圖象分割方法包括閾值分割、區(qū)域生長(zhǎng)、邊緣檢測(cè)等。閾值分割基于圖象灰度值的差異，通過選取合適的閾值將圖象分為目標(biāo)和背景。區(qū)域生長(zhǎng)則從種子點(diǎn)開始，根據(jù)相似性準(zhǔn)則逐步合并相鄰像素形成區(qū)域。邊緣檢測(cè)主要是通過檢測(cè)圖象中的灰度變化劇烈的邊緣來確定目標(biāo)的邊界。

（二）現(xiàn)有銀粒分割方法及其局限性

在原位分子雜交圖象銀粒分割領(lǐng)域，早期的方法多是直接應(yīng)用通用的圖象分割方法。例如，使用固定閾值的閾值分割方法，在圖象背景較為均勻的情況下能取得一定效果，但當(dāng)背景存在復(fù)雜的紋理或噪聲時(shí)，這種方法無法自適應(yīng)地調(diào)整閾值，導(dǎo)致分割結(jié)果不理想?；谶吘墮z測(cè)的方法，如 Sobel、Canny 等算子，對(duì)于銀粒邊緣清晰的圖象有較好的效果，但原位分子雜交圖象中很多銀粒由于染色過程或圖象采集等原因，邊緣并不清晰，使得這些方法的應(yīng)用受到限制。

一些改進(jìn)的方法嘗試結(jié)合多種技術(shù)，如先進(jìn)行預(yù)處理去除噪聲，再使用閾值分割和邊緣檢測(cè)相結(jié)合的方法。然而，這些方法在處理銀粒大小和形狀差異較大的情況時(shí)，仍然難以準(zhǔn)確地分割所有銀粒，并且在處理大量圖象時(shí)效率較低。

三、實(shí)驗(yàn)設(shè)計(jì)

（一）圖象數(shù)據(jù)來源

我們收集了來自多個(gè)生物學(xué)實(shí)驗(yàn)室的原位分子雜交圖象，這些圖象涵蓋了不同類型的細(xì)胞和組織，包括動(dòng)物組織（如肝臟、腎臟、腦組織等）和植物組織（如葉片、根部等）的原位分子雜交圖象。圖象的采集設(shè)備包括不同型號(hào)的光學(xué)顯微鏡和電子顯微鏡，以保證數(shù)據(jù)的多樣性和代表性?？偣彩占?/span> [X] 張圖象，其中一部分用于訓(xùn)練模型，另一部分用于測(cè)試。

（二）實(shí)驗(yàn)方法選擇依據(jù)

考慮到原位分子雜交圖象中銀粒的特點(diǎn)，我們決定采用基于深度學(xué)習(xí)的圖象分割方法。深度學(xué)習(xí)在處理復(fù)雜圖象數(shù)據(jù)方面具有*的能力，能夠自動(dòng)學(xué)習(xí)圖象中的特征。我們選擇了卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為基礎(chǔ)架構(gòu)，因?yàn)樗趫D象處理領(lǐng)域已經(jīng)取得了顯著的成果。具體而言，我們對(duì)經(jīng)典的 U - Net 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了改進(jìn)，使其更適合銀粒分割任務(wù)。

（三）改進(jìn)的 U - Net 網(wǎng)絡(luò)結(jié)構(gòu)

我們?cè)谠?/span> U - Net 網(wǎng)絡(luò)的基礎(chǔ)上，增加了更多的卷積層和池化層，以增強(qiáng)網(wǎng)絡(luò)對(duì)圖象特征的提取能力。在編碼器部分，每一層的卷積核數(shù)量逐漸增加，從而能夠捕捉到不同尺度的圖象特征。同時(shí)，在解碼器部分，我們采用了轉(zhuǎn)置卷積來進(jìn)行上采樣，并且添加了跳躍連接，將編碼器中的特征圖與解碼器中的相應(yīng)層進(jìn)行融合，這樣可以更好地保留圖象的細(xì)節(jié)信息。此外，我們對(duì)網(wǎng)絡(luò)的激活函數(shù)和損失函數(shù)進(jìn)行了優(yōu)化，選擇了更適合銀粒分割任務(wù)的 ReLU 激活函數(shù)和 Dice 損失函數(shù)。

（四）數(shù)據(jù)預(yù)處理

在將圖象數(shù)據(jù)輸入網(wǎng)絡(luò)之前，我們進(jìn)行了一系列的預(yù)處理步驟。首先，對(duì)圖象進(jìn)行灰度化處理，因?yàn)殂y粒在灰度圖象中具有明顯的特征。然后，使用中值濾波去除圖象中的椒鹽噪聲，減少噪聲對(duì)分割結(jié)果的影響。接著，對(duì)圖象進(jìn)行歸一化處理，將像素值映射到 [0,1] 區(qū)間，以提高網(wǎng)絡(luò)的訓(xùn)練效率和穩(wěn)定性。

四、實(shí)驗(yàn)實(shí)施過程

（一）網(wǎng)絡(luò)訓(xùn)練

我們將預(yù)處理后的圖象數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，比例為 [具體比例]。在訓(xùn)練過程中，使用小批量梯度下降算法來更新網(wǎng)絡(luò)的參數(shù)。設(shè)置合適的學(xué)習(xí)率和迭代次數(shù)，學(xué)習(xí)率采用動(dòng)態(tài)調(diào)整策略，隨著訓(xùn)練的進(jìn)行逐漸減小，以避免陷入局部?jī)?yōu)解。每次迭代時(shí)，將一個(gè)小批量的圖象數(shù)據(jù)輸入網(wǎng)絡(luò)，計(jì)算損失函數(shù)的值，并根據(jù)損失函數(shù)的梯度更新網(wǎng)絡(luò)的權(quán)重。在訓(xùn)練過程中，密切關(guān)注驗(yàn)證集的損失值和準(zhǔn)確率，當(dāng)驗(yàn)證集的損失值不再下降或準(zhǔn)確率不再提高時(shí)，停止訓(xùn)練，以防止過擬合。

（二）模型評(píng)估指標(biāo)

為了全面評(píng)估我們提出的銀粒分割方法的性能，我們采用了多種評(píng)估指標(biāo)。包括準(zhǔn)確率（Accuracy）、召回率（Recall）、精確率（Precision）和 Dice 系數(shù)。準(zhǔn)確率表示正確分割的像素占總像素的比例，召回率衡量了實(shí)際銀粒被正確分割的比例，精確率反映了分割結(jié)果中被判定為銀粒的像素真正是銀粒的比例，Dice 系數(shù)綜合考慮了預(yù)測(cè)結(jié)果和真實(shí)結(jié)果的重疊程度，是一種廣泛用于圖象分割評(píng)估的指標(biāo)。

（三）對(duì)比實(shí)驗(yàn)

為了突出我們方法的優(yōu)勢(shì)，我們還進(jìn)行了對(duì)比實(shí)驗(yàn)。將我們改進(jìn)的方法與傳統(tǒng)的閾值分割方法、基于邊緣檢測(cè)的方法以及其他現(xiàn)有的深度學(xué)習(xí)方法（如原始 U - Net 網(wǎng)絡(luò)）進(jìn)行比較。在相同的圖象數(shù)據(jù)集上進(jìn)行分割實(shí)驗(yàn)，并使用上述評(píng)估指標(biāo)來衡量各個(gè)方法的性能。

五、結(jié)果分析

（一）模型在測(cè)試集上的表現(xiàn)

通過對(duì)測(cè)試集圖象的分割實(shí)驗(yàn)，我們得到了令人滿意的結(jié)果。我們提出的改進(jìn) U - Net 網(wǎng)絡(luò)方法在準(zhǔn)確率、召回率、精確率和 Dice 系數(shù)等指標(biāo)上均取得了較高的值。例如，準(zhǔn)確率達(dá)到了 [X]%，召回率為 [X]%，精確率為 [X]%，Dice 系數(shù)為 [X]，表明該方法能夠準(zhǔn)確地分割出原位分子雜交圖象中的銀粒，并且有效地減少了誤分割和漏分割的情況。

（二）與其他方法的對(duì)比

與傳統(tǒng)的閾值分割方法和基于邊緣檢測(cè)的方法相比，我們的方法在各個(gè)評(píng)估指標(biāo)上都有顯著的提升。傳統(tǒng)閾值分割方法由于無法自適應(yīng)地處理復(fù)雜背景，準(zhǔn)確率較低，召回率和精確率也受到影響。基于邊緣檢測(cè)的方法在處理邊緣模糊的銀粒時(shí)表現(xiàn)不佳，導(dǎo)致召回率較低。與原始 U - Net 網(wǎng)絡(luò)相比，我們改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)在 Dice 系數(shù)等指標(biāo)上也有一定的提高，這得益于我們對(duì)網(wǎng)絡(luò)的優(yōu)化，使其能夠更好地適應(yīng)銀粒分割任務(wù)。

（三）結(jié)果的可視化展示

為了更直觀地展示我們方法的分割效果，我們對(duì)一些典型的原位分子雜交圖象進(jìn)行了可視化對(duì)比?？梢郧逦乜吹?，我們的方法能夠準(zhǔn)確地將銀粒從復(fù)雜的背景中分割出來，銀粒的邊界清晰，并且對(duì)于大小和形狀不同的銀粒都能得到較好的分割結(jié)果。而其他方法在某些情況下存在明顯的分割錯(cuò)誤，如將背景誤判為銀?；蛘呗┓忠恍┿y粒。

六、討論

（一）方法的優(yōu)勢(shì)和創(chuàng)新點(diǎn)

我們提出的基于改進(jìn) U - Net 網(wǎng)絡(luò)的銀粒分割方法具有以下優(yōu)勢(shì)和創(chuàng)新點(diǎn)。首先，通過對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化，增強(qiáng)了對(duì)原位分子雜交圖象中復(fù)雜特征的提取能力，能夠有效地處理銀粒大小和形狀差異較大以及邊緣模糊等問題。其次，選擇合適的數(shù)據(jù)預(yù)處理方法和評(píng)估指標(biāo)，提高了網(wǎng)絡(luò)的訓(xùn)練效率和分割結(jié)果的準(zhǔn)確性。此外，與傳統(tǒng)方法和現(xiàn)有的深度學(xué)習(xí)方法相比，我們的方法在綜合性能上表現(xiàn)更優(yōu)，為原位分子雜交圖象分析提供了一種更可靠的技術(shù)手段。

（二）方法的局限性和改進(jìn)方向

盡管我們的方法取得了較好的效果，但仍然存在一些局限性。例如，對(duì)于一些極度模糊或噪聲非常大的圖象，分割效果可能會(huì)受到一定影響。在未來的研究中，可以進(jìn)一步探索更先進(jìn)的圖象預(yù)處理技術(shù)，如采用更復(fù)雜的去噪算法或圖象增強(qiáng)方法。同時(shí)，可以考慮對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行更深層次的改進(jìn)，引入新的模塊，如注意力機(jī)制，以進(jìn)一步提高網(wǎng)絡(luò)對(duì)銀粒特征的關(guān)注和提取能力。

七、結(jié)論

本文針對(duì)原位分子雜交圖象中銀粒分割這一難題，提出了一種基于改進(jìn) U - Net 網(wǎng)絡(luò)的分割方法。通過詳細(xì)的實(shí)驗(yàn)設(shè)計(jì)、實(shí)施和結(jié)果分析，證明了該方法在提高銀粒分割準(zhǔn)確性和效率方面的有效性。與現(xiàn)有方法相比，我們的方法具有明顯的優(yōu)勢(shì)，為原位分子雜交圖象分析提供了有力的支持。然而，我們也認(rèn)識(shí)到方法存在的局限性，未來將繼續(xù)改進(jìn)和*，以更好地滿足生物學(xué)和醫(yī)學(xué)研究中對(duì)原位分子雜交圖象分析的需求。