1.一种基于Res2‑UNeXt网络结构的细胞图像分割方法，所述方法包括以下步骤：S1.建立网络模型Res2‑UNeXt：

所述网络模型Res2‑UneXt中，选择U‑Net这个编解码模型作为网络的基本骨架结构，融合了组卷积和残差结构的ResNeXt模型，并在ResNeXt中添加了一个分层结构，即Res2Net，该结构在深度神经网络中提出了一个新的维度，即尺度；

S2.网络架构设计细节：

在Res2‑UNeXt中，解码器部分由6个Res2XBlock组成，编码器由4个Res2Xblock组成；

Res2‑UNeXt网络是由修改过的残差块Res2Xblock连接而成，连接的方法参考了U‑Net的长连接方法，在每个Res2Xblock中，本方法使用了一个3×3的卷积层来初始化上一层传递下来的特征图，紧接着的是Res2NeXt结构块，它将特征图平均分成4个子块，分别用xi，i∈{1,2,3,4}来表示，每个子特征图的空间尺寸大小是一样的，但是通道数是输入特征的1/

4，除了x1子特征图，其余每个子特征图都要进行相应的3×3组卷积，卷积的过程用Mi()表示，其结果用yi表示，并且xi在进行卷积操作前要与yi‑1进行融合操作，yi的公式写成：由公式可以看出，每次卷积前输入的特征图都融合了所有之前子特征图的信息，以及每次卷积操作后，其感受野也会不断的扩大，综合这些影响，那些特征图经过Res2Xblock后，其特征就包含多感受野的信息，即多尺度信息；

在网络的解码部分，每个残差块输出的结果都要用步长为2的最大化池层进行下采样，这可以进一步的扩大感受野和减少网络的参数，在网络的编码部分，每次残差块后需要进行上采样来恢复尺度，并融合对应的解码网络的特征来弥补网络在下采样过程中所造成的特征损失；

S3.损失函数：

网络的损失函数使用了最后一层的特征图和细胞的实际分割标注图进行像素级的交叉熵损失，损失函数写成：其中x为标注图上的任意一点，pλ(x)(x)为当前x点的soft‑max的计算值，λ(x)为当前点的真实便签，w为计算的权值图；

本方法预先计算每个标签的权值图，以补偿训练数据集中某个类的不同像素频率所引起的类间不平衡问题，并且使网络在计算损失时可以更关注于相近细胞边缘部分的分割效果；本方法只给出相近但是不接触细胞之间的区域赋予高权值，权值w的计算公式为：其中wcb是为了应对类间不平衡的权值，dist1(x)为当前像素点离最近的细胞的距离，2

dist2(x)为当前像素点离第二近的细胞的距离，w0和σ为超参数；

S4.网络的训练和图像分割的测试

利用训练图像的标签图来得出计算Loss所需的权值图，然后将原始的训练数据集输入进Res2‑NeXt网络，根据计算出的损失来更新网络的参数，不断迭代训练，直到网络预测的精度可以达到一个稳定的水平，再利用已经训练好的网络来预测，输入新的细胞图像数据就能得到一张细胞的分割图。