1.一种基于回归修正的染色体实例分割方法，其特征在于，以MaskRCNN为基线模型、Resnet101为骨干网络提取特征，在回归分支和掩码分支分别预测两种与定位精度和分割精度更具有关联性的置信度PBox和IoUMask，包括：(1)对染色体图像进行预处理；

(1a)将染色体图像放缩到512×512；

(1b)生成对应的类别标签；

(2)回归置信度的预测；

(2a)计算回归分支中预测框偏移量的损失，采用Smooth L1损失函数，对其经过1‑T(Lreg)处理作为回归置信度PBox的真值，其中Lreg是回归分支中预测框偏移量的损失，T(·)是tanh函数；

(2b)利用回归分支中预测框的偏移量作为预测回归置信度的输入，经过输出节点数为

1024的全连接层，与步骤(2a)中回归置信度PBox的真值计算损失，采用交叉熵损失函数，获得回归置信度PBox；

(3)掩码置信度的预测；

(3a)计算掩码分支中预测掩码的损失，采用二值化交叉熵损失函数，并计算预测掩码与真实掩码的IoU作为掩码置信度IoUMask的真值；

(3b)利用掩码分支输出的预测掩码作为预测掩码置信度的输入，经过输出节点数为

1024的全连接层，与(3a)中预测掩码与真实掩码的IoU计算损失，采用交叉熵损失函数，得到掩码置信度IoUMask；

(4)基于掩码的非极大抑制算法的设计；

(4a)将原始非极大抑制算法的阈值设置为0.9，计算每一个掩码与其他掩码的IoU得分；

(4b)按分类置信度从高到低遍历，去除与当前掩码的IoU得分大于阈值的其他预测掩码；

(5)K‑IoU损失函数设计；

(5a)将分割结果分成K部分，分别计算每部分的IoU损失；

(5b)将每部分分割面积占总面积的比例δi作为权重计算每部分的IoU损失加权和，作为K‑IoU损失；

(6)对基于回归修正的染色体实例分割方法进行训练；

(6a)将数据集的1/5划为测试集，1/5划为验证集，剩余的部分作为训练集，为防止过拟合，数据集首先通过翻转、旋转的方式进行扩增，考虑到图像尺寸较大，训练批次设置为1，并使用随机梯度下降进行了100epoch的训练，初始学习率为1e‑5，学习动量为0.9，权重衰减为0.0001。

2.根据权利要求1所述的方法，其特征在于，步骤(1a)中染色体图像放缩到512×512，较短边利用零值填充。

3.根据权利要求1所述的方法，其特征在于，步骤(5a)中将分割结果分成K部分，K＝4，利用两条垂直的中心线等分得到四部分，步骤(5b)中δi代表每部分中的真实掩码面积占整个真实掩码面积的比重，K‑IoU损失函数表示为 IoUi代表每部分中的预测掩码与对应真实掩码的IoU得分。