[发明专利]一种基于深度学习的骨髓液细胞分割方法

权利要求书

1.一种基于深度学习的骨髓液细胞分割方法，其特征在于，包括如下步骤：

S1，获取细胞图像，并初步估计所述细胞图像内所有细胞的轮廓；

S2，根据所述细胞的轮廓，对所述细胞图像内所有细胞进行分割，确定每个细胞的矩形检测窗口；

S3，采用卷积深度网络对每个所述矩形检测窗口进行质量评价，判断每个所述矩形检测窗口中包含的细胞个数，得到初步分割结果；

S4，若所述矩形检测窗口包含多个细胞，则结合聚类算法和分水岭算法对所述初步分割结果进行精细分割，得到精细分割的细胞的轮廓，并执行S2，否则，执行S5；

S5，采用区域生长法，根据每个所述矩形检测窗口边缘的颜色分布，逐步增大所述矩形检测窗口，直到所述矩形检测窗口包含整个细胞；

S6，基于分割质量评价方法和各个所述矩形检测窗口的重叠度，判断S5中利用区域生长法得到的细胞窗口是否需要合并，将需要合并的窗口进行合并；

S7，去除每个细胞窗口中包含的其他细胞部分，输出单个细胞的分割结果。

2.根据权利要求1所述的基于深度学习的骨髓液细胞分割方法，其特征在于，S1中，所述初步估计所述细胞图像内所有细胞的轮廓，包括如下步骤：

S101，重排所述细胞图像中的所有n个像素，并将其表示为集合{x₁，...，x_n}，其中x_i是第i个像素点的表示向量；

S102，采用k-均值算法求解所述集合的最小值：

$\underset{{\mathrm{\μ}}_1,\mathrm{...},{\mathrm{\μ}}_3,S_1\mathrm{...},S_3}{\min }\underset{l=1}{\overset{3}{\Σ}}\underset{i\∈S_l}{\Σ}\left|\right|x_i-{\mathrm{\μ}}_l|{|}_2^2,$

其中，μ₁，...，μ₃表示各个类的中心向量，S₁...，S₃是各类像素点的指标集合；

S103，通过以下公式估计各类像素点属于细胞核的可能性，确定代表细胞核的类l_cell：

其中，衡量了μ_l与细胞核的异类性，越小则第l类越可能是细胞核的类l_cell；

S104，建立第l_cell类像素点的遮掩图；

S105，提取所述遮掩图中第l_cell类点构成区域的所有外部轮廓，并删除周长较短，所围面积较小，或与图像边界相交的轮廓。

3.根据权利要求1所述的基于深度学习的骨髓液细胞分割方法，其特征在于，S3包括如下步骤：

S301，人工将S2中得到的大量的检测窗口分为不包含细胞，包含单个细胞和包含多个细胞的三类；

S302，用S301得到的三类数据训练卷积神经网络；

S303，训练完成后，用卷积神经网络评价检测窗口中的细胞分割质量，判断窗口内包含的细胞个数。