[发明专利]一种基于深度学习的骨髓液细胞分割方法

说明书

技术领域

本发明涉及生物医学图像处理和计算机应用领域，尤其涉及一种基于深度学习的骨髓液细胞分割方法。

背景技术

骨髓液的血细胞学检查对某些血液病的诊断有重要意义。血液病的诊断，虽然已有荧光显微镜、位相差显微镜、电子显微镜、分子生物学、细胞化学、细胞遗传学、免疫学和活体组织检查等多种手段，但细胞形态学检查仍是最基本、最常用的重要诊断手段。大多数血液病，只靠细胞学检查结合临床资料就可做出正确诊断。在病理情况下，特别是在急性白血病病例中，细胞形态可发生畸形。即使有经验的血液学家也无法准确地辨认这些非典型细胞，目前，一般可以采用骨髓液检查的方法来确认这些非典型细胞。

目前，常规的骨髓液检查有人工识别和自动识别两类。人工识别的时间开销大，结果容易受到人的主观影响，并且培养一名专业的血细胞专家需要花费很大的人力物力。自动识别主要是利用骨髓液在显微镜下拍摄的彩色图像进行细胞的分类计数。这类方法应用模式识别技术可以对细胞进行自动识别，充分发挥了计算机视觉的准确率高，具有客观性的特点，大大提高了细胞识别的效率。

然而目前利用细胞图像进行细胞识别，还存在着一些问题。精确分割细胞并给出只包含单个细胞的检测窗口是细胞分类识别的基础。如果细胞分割不准确，那么细胞识别也将出现较大的误差。目前普遍采用的分割算法都基于阈值法或聚类法。然而当细胞染色不佳或者细胞粘连时，这类方法的分割结果不够准确。

发明内容

本发明的目的在于提供一种基于深度学习的骨髓液细胞分割方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于深度学习的骨髓液细胞分割方法，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。

优选地，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：

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。

优选地，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。

优选地，S4中，对于每个检测窗口依次进行处理，每次处理具体采用如下步骤进行实施：