[发明专利]基于深度学习的血细胞分割方法

说明书

本发明公开一种基于深度学习的血细胞分割方法，涉及生物医学图像处理和深度学习领域，包括如下步骤：构建数据集；构建血细胞显微图像数据集，并对其中的三类细胞(红细胞，白细胞，血小板)进行标注，训练神经网络：训练基于深度神经网络的血细胞显微图像的语义分割模型。本发明的有益效果是，将深度学习方法应用于血细胞显微图像的分割，提高了血细胞的分割准确率。

技术领域

本发明属于生物医学图像处理和深度学习领域，尤其涉及基于深度学习的血细胞分割方法。

背景技术

细胞分割是生物医学图像领域里一个重要的问题。而图像语义分割是给每一个像素都赋予一个不同的标签(类别)，因此可以被认为是一个密集分类问题。

一直以来，细胞分割都是基于传统的图像处理算法，比如基于分水岭的分割方法，基于统计特征的分割方法，基于聚类的分割方法，但是自从深度学习出现以后，基于神经神经网络的图像语义分割方法开始成为主流，对细胞分割的方法最著名的时2015年夺得ISBIcell tracking challenge 2015冠军的U-Net神经网络模型.

U-Net通过预测每个像素点的类别来对细胞图像进行分割，得到了不错的分割精度，并且分割的速度很快。

近年来，绝大多数当前最佳的图像语义分割方法都是基于全卷积神经网络的。典型的语义分割网络结构是编码器-解码器结构，编码器是一个图像降采样过程，负责抽取图像粗糙的语义特征，紧接着就是一个解码器，解码器是一个图像上采样过程，负责对降采样得到的图像特征进行上采样恢复到输入图像原始维度。

使用深度神经网络来对医学图像进行处理，已经非常普遍，但是自然图像与医学图像还是有很大差别的。

对细胞进行准确分割对某些血液病的诊断具有重要意义，如果某一成分过高，则有致病的可能，如白细胞过高，则可能有炎症。

发明内容

本发明的目的是针对现有技术的不足，提供一种基于深度学习的血细胞分割方法。

为实现上述目的，本发明采取的技术方案是：

基于深度学习的血细胞分割方法，如图1所示，包括如下步骤：

基于深度学习的血细胞分割方法，主要实现对血细胞中的三类主要细胞(红细胞，白细胞，血小板)进行分割提取。

步骤1：制作训练样本集：首先，获取血细胞显微图像，其次，对血细胞中的三类主要细胞(红细胞，白细胞，血小板)进行语义分割标注，构建血细胞显微图像数据集；

步骤2：构建基于深度神经网络的血细胞分割模型；分割模型主要有前端和后端网络组成，前端基础网络为图像分类领域通用的网络结构，后端网络由多个上采样层及卷积层组成，最后一层卷积层得输出用于输出一部分的预测；

步骤3：训练神经网络模型；利用步骤1制作好的训练样本集训练网络，并与语义分割标注计算误差，进行误差反向传播，更新模型参数。

步骤4：将待分割血细胞图像输入至模型中进行前向推理，自动输出分割结果。

具体为：

(1)网络由前端和后端网络组成。前端网络第一层的输入为图像，之后每层的输入为前一层输出的特征，每层输出的特征都分成两路，一路作为下一层的输入，另一路经过上采样至输入图像大小并与前一层经过维度不变层(用于降低通道数，减少计算量)输出的特征串联连接之后输出，前端网络输出的最后一层与维度不变层串联连接，经过一个空间通道压缩与激励模块,然后输出的特征图分别与维度不变层降采样后的特征图串联连接并进行后续的上采样，直至上采样至原图大小，后经softmax层输出。