[发明专利]一种基于深度学习的白细胞核质自动分割方法及系统

说明书

本公开公开一种基于深度学习的白细胞核质自动分割方法及系统，包括构建U型神经网络分割模型，包括编码器和译码器，编码器采用改进的神经网络结构进行特征提取，译码器通过上采样恢复图像的细节及空间信息，编码器与译码器之间采用跳跃连接补充池化过程中丢失的底层信息；采用白细胞训练集进行训练，以白细胞验证集损失为监测指标，设置学习率并以监测指标不变时调整学习率；采用训练好的U型神经网络分割模型对白细胞测试集进行分割，根据待分割图像的每个像素点的分类概率，获得细胞核和细胞质的分割结果。通过改进的U型神经网络分割模型可快速获得白细胞核和细胞质的形态信息，实现了白细胞细胞核与细胞质的自动语义分割。

技术领域

本公开涉及医学图像处理技术领域，特别是涉及一种基于深度学习的白细胞核质自动分割方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

目前对于白细胞的识别和检测方法主要有两种，一种是利用人工镜检，这种方法在很大程度上依赖于检测技师的经验，工作量巨大且耗时长，这种高强度的重复性工作会影响工作人员的状态进而影响结果的准确性。另一种方法是借助血液分析仪进行检测，这种方法可以自动对白细胞进行分类计数，大大减轻了检验人员的劳动量，但其最大的局限性就在于只能获得数量方面的信息不能获得细胞的形态学信息，不能检测出白细胞的形态学异常；同时也存在设备价格昂贵，分类精度有待提高等问题。因此借助深度学习技术来辅助医疗，在减轻检验人员的劳动量的同时获得细胞的形态信息是白细胞分割技术的改进方向。

发明内容

为了解决上述问题，本公开提出了一种基于深度学习的白细胞核质自动分割方法及系统，通过改进的U型神经网络分割模型可快速获得白细胞核和细胞质的形态信息，实现了白细胞细胞核与细胞质的自动语义分割。

为了实现上述目的，本公开采用如下技术方案：

第一方面，本公开提供一种基于深度学习的白细胞核质自动分割方法，包括：

构建U型神经网络分割模型，所述U型神经网络分割模型包括编码器和译码器，所述编码器采用改进的神经网络结构进行特征提取，所述译码器通过上采样恢复图像的细节及空间信息，编码器与译码器之间采用跳跃连接补充池化过程中丢失的底层信息；

采用白细胞训练集对U型神经网络分割模型进行训练，以白细胞验证集损失为监测指标，设置学习率并以监测指标不变时调整学习率，得到训练好的U型神经网络分割模型；

采用训练好的U型神经网络分割模型对白细胞测试集进行分割，根据白细胞测试集中待分割图像的每个像素点的分类概率，获得白细胞细胞核和细胞质的分割结果。

作为可能的一些实现方式，对获取的白细胞数据集的掩膜部分进行灰度归一化和固定灰度的重新标注的预处理操作，并将预处理操作后的白细胞数据集划分为白细胞训练集、白细胞验证集和白细胞测试集。

作为可能的一些实现方式，对所述白细胞训练集进行训练之前进行图像增强操作，所述图像增强操作包括垂直翻转、随机剪裁、高斯噪声、视角变换、图像的模糊和锐化、放射变换、亮度、对比度和颜色的变化。

作为可能的一些实现方式，所述U型神经网络分割模型包括输入卷积模块，编码器，普通卷积模块，译码器和输出层依次连接，所述编码器包括7个下采样模块，所述下采样模块分别由数量不同的深度可分离卷积块组成，所述深度可分离卷积代替普通卷积层进行特征提取；所述译码器包括5个上采样模块，通过上采样模块恢复图像的细节及空间信息。

作为可能的一些实现方式，设置初始学习率，当监测指标不变时，根据网络参数的调整降低学习率。

作为可能的一些实现方式，所述白细胞验证集损失中，采用dice loss和focalloss的和作为损失函数。