[发明专利]一种基于像素预测增强的宫颈细胞图像分割方法

说明书

本发明提供一种基于像素预测增强的宫颈细胞图像分割方法，包括如下步骤：(1)输入单个宫颈细胞原始图像；(2)将宫颈细胞原始图像转换到CIELAB空间，再抽取L*通道，得到灰度细胞图像；(3)使用自适应形态学滤波法对图像进行降噪处理；(4)采用U‑net网络对去噪后的图像分别进行细胞核和细胞质的区域分割；(5)利用算子提取图像边缘，再根据细胞边缘线，确定边缘搜索区；(6)对边缘搜索区像素再采用DenseNet网络进行判别，得到更为准确的细胞核和细胞质分割结果。本发明能够准确高效地对单细胞彩色宫颈图像进行分割，具有更高的分割准确率。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于像素预测增强的宫颈细胞图像分割方法。

背景技术

宫颈癌是全世界女性重要癌症杀手和最常见的妇科恶性肿瘤，其严重威胁妇女的身心健康。在2012年，根据世界卫生组织统计，全世界共有53万余例新增的宫颈癌患者；同年，有近27万例女性病死于宫颈癌。医疗人员由大量临床治疗案例得出结论，进行宫颈癌年度普查，早期确诊女性宫颈癌，那么患者治愈且活过5年以上的机率为90％以上。因此，从保护女性生命和健康角度来看，女性宫颈癌的年度普查对于预防、发现、治疗该种疾病具有十分重要的意义。

发展到今，宫颈细胞图像筛查是最简单、有效的宫颈癌筛查手段。但是，医院临床宫颈细胞图像诊断工作中，医师可能需要面对不同制片设备、不同染色试剂、不同制片手法的所得切片图像，因此病理科医师工作量大且繁重、筛查细胞往往需要反复肉眼阅片导致易于疲劳、效率降低，难免会有误诊、漏诊、错诊情况出现。所以对科研工作者而言，研究并实现真实宫颈细胞图像准确识别系统就能够有助于上述问题的缓解。宫颈细胞图像智能识别是智能医学影像识别的一个方面，其主要目的是为了辅助医疗人员降低已婚女性宫颈癌发病致死几率。宫颈细胞图像智能识别过程中涉及若干重要的研究问题，主要有细胞图像分割、细胞特征提取和优化、细胞分类等。其中，细胞分割是细胞特征提取和优化、细胞分类的前提和基础。一般来说，若要得到宫颈病理图像细胞准确分析结果，必须要进行细胞分割问题研究。现有的宫颈细胞图像筛查方法的难点在于细胞制片时将三维立体细胞转换到二维平面图像成像导致部分信息损失，染色剂着色不均匀、涂片制片技术手法差异、成像设备性能差异等因素导致的图像成像质量普遍不高、颜色分布不均匀、图像含大量噪声(如炎症细胞、血细胞、着色沉淀物等)、图像中细胞核与细胞质边缘模糊。这些都给细胞图像准确分割带来巨大挑战。

细胞图像分割是进行宫颈细胞图像智能分析的前提和基础。自由放置的单个宫颈细胞图像分割是细胞图像分割的一种重要特例，所以准确地进行单个细胞图像分割是细胞图像分割研究的前期和基础工作。因此，本发明提出一种准确、有效地分割宫颈单细胞图像分割的方法。

发明内容

本发明要解决的技术问题是提供一种基于像素预测增强的宫颈细胞图像分割方法，兼具U-net模型与DenseNet模型分割的优势，像素预测增强能更好捕获细胞边缘结构的特点，从而准确地将宫颈细胞图像分割为细胞核、细胞质和背景三种区域，最终得到更准确的宫颈细胞图像分割结果。

为解决上述技术问题，本发明的实施例提供一种基于像素预测增强的宫颈细胞图像分割方法，其特征在于，包括如下步骤：

(1)输入单个宫颈细胞原始图像；

(2)将宫颈细胞原始图像转换到CIELAB色彩空间，再抽取L*通道，得到灰度细胞图像；

(3)使用自适应形态学滤波法对灰度细胞图像进行降噪处理；

(4)采用U-net网络对去噪后的图像分别进行细胞核和细胞质的区域分割；

(5)利用算子提取U-net分割后图像的边缘，再根据细胞边缘线，确定边缘搜索区；

(6)对边缘搜索区像素再采用DenseNet网络进行判别，得到更为准确的细胞核和细胞质分割结果。

其中，所述步骤(2)的具体步骤为：