[发明专利]基于深度学习模型对脂肪细胞图像进行分割计数的方法

权利要求书

1.一种基于深度学习模型对脂肪细胞图像进行分割计数的方法，其特征在于，通过将脂肪图像输入深度学习网络得到图中每个像素被分割的概率，基于该概率图进一步生成脂肪细胞边缘图后，依次经形态学处理去除气泡和分水岭算法再分割处理生成脂肪细胞分割图像，最后通过连通域分析，分析脂肪细胞分割图像的细胞面积分布并对当前目标图像上的脂肪细胞数量进行统计。

2.根据权利要求1所述的基于深度学习模型对脂肪细胞图像进行分割计数的方法，其特征是，所述的深度学习网络是基于上采样和下采样的Unet++网络。

3.根据权利要求1所述的基于深度学习模型对脂肪细胞图像进行分割计数的方法，其特征是，所述的深度学习网络，经过包含旋转，翻转，缩放，尺度变换的数据增强后的训练集进行训练并以交叉熵作为损失函数，对于标注图像中被标记为黑白色的点，对应乘上最终的输出概率，得到最终的损失函数。

4.根据权利要求3所述的基于深度学习模型对脂肪细胞图像进行分割计数的方法，其特征是，所述的交叉熵损失函数其中：x_i为输入，y_i为训练集中的二元标签，h_w(x_i)为网络输出该点被识别为膜的概率，m代表该图共有多少像素点，J(w)为误差函数的值。

5.根据权利要求1所述的基于深度学习模型对脂肪细胞图像进行分割计数的方法，其特征是，所述的脂肪细胞边缘图，在概率图的基础上生成灰度图像，经二值化处理转化得到脂肪细胞边缘图。

6.根据权利要求1所述的基于深度学习模型对脂肪细胞图像进行分割计数的方法，其特征是，所述的去除气泡是指：使用Matlab提供的高斯滤波函数去除由于图像拼接被误识别为细胞的气泡。

7.根据权利要求1所述的基于深度学习模型对脂肪细胞图像进行分割计数的方法，其特征是，所述的分水岭算法再分割，具体为：获取所有分水岭算法识别为边缘的分水岭，当判定其为细胞边缘时将其加入原来图像中。

8.根据权利要求7所述的基于深度学习模型对脂肪细胞图像进行分割计数的方法，其特征是，所述的判定其为细胞边缘，需同时满足以下条件：

1.当前分水岭长度小于设定阈值；

2.分水岭所在细胞的椭圆度((长轴－短轴)/长轴*100％)小于设定阈值；

3.分割之后的两个区域面积之比为1。

9.根据权利要求1所述的基于深度学习模型对脂肪细胞图像进行分割计数的方法，其特征是，所述的连通域分析，具体为：对图像进行连通域分析，统计所有连通域的面积，位置等信息，过滤面积小于阈值T的连通区域，对其余的每一个连通区域进行计数，即脂肪细胞数量；

所述的细胞面积分布通过连通域分析方式得到。

10.一种实现权利要求1～9中任一所述方法的基于深度学习模型对脂肪细胞图像进行分割计数的系统，其特征在于，包括：深度网络分割单元、二值化处理单元、分水岭再分割单元以及连通域分析单元，其中：深度网络分割单元单元与二值化处理单元相连并传输概率图像信息，二值化处理单元与分水岭再分割单元相连并传输二值图像信息，分水岭再分割单元与连通域分析相连并传输分割图像信息。