[发明专利]一种基于改进K-means及卷积神经网络的白细胞提取和分类方法

说明书

本发明涉及一种基于改进K‑means及卷积神经网络的白细胞提取和分类方法。首先，根据细胞图像灰度分布来选定初始聚类中心，对图像所有像素按就近原则进行初始聚类；接着，对FWSA‑KM算法的欧式距离进行改进；白细胞提取之前，先进行颜色空间分解，采用有利于白细胞分割的颜色分量和改进的K‑means算法进行细胞核和细胞质的提取；接着采用分水岭算法来分离复杂粘连的部分；最后，基于卷积神经网络进行分类。本发明方法使得白细胞细胞核和细胞质分割精度分别为95.81％和91.28％，较传统分割方法有较大提高；分类准确度最大能达到98.96%，分类平均时间为0.39s，相对于现有的白细胞分类算法，CNN分类方法不仅有明显优势，同时还有很大的提升空间。

技术领域

本发明涉及医学图像分割提取技术领域，特别是涉及一种基于改进K-means及卷积神经网络的白细胞提取和分类方法。

背景技术

在医学上，白细胞是人体免疫系统重要的组成部分，负责识别并吞噬非正常细胞。血常规检查中白血细胞的传统分类计数和形态分析依赖于人工计数和血液检查的专家分析，效率低且具有较强主观性。目前常用的是流式细胞仪，也不能实现白细胞自动分类，并且在临床应用中具有局限性。

近年来，为了更好地分割图像和识别出白细胞，研究者相继提出了一些效果较好的算法来实现白细胞的精确分割和分类算法，但是白细胞分割仍然还存在着问题，这些问题主要来源于图像色彩亮度不一，图像中存在杂质，白细胞形状多种多样，染色后细胞质与红细胞的颜色相近。现有的方法所能实现的分割精度还不能达到临床实际需要，因此在白细胞分割领域还有许多工作需要进行。

发明内容

本发明的目的在于提供一种基于改进K-means及卷积神经网络的白细胞提取和分类方法，该方法可以有效地提取白细胞并且分割精度较高，最后利用卷积神经网络(CNN)进行白细胞分类和识别。

为实现上述目的，本发明的技术方案是：一种基于改进K-means及卷积神经网络的白细胞提取和分类方法，包括如下步骤：

步骤S1、在提取白细胞之前，先进行颜色空间的分解，采用有利于白细胞分割的颜色分量；

步骤S2、根据细胞图像灰度分布对K-means聚类算法进行改进，选定初始聚类中心，使图像中所有像素按就近原则进行初始聚类，并对FWSA-KM算法的欧式距离进行改进，使聚类算法的鲁棒性提高；

步骤S3、采用改进的K-means算法进行细胞核和细胞质的提取；

步骤S4、采用分水岭算法来分离复杂粘连的白细胞部分；

步骤S5、采用卷积神经网络对提取分离的白细胞进行实验，实现粘连白细胞的识别。

在本发明一实施例中，所述步骤S1具体实现如下：

步骤S11、建立彩色模型：对白细胞染色处理，使其在色调分量(H)空间和饱和分量(S)空间对应的细胞质区域以及白细胞区域都与背景图像存在着较强的对比度；

步骤S12、在后续分割中，设置饱和分量空间和色调分量空间中阈值，将白细胞的细胞核区域以及白细胞区域粗略地从细胞图像中提取出来。

在本发明一实施例中，所述步骤S2具体实现如下：

步骤S21、对细胞图像灰度进行直方图分布统计来选定初始聚类中心，使得图像所有像素按就近原则进行初始聚类；

步骤S22、基于非欧氏距离，改进特征权重，对K-means进行改进，得到Improved-KM聚类算法，即将该算法目标函数中的χ_ik和v_jk的欧氏距离|χ_ik-v_jk|修改为非欧氏距离由此得到改进的Improved-KM聚类算法的目标函数为：