[发明专利]基于双路径和空洞空间金字塔池化的血液白细胞分割方法

说明书

本发明涉及一种基于双路径和空洞空间金字塔池化的血液白细胞分割方法。对U‑Net进行改进，首先在网络的编码部分引入双路径网络（Dual Path Network，DPN），利用残差网络（Residual Network，ResNet）的特征复用和DenseNet的特征生成能力，更好地提取目标特征。其次，使用空洞空间金字塔池化提取不同尺度特征。最后，在跳跃连接时融合前一层的特征，以提取更多的图像细节，减少图像恢复的损失。实验结果表明，本发明提升了白细胞分割精度。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于双路径和空洞空间金字塔池化的血液白细胞分割方法。

背景技术

血涂片图像中白细胞(White Blood Cell，WBC)的计数和形态等信息是诊断包括白血病、肝炎、艾滋病等疾病的重要指标。传统的人工检验方式既费时又费力，检验的结果依赖医生的专业程度，较为主观，且容易受到光照、亮度等环境的影响。随着计算机技术的发展，白细胞图像的计算机辅助分割方法相继被提出，并广泛用于医学图像分析。现有的白细胞分割方法通常可分为无监督的分割方法和有监督的分割方法。

无监督的分割方法主要包括阈值分割、聚类分割和边缘检测分割方法。阈值分割根据图像目标和背景区域灰度的差异来确定阈值，并使用该阈值将像素分为目标像素和背景像素。但阈值分割通常在高对比度的白细胞细胞核上效果较好，在低对比度的细胞质上效果则较差。聚类分割通过灰度、颜色、纹理形状等图像特征进行像素划分，但该方法难以选取合适的图像特征，且算法不稳定。边缘检测在细胞边界处运用图像特征提取目标边界，将目标与背景分离。但该方法在低对比度的物体边界上判断困难，检测效率较低。

有监督的分割方法将分割问题转化为分类问题。例如，最近邻分类器(K-NearestNeighbor，KNN)和支持向量机(Support Vector Machine,SVM)等传统分类器先提取图像特征，再对提取的特征进行分类，完成白细胞的有监督分割。KNN通过对不同特征值的直接距离进行分类，但当样本数量不平衡时，KNN的分割效果表现不佳，因此在小样本类上的分类准确性较低。SVM通过构建最佳分割超平面，从而实现图像像素分类。但其在非线性分类问题上难以达到理想状态。

传统的分类器在白细胞数据集上通常无法获得令人满意的分割结果。最近，基于卷积神经网络(Convolutional Neural Network，CNN)的方法已广泛应用于计算机视觉领域。例如人脸识别，目标检测，图像去噪和语义分割。Mask R-CNN在Faster R-CNN上进行改进，在原有的用于识别的边界框分支上添加了用于预测的并行分支，可以同时实现目标检测和图像分割，但在小规模图像数据集上无法获得令人满意的结果。全卷积网络(FullyConvolutional Network，FCN)删除了传统卷积神经网络的全连接层，并使用上采样操作来实现端到端图像分割，但是其简单的结构限制了图像分割的性能。U-Net是基于FCN改进的兼具编码-解码结构的网络，其中，编码器可实现特征提取，解码器可以恢复具有原始图像分辨率的特征图。U-Net在图像较小的数据集上效果较好，其编码-解码结构更好地适用于医学图像分割方面。但是编码解码过程中的下采样和上采样操作会使特征图丢失细节。

为了达到更好的分割效果，本发明对U-Net进行改进。首先，在网络的编码部分引入双路径网络(Dual Path Network，DPN)[1]，利用残差网络(Residual Network，ResNet)[2]的特征复用和DenseNet[3]的特征生成能力，更好地提取目标特征。其次，使用空洞空间金字塔池化[4]提取不同尺度特征。最后，在跳跃连接时融合前一层的特征，以提取更多的图像细节，减少图像恢复的损失。

发明内容

本发明的目的在于提供一种基于双路径和空洞空间金字塔池化的血液白细胞分割方法，提升了白细胞分割精度。

为实现上述目的，本发明的技术方案是：一种基于双路径和空洞空间金字塔池化的血液白细胞分割方法，对U-Net网络进行改进，包括特征编码器、特征细化模块和特征解码器；其中，