[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

本发明公开了一种基于深度学习的白细胞核质自动分割方法及系统，具体包括以下步骤：步骤1：将原始染色白细胞图像的RGB像素空间分割为长度相等的小立方体，计算所有小立方体中位于中心点的像素值，即预定像素值，获得每个小立方体中所有像素值的数量。本发明公开的基于深度学习的白细胞核质自动分割方法及系统具有快速获得白细胞核和细胞质的形态信息，经过残差卷积单元、分辨率融合单元和聚合单元，得到重提取和聚合后的特征，确定分割后的模态图像，从而有效地获取丰富的高、中、低级的特征中的白细胞信息，利用轮廓拟合、图像填充和形态学腐蚀运算实现白细胞区域的提取，进而获得细胞质分割结果的技术效果。

技术领域

本发明涉及白细胞分割技术领域，尤其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

白细胞是无色、球形、有核的血细胞。正常成人总数为(4.0～10.0)x109/L，可因每日不同时间、机体的功能状态而在一定范围内变化。白细胞一般有活跃的移动能力，它们可以从血管内迁移到血管外，或从血管外组织迁移到血管内。因此，白细胞除存在于血液和淋巴中外，也广泛存在于血管、淋巴管以外的组织中。

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，分类精度有待提高的问题。

发明内容

本发明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，旨在解决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，分类精度有待提高的问题的技术问题。

为了实现上述目的，本发明采用了如下技术方案：

一种基于深度学习的白细胞核质自动分割方法，包括具体包括以下步骤：

步骤1：将原始染色白细胞图像的RGB像素空间分割为长度相等的小立方体，计算所有小立方体中位于中心点的像素值，即预定像素值，获得每个小立方体中所有像素值的数量，将每个小立方体中的所有像素值赋值为预定像素值，并获得预处理图像；

步骤2：将预处理图像内的任一张模态图像中的两层相邻的不同分辨率的特征层输入到多层次特征重提取和聚合的神经网络模型中，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；

步骤3：利用颜色分量组合增强白细胞细胞核的对比度，进而利用经典阈值分割方法实现细胞核的分割然后，利用颜色先验去除图像的背景，执行边缘检测和轮廓拟合来获得白细胞分割结果；

步骤4：将最终白细胞核图像利用水平集方法处理得到白细胞核轮廓曲线，以白细胞核轮廓曲线作为活动轮廓模型的初始轮廓曲线，以局部JS散度构建局部灰度信息表达式作为边缘停止函数，使初始轮廓曲线逐步计算得到白细胞边缘，从而得到白细胞图像。

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。

在一个优选的方案中，所述多层次特征重提取和聚合的神经网络模型包括残差卷积单元、分辨率融合单元以及聚合单元；所述两层相邻的不同分辨率的特征层依次经过所述残差卷积单元、所述分辨率融合单元以及所述聚合单元，确定分割后的MRI模态图像。