[发明专利]一种骨髓细胞形态学特征的提取方法与系统

说明书

本发明公开了一种骨髓细胞形态学特征的提取方法与系统，包括：1)获取经化学试剂染色后得到的骨髓细胞图像，并进行图像预处理；2)利用UNet++模型对骨髓细胞图像进行分割，得到若干个单一骨髓细胞图像；3)结合医学诊断知识对基于标记的分水岭算法进行改进，根据细胞核数值描述对单一骨髓细胞图像进行细胞核分割，获取精准的细胞核区域；4)提取单一骨髓细胞图像的形态学特征，并进行特征选择，筛选得到重要性较高的形态学特征。本发明突破传统基于标记的分水岭算法在进行单一骨髓细胞图像进行核质分割时，细胞核区域判定困难的问题，根据骨髓细胞形态学检验知识预先得到不同类型骨髓细胞的细胞核面积占比信息，从而提取更精准的形态学特征。

技术领域

本发明涉及医学图像特征提取的技术领域，尤其是指一种骨髓细胞形态学特征的提取方法与系统。

背景技术

骨髓细胞形态学检查是诊断血液系统疾病、判断疗效及检测病情变化的最简单也是最重要的手段之一，在临床检验工作中通过显微镜观察染色后的骨髓细胞，以直接了解骨髓中各种血细胞数量、比例、形态以及有无异常细胞等。迄今，人工镜检仍是骨髓形态学检查的主要方法，但其检验过程耗时耗力，效率低下。近年来人工智能技术在医学图像领域发展迅速，在骨髓细胞分割及识别等方面提供了许多新的思路。

骨髓细胞形态学提取一般包括如下步骤：1)对骨髓细胞图像进行图像预处理；2)对预处理后的骨髓细胞图像进行细胞分割，得到单一的骨髓细胞图像；3)对单一骨髓细胞图像进行细胞形态学特征提取。骨髓细胞的细胞区域和细胞核区域是计算骨髓细胞形态学特征的重要依据，如何得到精准的细胞区域和细胞核区域至关重要。人工智能技术背景下应运而生的图像分割算法如UNet模型及其改进模型在医学图像领域应用十分成功，其中UNet++模型使得UNet模型的深度可以自适应于数据集规模，改进效果明显，能够精准得到细胞区域。传统的图像分割方法如基于区域的分水岭算法应用十分广泛，在各项任务中取得了不错的效果。其改进算法如基于标记的分水岭算法通过融入预处理步骤来限制允许存在的区域数目，优化了原始分水岭算法对于存在噪声以及梯度不规则图像极易过度分割的问题。但在骨髓细胞的核质分割任务中，仍存在分割区域多，细胞核区域难以确定的问题，难以得到精准的细胞核区域。

发明内容

本发明的第一目的在于克服现有技术的缺点与不足，提供一种骨髓细胞形态学特征的提取方法，突破传统基于标记的分水岭算法在进行单一骨髓细胞图像进行核质分割时，细胞核区域判定困难的问题，根据骨髓细胞形态学检验知识预先得到不同类型骨髓细胞的细胞核容积占比信息，提高细胞核区域判定的准确性，从而提取更精准的形态学特征。

本发明的第二目的在于提供一种骨髓细胞形态学特征的提取系统。

本发明的第一目的通过下述技术方案实现：一种骨髓细胞形态学特征的提取方法，包括以下步骤：

1)获取经化学试剂染色后得到的骨髓细胞图像，并进行图像预处理；

2)利用UNet++模型对骨髓细胞图像进行分割，得到若干个单一骨髓细胞图像；

3)结合医学诊断知识对基于标记的分水岭算法进行改进，根据细胞核数值描述对单一骨髓细胞图像进行细胞核分割，获取精准的细胞核区域；

4)提取单一骨髓细胞图像的形态学特征，并进行特征选择，筛选得到重要性高的形态学特征。

进一步，在步骤1)中，所述化学试剂为骨髓细胞瑞氏染色过程中所需的瑞氏染料；所述骨髓细胞图像为在骨髓涂片镜检后，显微镜摄像头拍摄而得的显微图像；所述图像预处理包括：①灰度化处理，将色彩图像转化为灰度图像；②滤波处理，通过滤波函数去除噪声；③边缘检测，通过边缘检测算子得到骨髓细胞图像中的边缘信息。

进一步，在步骤2)中，所述UNet++模型是一种图像分割算法，其在原始UNet模型基础上，提出自适应不同规模数据集的UNet体系结构。

进一步，所述步骤3)包括如下步骤：