[发明专利]细胞图像分割方法、装置、电子设备及可读存储介质

说明书

本发明涉及人工智能技术，揭露了一种细胞图像分割方法，包括：对原始细胞图像进行降采样操作，得到降采样图像，将所述降采样图像进行分割得到第一分割图，根据预构建的像素点坐标转换模型，将所述第一分割图升采样至与所述原始细胞图像相同分辨率大小，得到第二分割图，通过图像特征匹配方法，将所述第二分割图与所述原始细胞图像在对应颜色通道上进行合并，获得升采样图像，将所述升采样图像进行形态学算法的预处理，并输入至所述卷积分割网络模型中进行分割，得到分割图像。本发明还涉及区块链技术，所述升采样图像存储于区块链中。本发明可以解决细胞图像分辨率过高，算法计算效率低导致影响计算速度及分割精确度的问题。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种细胞图像分割的方法、装置、电子设备及可读存储介质。

背景技术

随着深度学习在医学影像领域中的渗透及应用，AI技术可以帮助医生定位病灶细胞分析病情，辅助医生精确快速的做出诊断，目前医疗影像领域AI应用主要集中在肺结节、眼底、肝脏等细胞，随着AI技术的不断进步及临床需求的日益提高，AI技术在数字病理诊断也得到应用。

如在临床肿瘤细胞检测中，患者先拍摄CT，医生结合自身经验通过观看CT图像中是否存在肿瘤细胞来对患者进行判断，但是由于CT图像是一系列帧，数量较多，且肿瘤细胞往往在整个CT图像中占比较小，对比度不高，从而医生需要花费大量的时间来进行观察判断，即使通过计算机结合深度学习算法辅助医生进行诊断，由于CT图像分辨率高、数量多的原因，深度学习算法需要进行大量的特征计算，因此在占用计算机计算资源的前提下，分割精确度也不高。

发明内容

本发明提供一种细胞图像分割方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决细胞图像分辨率过高，算法计算效率低导致影响计算速度及分割精确度的问题。

为实现上述目的，本发明提供的一种细胞图像分割方法，包括：

对原始细胞图像进行降采样操作，得到降采样图像；

将所述降采样图像输入至预构建的卷积分割网络模型中进行分割，得到第一分割图；

根据预构建的像素点坐标转换模型与双线性插值算法，将所述第一分割图升采样至与所述原始细胞图像相同分辨率大小，得到第二分割图；

通过预设的几何约束与图像特征匹配方法，将所述第二分割图与所述原始细胞图像在对应颜色通道上进行合并，获得升采样图像；

将所述升采样图像进行形态学算法的预处理，并输入至所述卷积分割网络模型中进行分割，得到分割图像。

可选地，所述对原始细胞图像进行降采样操作，得到降采样图像，包括：

对尺寸为M×N的所述原始细胞图像按照预设的降采样比例s进行降采样操作，得到尺寸为的所述降采样图像；

其中，s是M和N的公约数。

可选地，所述预构建的卷积分割网络模型的构建过程包括：

根据预习设定的级联规则，在全卷积神经网络中级联全连接层；

并将多层卷积神经网络与添加完所述全连接层的全卷积神经网络进行级联得到所述卷积分割网络模型。

可选地，所述将所述降采样图像输入至预构建的卷积分割网络模型中进行分割，得到第一分割图，包括：

通过所述卷积分割网络模型对所述降采样图像进行卷积运算，生成降采样卷积特征图；

对所述降采样卷积特征图进行反卷积运算，得到反卷积特征图；

将所述反卷积特征图输入至所述卷积分割网络模型中分类函数中，计算得到所述降采样图像的各个分割区域的概率值；