The invention discloses a blood cell segmentation method based on deep learning, which relates to the field of biomedical image processing and deep learning, including the following steps: building a data set; building a blood cell micro image data set, and labeling three types of cells (red blood cells, white blood cells, blood platelets), training neural network: training a blood cell micro image based on deep neural network Semantic segmentation model of image. The beneficial effect of the invention is that the deep learning method is applied to the segmentation of blood cell micro image, and the segmentation accuracy of blood cell is improved.
【技术实现步骤摘要】
基于深度学习的血细胞分割方法
本专利技术属于生物医学图像处理和深度学习领域，尤其涉及基于深度学习的血细胞分割方法。
技术介绍
细胞分割是生物医学图像领域里一个重要的问题。而图像语义分割是给每一个像素都赋予一个不同的标签(类别)，因此可以被认为是一个密集分类问题。一直以来，细胞分割都是基于传统的图像处理算法，比如基于分水岭的分割方法，基于统计特征的分割方法，基于聚类的分割方法，但是自从深度学习出现以后，基于神经神经网络的图像语义分割方法开始成为主流，对细胞分割的方法最著名的时2015年夺得ISBIcelltrackingchallenge2015冠军的U-Net神经网络模型.U-Net通过预测每个像素点的类别来对细胞图像进行分割，得到了不错的分割精度，并且分割的速度很快。近年来，绝大多数当前最佳的图像语义分割方法都是基于全卷积神经网络的。典型的语义分割网络结构是编码器-解码器结构，编码器是一个图像降采样过程，负责抽取图像粗糙的语义特征，紧接着就是一个解码器，解码器是一个图像上采样过程，负责对降采样得到的...
【技术保护点】
1.基于深度学习的血细胞分割方法，其特征在于，包括如下步骤：/n步骤1、获取血细胞显微图像，并对血细胞中的三类主要细胞红细胞、白细胞、血小板进行语义分割标注，构建血细胞显微图像数据集；/n步骤2、构建基于深度神经网络的血细胞分割网络：/n分割网络由前端和后端网络组成，前端网络包括多层特征提取层，第一层的输入为图像数据集，之后每层的输入为前一层输出的特征，每层输出的特征都分成两路，一路作为下一层的输入，另一路经过上采样至输入图像大小并与前一层经过维度不变层输出的特征串联连接之后输出，前端网络输出的最后一层与维度不变层串联连接，经过一个空间通道压缩与激励模块,然后输出的特征图分...
【技术特征摘要】
1.基于深度学习的血细胞分割方法，其特征在于，包括如下步骤：
步骤1、获取血细胞显微图像，并对血细胞中的三类主要细胞红细胞、白细胞、血小板进行语义分割标注，构建血细胞显微图像数据集；
步骤2、构建基于深度神经网络的血细胞分割网络：
分割网络由前端和后端网络组成，前端网络包括多层特征提取层，第一层的输入为图像数据集，之后每层的输入为前一层输出的特征，每层输出的特征都分成两路，一路作为下一层的输入，另一路经过上采样至输入图像大小并与前一层经过维度不变层输出的特征串联连接之后输出，前端网络输出的最后一层与维度不变层串联连接，经过一个空间通道压缩与激励模块,然后输出的特征图分别与维度不变层降采样后的特征图串联连接并进入后端网络进行上采样，直至上采样至原图大小，后经softmax层输出；
步骤3：训练血细胞分割网络；利用步骤1得到的图像数据集作为训练样本集训练网络，并...
【专利技术属性】
技术研发人员：李万春，王敏，郭昱宁，王丽，邹炜钦，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。