【技术实现步骤摘要】
细胞图像分割方法、装置、电子设备及可读存储介质
本专利技术涉及人工智能
，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。
技术介绍
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。
技术实现思路
本专利技术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...
【技术保护点】
1.一种细胞图像分割方法，其特征在于，所述方法包括：/n对原始细胞图像进行降采样操作，得到降采样图像；/n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；/n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；/n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；/n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。/n
【技术特征摘要】
1.一种细胞图像分割方法，其特征在于，所述方法包括：
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。
2.如权利要求1所述的细胞图像分割方法，其特征在于，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。
3.如权利要求1所述的细胞图像分割方法，其特征在于，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。
4.如权利要求3所述的细胞图像分割方法，其特征在于，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的分类函数中，计算得到所述降采样图像的各个分割区域的概率值；
根据所述各个分割区域的概率值，对所述降采样图像进行分割，生成所述第一分割图。
5.如权利要求1所述的细胞图像分割方法，其特征在于，所述升采样图像存储于区块链中，所述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，包括：
按照预设的匹配规则，从所述第二分割图中选取SIFT特征点，依次与所述原始细胞图像的SIFT特征点进行匹配，得到原始匹配对集；
计算所述原始匹配对集内每组匹配对的内点率，将内点率小于预设值α的匹配对剔除，得到初级匹配对集；
根据所述初级匹配对集计算所述初级匹配对集的基础矩阵，计算所述基础矩阵的秩数，剔除秩数大于预设的秩数阈值的所述匹配对得到标准...
【专利技术属性】
技术研发人员：谢春梅，侯晓帅，李风仪，王佳平，南洋，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44
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。