【技术实现步骤摘要】
基于深度学习模型对脂肪细胞图像进行分割计数的方法
[0001]本专利技术涉及的是一种图像处理领域的技术，具体是一种基于深度学习模型对脂肪细胞图像进行分割计数的方法。
技术介绍
[0002]现有技术对细胞图像处理的关键操作包括图像分割，精确的图像分割可以使得细胞计数的准确率增加，对面积的分析更加精准，从而获得更好的分析结果。现有的细胞分割算法对于高清细胞图像的分析效率依旧较低，从而限制了细胞统计技术的发展。
技术实现思路
[0003]本专利技术针对现有技术存在的上述不足，提出一种基于深度学习模型对脂肪细胞图像进行分割计数的方法，显著缩短了脂肪细胞人工计数的耗时。
[0004]本专利技术是通过以下技术方案实现的：
[0005]本专利技术涉及一种基于深度学习模型对脂肪细胞图像进行分割计数的方法，通过将脂肪图像输入深度学习网络得到图中每个像素被分割的概率，基于该概率图进一步生成脂肪细胞边缘图后，依次经形态学处理去除气泡和分水岭算法再分割处理生成脂肪细胞分割图像，最后通过连通域分析，分析脂肪细胞分割图像...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习模型对脂肪细胞图像进行分割计数的方法，其特征在于，通过将脂肪图像输入深度学习网络得到图中每个像素被分割的概率，基于该概率图进一步生成脂肪细胞边缘图后，依次经形态学处理去除气泡和分水岭算法再分割处理生成脂肪细胞分割图像，最后通过连通域分析，分析脂肪细胞分割图像的细胞面积分布并对当前目标图像上的脂肪细胞数量进行统计。2.根据权利要求1所述的基于深度学习模型对脂肪细胞图像进行分割计数的方法，其特征是，所述的深度学习网络是基于上采样和下采样的Unet++网络。3.根据权利要求1所述的基于深度学习模型对脂肪细胞图像进行分割计数的方法，其特征是，所述的深度学习网络，经过包含旋转，翻转，缩放，尺度变换的数据增强后的训练集进行训练并以交叉熵作为损失函数，对于标注图像中被标记为黑白色的点，对应乘上最终的输出概率，得到最终的损失函数。4.根据权利要求3所述的基于深度学习模型对脂肪细胞图像进行分割计数的方法，其特征是，所述的交叉熵损失函数其中：x
i
为输入，y
i
为训练集中的二元标签，h
w
(x
i
)为网络输出该点被识别为膜的概率，m代表该图共有多少像素点，J(w)为误差函数的值。5.根据权利要求1所述的基于深度学习模型对脂肪细胞图像进行分割计数的方法，其特征是，所述的脂肪细胞边缘图，在概率图的基础上生成灰度图像，经二值化处理转化得到脂肪细胞边缘图。6.根据权利要求1所...
【专利技术属性】
技术研发人员：沈红斌，王春晖，王计秋，宁光，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
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。