一种血细胞分割与识别方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术提出一种血细胞分割与识别方法、装置、电子设备和存储介质，属于医学图像处理及深度学习领域。其中所述方法包括：获取待预测的血细胞图像，对所述血细胞图像进行预处理；利用预设的血细胞分割网络，获取预处理完毕的所述血细胞图像对应的分割概率图；根据所述分割概率图，对所述预处理完毕的血细胞图像中每个像素点进行分类，以得到所述待预测分割图像的血细胞分割识别结果。本发明专利技术无需大量的参数的设置便可以应用在海量的图片中，直接通过网络输出进行判断，从而得到分割细胞的具体类型，且分割结果准确，有很高的应用价值。有很高的应用价值。有很高的应用价值。

【技术实现步骤摘要】
一种血细胞分割与识别方法、装置、电子设备和存储介质


[0001]本专利技术属于医学图像处理及深度学习领域，具体涉及一种血细胞分割与识别方法、装置、电子设备和存储介质。

技术介绍
：
[0002]在医学诊断中，血细胞的分割识别一直是备受关注的一个领域，它对于评估人体健康状况，作为基础数据来判断疾病的种类以及严重程度都具有很高的研究价值。红细胞、白细胞和血小板是构成血液的三种血细胞，传统方法中，为了分割并识别这三种不同的血细胞，主要先使用化学染料对细胞进行染色，然后在显微镜下进行观察，根据不同种类血细胞呈现出的外在形态的不同进行判断，这种方法极大的取决于实验者的专业技能，并且工作过程是非常繁琐且耗时的。
[0003]随着机器视觉技术的快速发展，细胞的分割识别技术已经成为临床诊断中的重要辅助工具。目前，大量研究者在血细胞的分割识别研究中提出了很多实用的方法：
[0004]1)深度学习之前，大量研究者根据不同血细胞呈现出来的颜色和形态学的不同，直接对血细胞显微图像进行分割和分类。常见的方法如基于阈值的分割、基于分水岭的方法、基于聚类的分割等等，它们利用不同血细胞的特征差异，可以得到较为良好的分割结果。一个广泛使用的方法是Chan
‑
Vese模型，其在全局图像上进行演化，将具有相同特征的像素点聚合在一起，达到分割血细胞的目的。但由于传统分割方法无法自动地标注血细胞的类型，并且超参数较多，需要对不同图片进行单独的调整，因此无法大规模应用在海量图片中。
[0005]2)深度学习出现之后，基于神经网络的分割方法成为了主流。深度学习中的分割网络一般都是端到端的，可以直接输出最终的分割和分类结果，因此总体效率更高，如代表性的神经网络U
‑
Net。U
‑
Net的网络结构为编码器
‑
解码器结构，编码器通过不断的下采样，得到图像的语义特征，解码器通过不断的上采样，得到和输入图片大小一致的分割识别结果。由于血细胞分割不同于一般物体的分割，其血细胞的体积较小，细胞与细胞之间的距离较短等特性都成为了血细胞分割识别任务中需要克服的难点。而一般神经网络的分割结果往往没有经过修正，比如分割边缘不太平滑以及准确，这在血细胞分割任务中表示得尤为显著。

技术实现思路

[0006]本专利技术的目的是为克服现有技术的不足之处，提出一种血细胞分割与识别方法、装置、电子设备和存储介质。本专利技术无需大量的参数的设置便可以应用在海量的图片中，直接通过网络输出进行判断，从而得到分割细胞的具体类型，且分割结果准确，有很高的应用价值。
[0007]本专利技术第一方面实施例提出一种血细胞分割与识别方法，包括：
[0008]获取待预测的血细胞图像，对所述血细胞图像进行预处理；
[0009]利用预设的血细胞分割网络，获取预处理完毕的所述血细胞图像对应的分割概率图；
[0010]根据所述分割概率图，对所述预处理完毕的血细胞图像中每个像素点进行分类，以得到所述待预测分割图像的血细胞分割识别结果。
[0011]在本专利技术的一个具体实施例中，所述分割概率图中包括所述预处理完毕的血细胞图像中每个像素点分别对应3个通道的概率，所述3个通道分别对应红细胞、白细胞和血小板。
[0012]在本专利技术的一个具体实施例中，所述根据所述分割概率图，对所述预处理完毕的血细胞图像中每个像素点进行分类，以得到所述图像的得到所述待预测分割图像的血细胞分割识别结果，包括：
[0013]对于预处理完毕的血细胞图像的任一像素点，若分割概率图中所述像素点对应的3个通道的概率值均小于设定的分割阈值，则将所述像素点分类为背景；若分割概率图中所述像素点对应的任一通道的概率值大于等于所述分割阈值，则所述像素点概率最大值通道对应的细胞类型即为所述像素点的细胞分类结果；
[0014]对所有像素点分类完毕后，得到所述待预测的血细胞图像的血细胞分割识别结果。
[0015]在本专利技术的一个具体实施例中，在所述利用预设的血细胞分割网络，获取预处理完毕的所述血细胞图像对应的分割概率图之前，还包括：
[0016]训练所述血细胞分割网络；
[0017]其中，所述训练所述血细胞分割网络，包括：
[0018]获取血细胞图像并进行标注，将标注后的血细胞图像组成训练集；其中，所述训练集中血细胞图像与所述待预测的血细胞图像来源相同；
[0019]对所述训练集中的图像进行预处理，得到预处理完毕的训练集；
[0020]将所述预处理完毕的训练集输入所述血细胞分割网络，通过计算网络损失对所述血细胞分割网络进行训练，当达到预设的训练结束条件时，得到训练完毕的血细胞分割网络。
[0021]在本专利技术的一个具体实施例中，所述预处理包括：
[0022]将所述图像调整为预设的尺寸大小；
[0023]对调整大小后的所述图像的像素进行标准化处理：
[0024][0025]其中，x表示图像的像素值，x
*
表示标准化后图像的像素值，μ表示训练集中所有图像的像素均值，σ表示训练集中所有图像的像素标准差。
[0026]在本专利技术的一个具体实施例中，所述血细胞分割网络采用U
‑
Net的主干网络作为主干网络，在所述主干网络后分别连接一个提取Chan
‑
Vese特征图的分支网络和一个提取分割概率图的分支网络；
[0027]其中，所述主干网络的输入为预处理完毕的图像，通过4次下采样和4次上采样，输出为对应输入图像的通道数为64的特征图；
[0028]所述提取Chan
‑
Vese特征图的分支网络，将输入图像和所述特征图按通道拼接作
为输入，经过3
×
3的卷积块，将特征图通道压缩至32，经过1
×
1的卷积和softmax函数得到3通道的Chan
‑
Vese特征图；
[0029]所述提取分割概率图的分支网络，使用所述特征图作为输入，经过3
×
3的卷积块，将特征图通道压缩至32，经过1
×
1的卷积和softmax函数得到3通道的分割概率图。
[0030]在本专利技术的一个具体实施例中，所述网络损失包括：分割损失和Chan
‑
Vese损失，其中，
[0031]所述分割损失计算表达式如下：
[0032][0033]其中N表示像素点个数；y
ij
表示第i个像素是否属于第j种血细胞，若属于，则
[0034]y
ij
＝1,否则为0；p
ij
表示第i个像素在分割概率图中第j个通道的输出值；
[0035]所述Chan
‑
Vese损失计算表达式如下：
[0036][0037]其中，分别表示分割概率图中点i关于第j个通道在x和y方向上的梯度，f
ij
为Chan
‑
...

【技术保护点】

【技术特征摘要】
1.一种血细胞分割与识别方法，其特征在于，包括：获取待预测的血细胞图像，对所述血细胞图像进行预处理；利用预设的血细胞分割网络，获取预处理完毕的所述血细胞图像对应的分割概率图；根据所述分割概率图，对所述预处理完毕的血细胞图像中每个像素点进行分类，以得到所述待预测分割图像的血细胞分割识别结果。2.根据权利要求1所述的方法，其特征在于，所述分割概率图中包括所述预处理完毕的血细胞图像中每个像素点分别对应3个通道的概率，所述3个通道分别对应红细胞、白细胞和血小板。3.根据权利要求2所述的方法，其特征在于，所述根据所述分割概率图，对所述预处理完毕的血细胞图像中每个像素点进行分类，以得到所述图像的得到所述待预测分割图像的血细胞分割识别结果，包括：对于预处理完毕的血细胞图像的任一像素点，若分割概率图中所述像素点对应的3个通道的概率值均小于设定的分割阈值，则将所述像素点分类为背景；若分割概率图中所述像素点对应的任一通道的概率值大于等于所述分割阈值，则所述像素点概率最大值通道对应的细胞类型即为所述像素点的细胞分类结果；对所有像素点分类完毕后，得到所述待预测的血细胞图像的血细胞分割识别结果。4.根据权利要求2所述的方法，其特征在于，在所述利用预设的血细胞分割网络，获取预处理完毕的所述血细胞图像对应的分割概率图之前，还包括：训练所述血细胞分割网络；其中，所述训练所述血细胞分割网络，包括：获取血细胞图像并进行标注，将标注后的血细胞图像组成训练集；其中，所述训练集中血细胞图像与所述待预测的血细胞图像来源相同；对所述训练集中的图像进行预处理，得到预处理完毕的训练集；将所述预处理完毕的训练集输入所述血细胞分割网络，通过计算网络损失对所述血细胞分割网络进行训练，当达到预设的训练结束条件时，得到训练完毕的血细胞分割网络。5.根据权利要求1或4所述的方法，其特征在于，所述预处理包括：将所述图像调整为预设的尺寸大小；对调整大小后的所述图像的像素进行标准化处理：其中，x表示图像的像素值，x
*
表示标准化后图像的像素值，μ表示训练集中所有图像的像素均值，σ表示训练集中所有图像的像素标准差。6.根据权利要求4所述的方法，其特征在于，所述血细胞分割网络采用U
‑
Net的主干网络作为主干网络，在所述主干网络后分别连接一个提取Chan
‑
Vese特征图的分支网络和一个提取分割概率图的分支网络；其中，所述主干网络的输入为预处理完毕的图像，通过4次下采样和4次上采样，输出为对应输入图像的通道数为64的特征图；所述提取Chan
...

【专利技术属性】
技术研发人员：周悦芝，黄权伟，
申请(专利权)人：清华大学，
类型：发明
国别省市：