一种血液细胞分割网络及血液细胞分割方法技术

一种血液细胞分割网络及血液细胞分割方法。属于图像识别技术领域，具体涉及血液细胞图像的识别技术领域。其解决了以往深度学习的方式中，对于血液细胞显微图像中白细胞，白细胞核及红细胞三类同时分割研究较少的问题。所述血液细胞分割网络包括卷积层、空洞残差层、池化层和上采样层，血液细胞图像输入后，依次经过卷积层、空洞残差层、池化层和上采样层后输出，所述空洞残差层与上采样层跳跃连接。本发明专利技术所述网络及方法可以应用在血液细胞研究技术领域以及血液细胞分割技术领域。技术领域以及血液细胞分割技术领域。技术领域以及血液细胞分割技术领域。

【技术实现步骤摘要】
一种血液细胞分割网络及血液细胞分割方法


[0001]本专利技术属于图像识别
，具体涉及血液细胞图像的识别及分割


技术介绍

[0002]检测血液中细胞的形态在医学研究有着重要作用。传统的人工读片方法效率较低，同时难度大。随着计算机视觉技术的不断发展，通过深度学习的方式来实现血液细胞显微图像的分割成为了主要方式。目前通过深度学习方式的血液细胞分割主要针对白细胞单类别分割，或白细胞及其细胞核的两类分割。对于白细胞，白细胞核及红细胞的三类同时分割研究较少。

技术实现思路

[0003]本专利技术为了解决以往深度学习的方式中，对于血液细胞显微图像中白细胞，白细胞核及红细胞三类同时分割研究较少的问题，提出了一种血液细胞分割网络，所述血液细胞分割网络包括卷积层、空洞残差层、池化层和上采样层，血液细胞图像输入后，依次经过卷积层、空洞残差层、池化层和上采样层后输出，所述空洞残差层与上采样层跳跃连接；所述卷积层包括两个相同的卷积模块；所述空洞残差层包括四个相同的改进空洞残差模块；所述池化层包括一个混合空洞可变形池化模块；所述上采样层包括四个相同的上采样模块；所述跳跃连接具体为：第N个接收图像的改进空洞残差模块与第(5
‑
N)个接收图像的上采样模块连接，其中N=1，2，3，4。
[0004]进一步，所述卷积模块的大小为3
×
3。
[0005]进一步，所述改进空洞残差模块包含第一通路和第二通路，输入的图像分别经过第一通路和第二通路的处理后，再将第一通路的处理结果和第二通路的处理结果进行信息融合后输出；所述第一通路具体为：对输入的图像直接输出；所述第二通路具体为：对输入的图像进行空洞卷积后采用激活函数激活，然后再进行空洞卷积操作。
[0006]进一步，所述混合空洞可变形池化模块包括卷积层和融合层；卷积层分别采用两个可变形卷积和两个空洞卷积对输入图像进行处理，融合层将上述经过4种不同卷积处理的图像进行特征融合。
[0007]进一步，所述上采样模块依次包括2
×
2大小卷积模块、3
×
3大小卷积模块和3
×
3大小卷积模块。
[0008]本专利技术还提供一种血液细胞的分割方法，所述血液细胞的分割方法采用如上所述血液细胞的分割网络进行，具体为：S1、收集血液细胞显微图像；
S2、对血液细胞显微图像进行增广；S3、构建血液细胞显微图像的训练集和验证集；S4、采用训练集对血液细胞的分割网络进行训练，得到训练好的网络；S5、采用验证集对所述训练好的网络进行验证；S6、若步骤S5验证合格则进行步骤S7，否则返回步骤S1重新进行；S7、对待分割血液细胞显微图像进行拉普拉斯锐化处理；S8、将锐化处理后的血液细胞显微图像输入所述验证合格的网络进行血液细胞的分割。
[0009]本专利技术所述网络的有益效果为：（1）提出一种改进U
‑
Net网络的分割结构，用于血液细胞的多类别分割，在原有U
‑
Net网络基础上，自主设计构建具体的血液细胞的分割网络，在实现多类别分割的同时保证分割结果的精确度，为构建血液细胞分割系统提供了理论和技术支撑。
[0010]（2）自主设计了改进空洞残差模块，改进空洞残差模块引入了残差网络模块，同时对其进行空洞卷积的改进，改进空洞残差模块较原残差模块特征提取效果更好，引入改进空洞残差模块后使得模型训练过程更加稳定，同时也能够更加高效地利用深层次信息，对输入特征进行更加精确的表达，使像素准确率得到提升。
[0011]（3）自主设计了混合空洞可变形池化模块，使用了空洞卷积和可变形卷积叠加来进行池化的操作。空洞卷积可以扩大感受野，可变形卷积可以更好地针对不规则特征进行特征提取。通过调整不同空洞率得到不同尺度特征与可变形卷积得到的特征进行融合，获得语义更为丰富的新特征，最后达到提升模型分割精度的效果。
[0012]本专利技术所述网络及方法可以应用在血液细胞研究
以及血液细胞分割

附图说明
[0013]图1为本专利技术实施例中血液细胞分割网络结构图；图2为本专利技术实施例中改进空洞残差模块结构图；图3为本专利技术实施例中混合空洞可变形池化模块结构图；图4为本专利技术实施例中上采样模块结构图。
具体实施方式
[0014]下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术的保护范围。
[0015]实施例1、本实施例提供一种血液细胞的分割网络，如图1所示，所述分割网络包括卷积层、空洞残差层、池化层和上采样层，血液细胞图像输入后，依次经过卷积层、空洞残差层、池化层和上采样层后输出，所述空洞残差层与上采样层跳跃连接；所述卷积层包括两个相同的卷积模块；所述空洞残差层包括四个相同的改进空洞残差模块；
所述池化层包括一个混合空洞可变形池化模块；所述上采样层包括四个相同的上采样模块；所述跳跃连接具体为：第N个接收图像的改进空洞残差模块与第(5
‑
N)个接收图像的上采样模块连接，其中N=1，2，3，4。
[0016]实施例2、本实施例是对实施例1的进一步限定，如图1所示，所述卷积模块的大小为3
×
3。
[0017]如图2所示，所述改进空洞残差模块包含第一通路和第二通路，输入的图像分别经过第一通路和第二通路的处理后，再将第一通路的处理结果和第二通路的处理结果进行信息融合后输出；所述第一通路具体为：对输入的图像直接输出；所述第二通路具体为：对输入的图像进行空洞卷积后采用激活函数激活，然后再进行空洞卷积操作。
[0018]改进空洞残差模块引入了残差网络模块，同时对其进行空洞卷积的改进，改进空洞残差模块较原残差模块特征提取效果更好，引入改进空洞残差模块后使得模型训练过程更加稳定，同时也能够更加高效地利用深层次信息，对输入特征进行更加有力的表达。
[0019]如图3所示，所述混合空洞可变形池化模块包括卷积层和融合层；卷积层分别采用两个可变形卷积和两个空洞卷积对输入图像进行处理，融合层将上述经过4种不同卷积处理的图像进行特征融合。具体地，本实施例中，两个空洞卷积的卷积核大小都为3
×
3，其中一个空洞卷积的空洞率为12，另一个空洞卷积的空洞率为18。
[0020]混合空洞可变形池化模块使用了空洞卷积和可变形卷积叠加来进行池化的操作。空洞卷积可以扩大感受野，可变形卷积可以更好地针对不规则特征进行特征提取。通过调整不同空洞率得到不同尺度特征与可变形卷积得到的特征进行融合，获得语义更为丰富的新特征，最后达到提升模型分割精度的效果。
[0021]如图4所示，所述上采样模块依次包括2
×
2大小卷积模块、3
×
3大小卷积模块和3
×
3大小卷积模块。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种血液细胞分割网络，其特征在于，所述血液细胞分割网络包括卷积层、空洞残差层、池化层和上采样层，血液细胞图像输入后，依次经过卷积层、空洞残差层、池化层和上采样层后输出，所述空洞残差层与上采样层跳跃连接；所述卷积层包括两个相同的卷积模块；所述空洞残差层包括四个相同的改进空洞残差模块；所述池化层包括一个混合空洞可变形池化模块；所述上采样层包括四个相同的上采样模块；所述跳跃连接具体为：第N个接收图像的改进空洞残差模块与第(5
‑
N)个接收图像的上采样模块连接，其中N=1，2，3，4；所述改进空洞残差模块包含第一通路和第二通路，输入的图像分别经过第一通路和第二通路的处理后，再将第一通路的处理结果和第二通路的处理结果进行信息融合后输出；所述第一通路具体为：对输入的图像直接输出；所述第二通路具体为：对输入的图像进行空洞卷积后采用激活函数激活，然后再进行空洞卷积操作；所述混合空洞可变形池化模块包括卷积层和融合层；卷积层分别采用两个可变形卷积和两个空洞卷积对输入图像进行处理，融合层将经过两个可变形卷积和两个空洞卷积处理的图像进行特征...

【专利技术属性】
技术研发人员：李东明，尹诗雨，张丽娟，王泉，李军，李富，徐焕宇，孙家栋，
申请(专利权)人：无锡学院，
类型：发明
国别省市：