[发明专利]基于神经网络的人工标注白细胞的误差校准方法及装置

权利要求书

1.基于神经网络的人工标注白细胞的误差校准方法，其特征在于，包括如下步骤：

S1，获取染色血细胞的原始RGB图像；

S2，将原始RGB图像映射到HSV空间中，分离出S通道；

S3，绘制S通道图像的直方图，根据阈值范围将S通道图像二值化，得到细胞的二值图像；

S4，将二值图像进行一系列形态学处理；

S5，用8邻域连通的方法提取经形态学处理后的细胞图像的边缘像素点，找到细胞上下左右的边缘像素点，然后分割细胞；具体步骤为：

(1)首先从上往下、从左往右对图像进行扫描，找到连通区域的第一个目标段，标记该段并且压入堆栈，作为“区域增长”的种子段；

(2)检查当前段的上下两行是否有重叠且未标记的目标段；如果不存在重叠的目标段，则把当前段弹出堆栈；如果存在重叠且未标记的目标段，则标记该段并且压入堆栈，作为新的“种子段”；本行目标段(X_s1,X_e1)和上下两行目标段(X_s2,X_e2)重叠的准则是：

X_s1-1≤X_e2并且X_e1+1≥X_s2；

其中，X_s1表示本行目标段的起始坐标，X_e1表示本行目标段的结束坐标，X_s2表示上下两行目标段的起始坐标，X_e2表示上下两行目标段的结束坐标；

(3)后续操作不断从堆栈中取出种子段，重复步骤(2)直到堆栈为空，即标记完一个连通区域；

(4)接着搜索图像中下一个未标记的连通区域，重复上述步骤(1)-(3)直到图像中所有的连通区域标记完毕；

S6，挑选分割后细胞的图像，将每一类中特征明显的细胞图像作为训练细胞输入深度残差网络中，训练网络；

S7，将挑选后剩余的细胞作为测试细胞，用softmax分类器为测试细胞打分；如果最大分数大于或等于设定阈值，则归为某类；如果最大分数小于设定阈值，则归入子分类中；

S8，取步骤S6中训练细胞以及子分类中细胞边缘的任一像素点为极点，建立极坐标系，将所有像素点用极坐标变换一一映射到直角坐标系中；

S9，对于训练细胞，遍历细胞的边缘像素点，每个像素点作为极点，整个分割后的细胞图像极坐标变换后产生一张变换后的图像，每张图像有n个像素点，即变换n次；对于子分类中细胞，每张图像只变换一次；

S10，将训练细胞变换后的图像作为子分类网络的输入，重新训练深度残差网络，并保存网络参数；将子分类中细胞变换后的图像作为测试数据，用softmax分类器再次打分：如果细胞图像的最大得分大于或等于设定阈值，则该细胞图像归为某一子分类；如果最大得分小于设定阈值，则该细胞图像归为未分类细胞。

2.根据权利要求1所述的基于神经网络的人工标注白细胞的误差校准方法，其特征在于，所述步骤S3中，确定阈值范围的具体方法为：以白细胞为前景，其余细胞为背景，根据S通道直方图的波峰和波谷，找到分离前景与背景的临界点为0.229和0.184；大于0.184且小于0.229的点为背景，将其像素值设为0；小于或等于0.184的点为白细胞浆所在点，为前景，将其像素值设为255；大于或等于0.229的点为白细胞核所在点，为前景，将其像素值设为255。

3.根据权利要求1所述的基于神经网络的人工标注白细胞的误差校准方法，其特征在于，所述步骤S4中，将二值图像进行一系列形态学处理的具体方法为：先对二值图像进行填充运算，填补由于染色不均形成的漏洞；然后用bwareaopen函数去除小块，将颜色与细胞核相同的血小板去掉；再用1×1的模板进行闭运算处理，平滑细胞边缘区域；最后再次填充细胞，防止空洞。

4.根据权利要求1所述的基于神经网络的人工标注白细胞的误差校准方法，其特征在于，所述步骤S6中，训练细胞占总细胞数的2/3，训练细胞经过深度残差网络学习后，得到checkpoint文件，该文件存储了网络模型的各类参数。