[发明专利]基于深度学习模型对脂肪细胞图像进行分割计数的方法

说明书

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。显著缩短了脂肪细胞人工计数的耗时。

技术领域

本发明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。

背景技术

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。

发明内容

本发明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。

本发明是通过以下技术方案实现的：

本发明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。

所述的深度学习网络是基于上采样和下采样的Unet++网络。

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。

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。

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。

所述的去除气泡是指：使用Matlab提供的高斯滤波函数去除由于图像拼接被误识别为细胞的气泡。

所述的分水岭算法再分割，具体为：获取所有分水岭算法识别为边缘的分水岭，当判定其为细胞边缘时将其加入原来图像中。

所述的判定其为细胞边缘，需同时满足以下条件：

1.当前分水岭长度小于设定阈值；

2.分水岭所在细胞的椭圆度((长轴－短轴)/长轴*100％)小于设定阈值；

3.分割之后的两个区域面积之比为1。

所述的连通域分析，具体为：对图像进行连通域分析，统计所有连通域的面积，位置等信息，过滤面积小于阈值T的连通区域，对其余的每一个连通区域进行计数，即脂肪细胞数量。

所述的细胞面积分布通过连通域分析方式得到。

本发明涉及一种实现上述方法的系统，包括：深度网络分割单元、二值化处理单元、分水岭再分割单元以及连通域分析单元，其中：深度网络分割单元单元与二值化处理单元相连并传输概率图像信息，二值化处理单元与分水岭再分割单元相连并传输二值图像信息，分水岭再分割单元与连通域分析相连并传输分割图像信息。

技术效果