[发明专利]一种基于深度学习的白细胞核质自动分割方法及系统

权利要求书

1.一种基于深度学习的白细胞核质自动分割方法，包括，其特征在于，

步骤1：将原始染色白细胞图像的RGB像素空间分割为长度相等的小立方体，计算所有小立方体中位于中心点的像素值，即预定像素值，获得每个小立方体中所有像素值的数量，将每个小立方体中的所有像素值赋值为预定像素值，并获得预处理图像；

步骤2：将预处理图像内的任一张模态图像中的两层相邻的不同分辨率的特征层输入到多层次特征重提取和聚合的神经网络模型中，构建U型神经网络分割模型，所述U型神经网络分割模型包括编码器和译码器；

步骤3：利用颜色分量组合增强白细胞细胞核的对比度，进而利用经典阈值分割方法实现细胞核的分割然后，利用颜色先验去除图像的背景，执行边缘检测和轮廓拟合来获得白细胞分割结果；

步骤4：将最终白细胞核图像利用水平集方法处理得到白细胞核轮廓曲线，以白细胞核轮廓曲线作为活动轮廓模型的初始轮廓曲线，以局部JS散度构建局部灰度信息表达式作为边缘停止函数，使初始轮廓曲线逐步计算得到白细胞边缘，从而得到白细胞图像。

2.根据权利要求1所述的一种基于深度学习的白细胞核质自动分割方法，其特征在于，所述多层次特征重提取和聚合的神经网络模型包括残差卷积单元、分辨率融合单元以及聚合单元；所述两层相邻的不同分辨率的特征层依次经过所述残差卷积单元、所述分辨率融合单元以及所述聚合单元，确定分割后的MRI模态图像。

3.根据权利要求1所述的一种基于深度学习的白细胞核质自动分割方法，其特征在于，所述步骤3中，对最终得到的白细胞图像使用形态学处理方法对初始白细胞图像中的白细胞核边缘轮廓进行光滑处理得到最终白细胞核图像。

4.根据权利要求1所述的一种基于深度学习的白细胞核质自动分割方法，其特征在于，在所述步骤3中利用颜色分量组合增强白细胞细胞核的对比度的具体实现方式如下：

步骤S31、利用颜色分量组合增强细胞核区域，其形式化描述为：I1＝Ir+Ib-k×Ig

其中，Ir、Ib和Ig分别表示RGB颜色空间中的红色、蓝色和绿色分量。

5.根据权利要求4所述的一种基于深度学习的白细胞核质自动分割方法，其特征在于，所述基于颜色先验的图像背景移除：通过阈值分割实现图像背景的去除

其中，t为阈值参数，Iv代表背景移除，即将背景变为白色后的图像。

6.根据权利要求3所述的一种基于深度学习的白细胞核质自动分割方法，其特征在于，对所述最终白细胞核图像中的进行图像增强操作，所述图像增强操作包括垂直翻转、随机剪裁、高斯噪声、视角变换、图像的模糊和锐化、放射变换、亮度、对比度和颜色的变化。

7.根据权利要求6所述的一种基于深度学习的白细胞核质自动分割方法，其特征在于，将进行所述图像增强操作步骤后的白细胞核图像为灰度图像和HSV图像，在灰度图像中分割出白细胞细胞核，在HSV图像中分割出整个白细胞；

从分割出的白细胞细胞核和整个白细胞中提取颜色、纹理和形态三方面的特征；

包括：以灰度直方图表示的颜色特征，包括均值、方差、倾斜度、峰态、能量、熵；利用灰度共生矩阵进行纹理特征的提取；

包括熵、能量、相关性、对比度、逆差距；采用八连通链码计算形态特征；

包括面积、周长、长宽比、圆形度、矩形度、核质比。

8.一种基于深度学习的白细胞核质自动分割系统，应用于权利要求1-7任一所述的一种基于深度学习的白细胞核质自动分割方法，其特征在于，包括有U型神经网络分割模型、分割模块、扩展子模块、划分模块和分割后的模态图像确定模块，所述U型神经网络分割模型包括的编码器和译码器之间采用跳跃连接补充池化过程中丢失的底层信息，所述编码器采用改进的神经网络结构进行特征提取，所述译码器通过上采样恢复图像的细节及空间信息；所述分割模块：用于将白细胞图像输入到U型神经网络分割模型中对道路元素进行分割，输出分割结果。