[發明專利]一種基于深度學習的骨髓液細胞分割方法

有效

• 申請號: 201611209048.9
• 申請日: 2016-12-23
• 公開（公告）號: CN106780522B
• 公開（公告）日: 2019-08-30
• 發明（設計）人: 毛嘉昀;居斌;李蘭娟;李譚偉
• 申請（專利權）人: 杭州華卓信息科技有限公司
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06T7/13;G06M11/00;G06T7/11
• 代理公司: 北京市盛峰律師事務所 11337
• 代理人: 梁艷

技術領域

本發明涉及生物醫學圖像處理和計算機應用領域，尤其涉及一種基于深度學習的骨髓液細胞分割方法。

背景技術

骨髓液的血細胞學檢查對某些血液病的診斷有重要意義。血液病的診斷，雖然已有熒光顯微鏡、位相差顯微鏡、電子顯微鏡、分子生物學、細胞化學、細胞遺傳學、免疫學和活體組織檢查等多種手段，但細胞形態學檢查仍是最基本、最常用的重要診斷手段。大多數血液病，只靠細胞學檢查結合臨床資料就可做出正確診斷。在病理情況下，特別是在急性白血病病例中，細胞形態可發生畸形。即使有經驗的血液學家也無法準確地辨認這些非典型細胞，目前，一般可以采用骨髓液檢查的方法來確認這些非典型細胞。

目前，常規的骨髓液檢查有人工識別和自動識別兩類。人工識別的時間開銷大，結果容易受到人的主觀影響，并且培養一名專業的血細胞專家需要花費很大的人力物力。自動識別主要是利用骨髓液在顯微鏡下拍攝的彩色圖像進行細胞的分類計數。這類方法應用模式識別技術可以對細胞進行自動識別，充分發揮了計算機視覺的準確率高，具有客觀性的特點，大大提高了細胞識別的效率。

然而目前利用細胞圖像進行細胞識別，還存在著一些問題。精確分割細胞并給出只包含單個細胞的檢測窗口是細胞分類識別的基礎。如果細胞分割不準確，那么細胞識別也將出現較大的誤差。目前普遍采用的分割算法都基于閾值法或聚類法。然而當細胞染色不佳或者細胞粘連時，這類方法的分割結果不夠準確。

發明內容

本發明的目的在于提供一種基于深度學習的骨髓液細胞分割方法，從而解決現有技術中存在的前述問題。

為了實現上述目的，本發明采用的技術方案如下：

一種基于深度學習的骨髓液細胞分割方法，包括如下步驟：

S1，獲取細胞圖像，并初步估計所述細胞圖像內所有細胞的輪廓；

S2，根據所述細胞的輪廓，對所述細胞圖像內所有細胞進行分割，確定每個細胞的矩形檢測窗口；

S3，采用卷積深度網絡對每個所述矩形檢測窗口進行質量評價，判斷每個所述矩形檢測窗口中包含的細胞個數，得到初步分割結果；

S4，若所述矩形檢測窗口包含多個細胞，則結合聚類算法和分水嶺算法對所述初步分割結果進行精細分割，得到精細分割的細胞的輪廓，并執行S2，否則，執行S5；

S5，采用區域生長法，根據每個所述矩形檢測窗口邊緣的顏色分布，逐步增大所述矩形檢測窗口，直到所述矩形檢測窗口包含整個細胞；

S6，基于分割質量評價方法和各個所述矩形檢測窗口的重疊度，判斷S5中利用區域生長法得到的細胞窗口是否需要合并，將需要合并的窗口進行合并；

S7，去除每個細胞窗口中包含的其他細胞部分，輸出單個細胞的分割結果。

優選地，S1中，所述初步估計所述細胞圖像內所有細胞的輪廓，包括如下步驟：

S101，重排所述細胞圖像中的所有n個像素，并將其表示為集合{x₁，...，x_n}，其中x_i是第i個像素點的表示向量；

S102，采用k-均值算法求解所述集合的最小值：

其中，μ₁，...，μ₃表示各個類的中心向量，S₁...，S₃是各類像素點的指標集合；

S103，通過以下公式估計各類像素點屬于細胞核的可能性，確定代表細胞核的類l_cell：

其中，衡量了μ_l與細胞核的異類性，越小則第l類越可能是細胞核的類l_cell；

S104，建立第l_cell類像素點的遮掩圖；

S105，提取所述遮掩圖中第l_cell類點構成區域的所有外部輪廓，并刪除周長較短，所圍面積較小，或與圖像邊界相交的輪廓。

優選地，S3包括如下步驟：

S301，人工將S2中得到的大量的檢測窗口分為不包含細胞，包含單個細胞和包含多個細胞的三類；

S302，用S301得到的三類數據訓練卷積神經網絡；

S303，訓練完成后，用卷積神經網絡評價檢測窗口中的細胞分割質量，判斷窗口內包含的細胞個數。

優選地，S4中，對于每個檢測窗口依次進行處理，每次處理具體采用如下步驟進行實施：