CN110135271A

CN110135271A - 一种细胞分类方法及装置

Info

Publication number: CN110135271A
Application number: CN201910316081.9A
Authority: CN
Inventors: 郑永升; 倪浩; 石磊; 沈庆; 印宏坤; 杨俊�
Original assignee: SHANGHAI YIZHI MEDICAL TECHNOLOGY Co Ltd
Current assignee: SHANGHAI YIZHI MEDICAL TECHNOLOGY Co Ltd
Priority date: 2019-04-19
Filing date: 2019-04-19
Publication date: 2019-08-16

Abstract

本发明提供一种细胞分类方法及装置，涉及生物信息技术领域，方法包括：获取待识别的细胞图像；所述细胞图像包括至少两种类别的细胞；将所述细胞图像分割为N个子图像，并确定子图像对应的轮廓信息图，所述轮廓信息图中包括所述子图像中待识别细胞的轮廓形状，其中N大于等于2；将每个轮廓信息图输入至分类模型中，得到子图像中的待识别细胞的分类结果，所述分类模型是根据已确定分类结果的细胞的轮廓形状确定的；根据子图像中的待识别细胞的分类结果，确定所述细胞图像的分类结果。本发明实施例中的方法能够对待识别的细胞图像整体进行细胞分类，细胞分类的准确度高，有利于针对分类后的细胞再进行数量统计，提高了诊断的精准度。

Description

一种细胞分类方法及装置

技术领域

本申请涉及生物信息技术领域，尤其涉及一种细胞分类方法及装置。

背景技术

在目前的医学和生物学研究中，对生物细胞的研究已成为了一项关键技术，这是研究发病机理和生物学处理过程的重要工具。通过对生物细胞的处理例如检测、分割、分类、计数等，帮助医生对疾病进行诊断。

目前细胞的形态学诊断都是基于医学人员在显微镜下观察细胞形态，并统计不同形态的细胞的数量进行疾病诊断。该方法依赖于操作医师经验，主观性强，重复性不好，效率低，因此，现有技术中亟需一种能够快速准确确定细胞类别的方法。

发明内容

本发明提供一种细胞分类方法及装置，用于解决现有技术亟需一种能够快速准确确定细胞类别的方法的问题。

第一方面，本发明实施例提供一种细胞分类方法，所述方法包括：

获取待识别的细胞图像；所述细胞图像包括至少两种类别的细胞；

将所述细胞图像分割为N个子图像，并确定子图像对应的轮廓信息图，所述轮廓信息图中包括所述子图像中待识别细胞的轮廓形状，其中N大于等于2；

将每个轮廓信息图输入至分类模型中，得到子图像中的待识别细胞的分类结果，所述分类模型是根据已确定分类结果的细胞的轮廓形状确定的；

根据子图像中的待识别细胞的分类结果，确定所述细胞图像的分类结果。

本发明实施例中，在获取到待识别的细胞图像后，将待识别的细胞图像进行分割，便于计算机的快速计算；并对分割后的子图像提取待识别细胞的轮廓形状，待识别细胞的轮廓形状用于进行待识别细胞的细胞分类；将每个子图像的轮廓信息图输入至分类模型中，得到子图像的待识别细胞的分类结果，并根据所有子图像的待识别细胞的分类结果确定了待识别的细胞图像的分类结果。在本发明实施例中，通过将待识别的细胞图像进行分割，并对分割后的子图像进行轮廓信息提取，并通过轮廓信息提取的结果输入到分类精度高，且分类效率高的分类模型中，得到了待识别的细胞图像的分类结果，与现有技术中只通过显微镜下的局部待识别的细胞图像进行细胞分类相比，本发明实施例中的方法能够对待识别的细胞图像整体进行细胞分类，细胞分类的准确度高，有利于针对分类后的细胞再进行数量统计，提高了诊断的精准度。

进一步地，所述确定每个子图像对应的轮廓信息图，具体包括：

将所述子图像进行二值化处理，得到所述子图像对应的二值图像；所述二值图像用于表征待识别细胞；

根据所述二值图像以及图像分割算法确定所述待识别细胞的轮廓形状，得到所述子图像对应的轮廓信息图。

本发明实施例中，使用二值化的图像来提取待识别细胞的细胞区域，并对二值化后的待识别细胞的细胞区域提取轮廓形状，以便得到待识别细胞的细胞特征。

进一步地，所述根据所述二值图像以及图像分割算法确定待识别细胞的轮廓形状，得到所述子图像对应的轮廓信息图，包括：

针对所述二值图像中表征待识别细胞的区域进行局部像素密度计算，确定所述二值图像中待识别细胞的细胞核的位置；

根据所述二值图像中待识别细胞的细胞核的位置以及图像分割算法确定包括所述待识别细胞的轮廓形状的轮廓信息图。

本发明实施例中，为了更加准确的提取待识别细胞的轮廓信息，所以首先确定待识别细胞的细胞核的位置，然后根据细胞核的位置再确定待识别细胞的轮廓信息。

进一步地，所述分类模型是针对白细胞的分类类别；

所述分类模型中包括特征提取神经网络单元和特征分类神经网络单元；所述特征提取神经网络单元包括四个串联的卷积模块，所述卷积模块包括卷积层、归一化层、激活函数层以及池化层。

本发明实施例中，由于在生物学分析领域，尤其是临床检验分析领域，针对不同类白细胞进行准确的分类对于诊断和研究有着非常重要的作用，所以本发明实施例针对白细胞的类别，确定了分类模型中四个串联的卷积模块，通过四个串联的卷积模块能够构建更多的特征向量，从而得到更准确的分类结果。

进一步地，所述白细胞的分类类别中至少包括破碎细胞类别以及重叠细胞类别。

本发明实施例中，由于在待识别的细胞图像中存在破碎细胞类别以及重叠细胞类别，并且由于在二值化阶段时，确定破碎细胞类别以及重叠细胞的工作量较大，所以在分类类别中加入了破碎细胞类别以及重叠细胞类别，便于进行有效的白细胞分类。

第二方面，本发明提供一种细胞分类装置，包括：

获取单元，用于获取待识别的细胞图像；所述细胞图像包括至少两种类别的细胞；

分割单元，用于将所述细胞图像分割为N个子图像，并确定子图像对应的轮廓信息图，所述轮廓信息图中包括所述子图像中待识别细胞的轮廓形状，其中N大于等于2；

分类单元，用于将每个轮廓信息图输入至分类模型中，得到子图像中的待识别细胞的分类结果，所述分类模型是根据已确定分类结果的细胞的轮廓形状确定的；根据子图像中的待识别细胞的分类结果，确定所述细胞图像的分类结果。

本发明实施例中，在获取到待识别的细胞图像后，将待识别的细胞图像进行分割，便于计算机的快速计算；并对分割后的子图像提取待识别细胞的轮廓形状，待识别细胞的轮廓形状用于进行待识别细胞的细胞分类；将每个子图像的轮廓信息图输入至分类模型中，得到子图像的待识别细胞的分类结果，并根据子图像的待识别细胞的分类结果确定了待识别的细胞图像的分类结果。在本发明实施例中，通过将待识别的细胞图像进行分割，并对分割后的子图像进行轮廓信息提取，并通过轮廓信息提取的结果输入到分类精度高，且分类效率高的分类模型中，得到了待识别的细胞图像的分类结果，与现有技术中只通过显微镜下的局部待识别的细胞图像进行细胞分类相比，本发明实施例中的方法能够对待识别的细胞图像整体进行细胞分类，细胞分类的准确度高，有利于针对分类后的细胞再进行数量统计，提高了诊断的精准度。

进一步地，所述分割单元具体用于：

进一步地，所述分类模型是针对白细胞的分类类别；

第三方面，本发明实施例还提供一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述实施例中任一所述的方法。

第四方面，本发明实施例还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述实施例中任一所述方法。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的细胞分类方法的应用环境示意图；

图2为本发明实施例提供的一种细胞分类方法的流程示意图；

图3为本发明实施例提供的一种待分类细胞图像的子图像的示意图；

图4为本发明实施例提供的一种待分类细胞图像的子图像的二值图像的示意图；

图5为本发明实施例提供的一种待分类细胞图像的子图像的轮廓形状信息的示意图；

图6为本发明实施例提供的一种卷积模块结构示意图；

图7为本发明实施例提供的一种特征分类神经网络单元的结构示意图；

图8为本发明实施例提供的一种细胞分类方法的流程示意图；

图9为本发明实施例提供的一种细胞分类装置的结构示意图；

图10为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。

为了便于理解，现在将出现在本发明实施例中的名词进行解释。

图像二值化：将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。

轮廓信息提取：指在包含目标和背景的图像中，忽略背景和目标内部的纹理以及噪声干扰的影响，采用一定的技术和方法来实现目标轮廓提取的过程。它是目标检测、形状分析、目标识别和目标跟踪等技术的重要基础。

图像分割：把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。

神经网络(Neural Networks,NN)：是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。

损失函数(loss function)：也叫代价函数(cost function)，是神经网络优化的目标函数。

在具体实践过程中，本发明的发明人发现，针对细胞分类的方法通常是医学人员通过载玻片上的血液细胞在显微镜的视野下进行人工判别，该方法局限于医学人员的个人经验，以及显微镜设备的硬件基础。由于现有技术中，人工神经网络在图像处理领域的技术发展，对于图像中的各种信息能够快速和准确的提取，所以本发明的发明人构思了一种利用神经网络的分类模型，来进行细胞分类的方法，以便实现细胞图形的快速和准确的分类。

图1为一个实施例中细胞分类方法的应用环境示意图。参照图1，该细胞分类方法应用于细胞分类系统。该细胞分类系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。细胞分类方法应用于服务器120中时，终端110通过网络可访问对应的服务器120，以请求相应的分类结果，服务器120可将该分类结果推送至终端110，终端110的用户可以根据该分类结果进行图像查找、下载等等。

如图2所示，在一个实施例中，提供了一种细胞分类方法。本实施例主要以该方法应用于上述图1中的服务器120(或终端110)来举例说明。参照图2，该细胞分类方法具体包括如下步骤：

步骤S201，获取待识别的细胞图像；所述细胞图像包括至少两种类别的细胞；

步骤S202，将所述细胞图像分割为N个子图像，并确定子图像对应的轮廓信息图，所述轮廓信息图中包括所述子图像中待识别细胞的轮廓形状，其中N大于等于2；

步骤S203，将每个轮廓信息图输入至分类模型中，得到子图像中的待识别细胞的分类结果，所述分类模型是根据已确定分类结果的细胞的轮廓形状确定的；

步骤S204，根据子图像中的待识别细胞的分类结果，确定所述细胞图像的分类结果。

在步骤S201中，具体的，通过采集的血样进行处理，然后将处理的血样进行图像表达，作为待识别的细胞图像，在待识别的细胞图像中至少包括需要进行分类的多个类别的细胞。

一种可选的实施例中，采用恒定负压从采血试管中吸取微量血液样品，采用气泡定量法准确提取定量血液样品，注入已装入定量稀释液和瑞氏染液的样品稀释杯中混匀，将稀释、染色、混匀后的血液样品注入光学组件(显微镜)下的血细胞记数板；通过光学仪器依据预定的放大倍数对被检血样进行放大、聚焦、成像；采用CMOS摄像组件采集光学放大后的血细胞样品图像，并以BMP/JPG/PNG等图像格式传输到计算机中形成图像文件，从而得到待识别的细胞图像。

可选的，在本发明实施例中，计算机中的图像文件的大小为512×512。

在步骤S202中，将细胞图像进行分割的方式有多种，例如基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法、基于特定理论的分割方法等，本发明实施例中不限制于哪种细胞图像分割算法，采用分割算法将细胞图像分割成N个子图像，便于计算机的快速计算。

基于阈值的分割方法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。因此，该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。

基于边缘的分割方法是指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性的突变。通常情况下，基于边缘的分割方法指的是基于灰度值的边缘检测，它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观测基础上的方法。

阶跃型边缘两边像素点的灰度值存在着明显的差异，而屋顶型边缘则位于灰度值上升或下降的转折处。对于阶跃状边缘常用微分算子进行边缘检测，其位置对应一阶导数的极值点，对应二阶导数的过零点(零交叉点)。常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子，二阶微分算子有Laplace算子和Kirsh算子等。在实际中各种微分算子常用小区域模板来表示，微分运算是利用模板和图像卷积来实现。这些算子对噪声敏感，只适合于噪声较小不太复杂的图像。

基于区域的分割方法是将图像按照相似性准则分成不同的区域，主要包括种子区域生长法、区域分裂合并法和分水岭法等几种类型。

其中，分水岭法是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。该算法的实现可以模拟成洪水淹没的过程，图像的最低点首先被淹没，然后水逐渐淹没整个山谷。当水位到达一定高度的时候将会溢出，这时在水溢出的地方修建堤坝，重复这个过程直到整个图像上的点全部被淹没，这时所建立的一系列堤坝就成为分开各个盆地的分水岭。分水岭算法对微弱的边缘有着良好的响应，但图像中的噪声会使分水岭算法产生过分割的现象。

在对细胞图像分割成N个子图像后，就需要确定子图像中的细胞特征，由于细胞图像中的细胞特征通常采用细胞的轮廓信息进行表征，也就是说，不同种类的细胞，具有不同的细胞轮廓信息，所以在本发明实施例中，确定每个子图像中的细胞轮廓信息。

可选的，在本发明实施例中，由于白细胞在医学诊断中的重要意义，所以认为本发明实施的细胞分类是针对白细胞进行分类的，所以在本申请中，首先确定具有细胞核的待识别细胞，确定待识别细胞的细胞核的位置，并通过待识别细胞的细胞核的位置确定待识别细胞的轮廓形状的轮廓信息图，不仅能够找到需要进行分类的白细胞，还可以根据细胞核的位置确定待识别细胞的轮廓形状，使得待识别细胞的轮廓形状更加准确。

一种可选的实施例中，通过二值图像中表征待识别细胞的区域进行局部像素密度来确定细胞的细胞核的位置。可以理解为，具有细胞核的局部二值图像含有的255的像素比例高，通过局部像素密度来确定细胞核的位置。

一种可选的实施例中，待识别细胞图像中细胞核的染色一般较深，根据这一特点，可通过求区域灰度阈值的方法来确定细胞核的位置。具体的，可以确定各个子图像的灰度图像的灰度直方图，然后根据灰度直方图来确定阈值，将灰度值小于阈值的像素标识为细胞核。

也就是说，通过上述内容可知，在步骤S202中，将所述细胞图像分割为N个子图像，针对任一个子图像，将子图像进行二值化处理，得到所述子图像对应的二值图像；然后确定每个二值图像中的细胞核位置，通过每个子图像中的细胞核位置，再使用图像分割算法提取子图像中待识别细胞的轮廓形状。

示例性的，在本发明实施例中，所有子图像中的一个子图像为图3所示，根据图3中的子图像，将图3中的子图像通过自适应阈值方法将子图像转为二值化图像，如果每个像素的强度与估计的背景图像的强度之差大于给定阈值，则将每个像素分类为细胞的一部分；否则，我们将其归类为背景的一部分，如图4所示，图4为图3经过二值化变换后的二值化图像。通过局部二值化像素点密度最大的区域作为细胞核所在区域。

通过细胞核所在的区域，进行分水岭算法的细胞划分，得到子图像对应的轮廓信息图，如图5所示。

可选的，在发明实施例中，有多少个子图像，就确定每个子图像对应的轮廓信息图，以保证能够提取每个子图像中的待识别细胞的细胞特征。

在步骤S203中，当确定了每个待识别细胞的轮廓形状后，将每个待识别细胞的轮廓形状作为输入量，输入至分类模型中，分类模型中具有的分类能力是根据已确定分类结果的细胞的轮廓形状确定的。

具体的，可以认为，分类模型是通过已确定分类结果的细胞的轮廓形状确定的，可以将已确定分类结果的细胞的轮廓形状作为训练集进行训练，而训练集中至少包括如表1所示的细胞类别以及细胞轮廓形状的对应关系。

表1

在确定了训练集后，对分类模型进行训练，可选的，在本发明实施例中，分类模型为二分类模型，例如SVM模型，分类模型也可以是神经网络模型，例如CNN以及RNN，对分类模型的训练，可以概括为：

将训练集中的轮廓形状输入至初始分类模型中，得到初始分类结果，通过初始分类结果以及轮廓形状对应的真实分类，调整分类模型的损失函数，得到最终的分类模型。

可选的，在本发明实施例中，分类模型包括特征提取神经网络单元和特征分类神经网络单元，特征提取神经网路单元用于确定待识别细胞的特征，然后将待识别细胞的特征输入到特征分类神经网络单元进行分类，得到最后的分类结果。

一种可选的实施例，分类模型中的结构是可以根据分类的精度要求来确定的，也就是说，不同的精度要求对应不同的分类模型，而不同的分类模型中的特征提取神经网络的构成不同。

例如，当分类的精度要求较高时，可以增加特征提取神经网络的复杂度，提取更多的特征进行分类，从而能够得到较高的分类精度。

一种可选的实施例，分类模型中的结构是可以根据分类的类别数量以及精度要求来确定的，也就是说，不同的类别数量要求以及精度要求对应不同的分类模型，而不同分类模型中的特征提取神经网络的构成不同。

示例性的，在发明实施例中，分类模型是针对白细胞进行分类的，而目前白细胞至少包括40种类别，而通过40种类别可以确定分类模型中的特征提取神经网络单元包括四个串联的卷积模块，如图6所示，每个卷积模块包括卷积层、归一化层、激活函数层以及池化层。

具体的，卷积层用来进行特征提取，示例性的，输入图像是的分辨率是32×32，深度为3，(即R、G、B)，卷积层是一个5×5×3的感受野filter，感受野的深度与输入图像的深度相同。通过一个filter与输入图像的卷积可以得到一个28*28*1的特征图。

归一化层，是深度学习发展以来提出的最重要的成果之一了，目前已经被广泛的应用到了各大网络中，具有加速网络收敛速度，提升训练稳定性的效果，归一化的本质上是解决反向传播过程中的梯度问题，也就是防止在计算过程中产生过拟合的现象。

激活函数层，对输入数据进行激活操作，是逐元素进行运算的，在运算过程中，没有改变数据的大小，即输入和输出的数据大小是相等的。神经网络中激活函数的主要作用是提供网络的非线性建模能力。激活函数层决定了某个神经元是否被激活，这个神经元接受到的信息是否是有用的，是否该留下或者是该抛弃。

池化层，对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征。

可选的，在发明实施例中，如图7所示，分类模型中的特征分类神经网络单元包括输入层，即特征提取神经网络单元的输出结果，全连接层，在整个卷积神经网络中起到“分类器”的作用。全连接层的每一个结点都与上一层的所有结点相连，用来把特征提取神经网络单元的输出结果中的特征综合起来。Softmanx层，分类网络层，用于确定每个样本属于各个类的概率，即将神经网络的输出转成概率分布。通过上述内容，可以确定一个完整的分类模型。

步骤S204，在发明实施例中，在确定了子图像的分类结果后，通过子图像的分类结果确定了待识别图像的分类结果，通过待识别图像的分类结果，进行细胞计数以及医学诊断。

在本发明实施例中，由于在待识别细胞图像中可能存在破碎细胞以及重叠细胞，这些细胞会影响分类后的细胞计数以及诊断，所以在本发明实施例中，可以在获取到待识别细胞图像后，剔除破碎细胞以及重叠细胞，但是由于操作难度大，处理过程复杂，本发明实施例中提供一种在分类后剔除的方法，所以在白细胞的分类类别中至少包括破碎细胞以及重叠细胞，通过破碎细胞以及重叠细胞的分类结果，可以住在计数过程中去掉这两类的结果，保证计数结果的准确性，提高诊断的准确性。

下面采用示意性的实施例进行说明待识别细胞图像进行分类并计数的过程，在本发明实施例中，如图8所示，针对骨髓细胞，即针对白细胞进行分类，具体过程如下：

步骤S801，采集骨髓样本，并将骨髓样本录入计算机，形成1024×1024的PNG图像；

步骤S802，采用滑窗法将PNG图像分割为4个512×512的子图像；

步骤S803，针对每个子图像，根据每个子图像中的局部像素密度，确定子图像中具有细胞核的待识别细胞；

步骤S804，对具有细胞核的待识别细胞进行分水岭算法处理，提取待识别细胞的轮廓信息；

步骤S805，获取分类模型，分类模型中包括2个卷积模块，每个卷积模块包括卷积层、归一化层、激活函数层以及池化层；

步骤S806，将每个子图像的待识别细胞的轮廓信息输入到分类模型中，得到分类结果；

步骤S807，统计每个子图像的分类结果，进行计数。

基于同样的构思，本发明实施例还提供一种细胞分类装置，如图9所示，包括：

获取单元901，用于获取待识别的细胞图像；所述细胞图像包括至少两种类别的细胞；

分割单元902，用于将所述细胞图像分割为N个子图像，并确定子图像对应的轮廓信息图，所述轮廓信息图中包括所述子图像中待识别细胞的轮廓形状，其中N大于等于2；

分类单元903，用于将每个轮廓信息图输入至分类模型中，得到子图像中的待识别细胞的分类结果，所述分类模型是根据已确定分类结果的细胞的轮廓形状确定的；根据子图像中的待识别细胞的分类结果，确定所述细胞图像的分类结果。

进一步地，所述分割单元902具体用于：

进一步地，所述分类模型是针对白细胞的分类类别；

本发明实施例提供了一种电子设备，包括至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行细胞分类方法的步骤。如图10所示，为本发明实施例中所述的电子设备的硬件结构示意图，该电子设备具体可以为台式计算机、便携式计算机、智能手机、平板电脑等。具体地，该电子设备可以包括存储器1001、处理器1002及存储在存储器上的计算机程序，所述处理器1002执行所述程序时实现上述实施例中的任一细胞分类方法的步骤。其中，存储器1001可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器1002提供存储器1001中存储的程序指令和数据。

进一步地，本申请实施例中所述的电子设备还可以包括输入装置1003以及输出装置1004等。输入装置1003可以包括键盘、鼠标、触摸屏等；输出装置1004可以包括显示设备，如液晶显示器、阴极射线管(Cathode Ray Tube，CRT)，触摸屏等。存储器1001，处理器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接，图10中以通过总线连接为例。处理器1002调用存储器1001存储的程序指令并按照获得的程序指令执行上述实施例提供的升级方法。

本申请实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项细胞分类方法。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims

1.一种细胞分类方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述确定每个子图像对应的轮廓信息图，具体包括：

3.根据权利要求2所述的方法，其特征在于，所述根据所述二值图像以及图像分割算法确定待识别细胞的轮廓形状，得到所述子图像对应的轮廓信息图，包括：

4.根据权利要求1所述的方法，其特征在于，所述分类模型是针对白细胞的分类类别；

5.根据权利要求4所述的方法，其特征在于，所述白细胞的分类类别中至少包括破碎细胞类别以及重叠细胞类别。

6.一种细胞分类装置，其特征在于，包括：

7.根据权利要求6所述的装置，其特征在于，所述分割单元具体用于：

8.根据权利要求7所述的装置，其特征在于，所述分割单元具体用于：

9.一种计算机可读介质，其特征在于，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行权利要求1～5任一所述方法的步骤。

10.一种电子设备，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行权利要求1～5任一权利要求所述方法的步骤。