Die präzise Segmentierung von roten Blutkörperchen in Blutausstrichbildern ist eine wichtige und zugleich herausfordernde Technik, hauptsächlich aufgrund der häufigen Überlappung der roten Blutkörperchen und des Fehlens eindeutiger Grenzen. Zur Lösung dieses Problems wird in dieser Arbeit ein tiefes Lernnetzwerk NODE-UNet++ vorgestellt, das auf U-Net++ und neuronalen gewöhnlichen Differentialgleichungen (Neural Ordinary Differential Equations, NODE) basiert und eine vorläufige Segmentierung der roten Blutkörperchen durchführt, gefolgt von der Anwendung eines markierten Watershed-Algorithmus zur Segmentierung von anhaftenden roten Blutkörperchen in Blutausstrichbildern. Zunächst werden die Bilder zugeschnitten und annotiert, um den zu segmentierenden Bereich hervorzuheben; anschließend wird die neue semantische Segmentierungsarchitektur NODE-UNet++ auf die vorverarbeiteten Bilder angewandt, um eine probabilistische Graustufenkarte zu erhalten; abschließend wird der markierte Watershed-Algorithmus verwendet, um anhaftende rote Blutkörperchen in der Graustufenkarte zu trennen und das endgültige Segmentierungsergebnis der roten Blutkörperchen zu erhalten. Experimentelle Ergebnisse zeigen, dass der Dice-Koeffizient 96,89 % erreicht, die durchschnittliche Pixelgenauigkeit 98,97 % und der durchschnittliche Intersection-over-Union (IoU) 96,33 %. Die Segmentierungsergebnisse verschiedener Blutausstrichbilder zeigen, dass diese Methode jedes rote Blutkörperchen effizient und präzise extrahieren kann und somit den Anforderungen der nachfolgenden Verarbeitung von roten Blutkörperchenbildern gerecht wird.

Bildsegmentierung;rote Blutkörperchen;neuronale gewöhnliche Differentialgleichungen;markierter Watershed-Algorithmus