La segmentation précise des globules rouges dans les images de frottis sanguins est une technique importante et un défi majeur, principalement en raison de la superposition fréquente des globules rouges et de l'absence de contours clairs. Pour résoudre ce problème, cet article propose un réseau d'apprentissage profond NODE-UNet++ basé sur U-Net++ et les équations différentielles ordinaires neuronales (Neural Ordinary Differential Equations, NODE) pour une segmentation préliminaire des globules rouges, suivi de l'utilisation de l'algorithme de watershed marqué pour segmenter les globules rouges adhérents dans les images de frottis sanguins. D'abord, l'image est recadrée et annotée pour mettre en évidence la zone à segmenter ; puis la nouvelle architecture de segmentation sémantique NODE-UNet++ est appliquée à l'image prétraitée pour obtenir une carte de probabilité en niveaux de gris ; enfin, l'algorithme de watershed marqué est utilisé pour séparer les globules rouges adhérents dans l'image en niveaux de gris, obtenant ainsi le résultat final de la segmentation des globules rouges. Les résultats expérimentaux montrent que le coefficient Dice atteint 96,89 %, la précision moyenne des pixels est de 98,97 % et l'IoU moyen est de 96,33 %. Les résultats de segmentation sur différentes images de frottis sanguins indiquent que cette méthode peut extraire efficacement et précisément chaque globule rouge, répondant ainsi aux besoins du traitement ultérieur des images de globules rouges.

segmentation d'image;globules rouges;équations différentielles ordinaires neuronales;algorithme de watershed marqué