A segmentação precisa dos glóbulos vermelhos em imagens de esfregaços sanguíneos é uma técnica importante e desafiadora, principalmente porque os glóbulos vermelhos frequentemente se sobrepõem e não possuem bordas claras. Para resolver esse problema, este artigo propõe uma rede de aprendizado profundo NODE-UNet++ baseada em U-Net++ e Equações Diferenciais Ordinárias Neurais (Neural Ordinary Differential Equations, NODE) para a segmentação preliminar dos glóbulos vermelhos, seguida da utilização do algoritmo watershed marcado para segmentar os glóbulos vermelhos aderidos nas imagens de esfregaços sanguíneos. Primeiro, a imagem é recortada e anotada para destacar a área a ser segmentada; em seguida, a nova arquitetura de segmentação semântica NODE-UNet++ é aplicada à imagem pré-processada para obter um mapa probabilístico em tons de cinza; por fim, o algoritmo watershed marcado é utilizado para separar os glóbulos vermelhos aderidos no mapa em tons de cinza, obtendo-se o resultado final da segmentação dos glóbulos vermelhos. Os resultados experimentais mostram que o coeficiente Dice atingiu 96,89%, a precisão média dos pixels foi de 98,97% e o IoU médio foi de 96,33%. Os resultados da segmentação em diferentes imagens de esfregaços sanguíneos indicam que este método pode extrair de forma eficiente e precisa cada glóbulo vermelho, atendendo às necessidades do processamento posterior das imagens de glóbulos vermelhos.

segmentação de imagem;glóbulos vermelhos;equações diferenciais ordinárias neurais;algoritmo watershed marcado