Точная сегментация эритроцитов на изображениях мазков крови является важной и сложной задачей, главным образом из-за частого перекрытия эритроцитов и отсутствия четких границ. В данной работе предложена глубокая нейронная сеть NODE-UNet++, основанная на U-Net++ и нейронных обыкновенных дифференциальных уравнениях (Neural Ordinary Differential Equations, NODE), для первоначальной сегментации эритроцитов, с последующим использованием маркированного алгоритма водораздела для разделения слипшихся эритроцитов на изображениях мазков крови. Сначала изображение обрезается и аннотируется для выделения области сегментации; затем новая архитектура семантической сегментации NODE-UNet++ применяется к предварительно обработанному изображению для получения вероятностной градации серого; в конце маркированный алгоритм водораздела используется для разделения слипшихся эритроцитов на градациях серого, что даёт окончательный результат сегментации эритроцитов. Экспериментальные результаты показывают, что коэффициент Dice достиг 96,89%, средняя точность пикселей составила 98,97%, а среднее пересечение и объединение (IoU) – 96,33%. Результаты сегментации различных изображений мазков крови показывают, что метод эффективно и точно выделяет каждую эритроцит, удовлетворяя потребности последующей обработки изображений эритроцитов.

сегментация изображений;эритроциты;нейронные обыкновенные дифференциальные уравнения;маркированный алгоритм водораздела