La segmentación precisa de los glóbulos rojos en imágenes de frotis sanguíneos es una técnica importante y un desafío, principalmente debido a la frecuente superposición de glóbulos rojos y la ausencia de límites claros. Para abordar este problema, este artículo propone una red de aprendizaje profundo NODE-UNet++ basada en U-Net++ y ecuaciones diferenciales ordinarias neuronales (Neural Ordinary Differential Equations, NODE) para la segmentación preliminar de glóbulos rojos, seguida del uso del algoritmo de watershed con marcación para segmentar glóbulos rojos adheridos en imágenes de frotis sanguíneos. Primero, la imagen se recorta y anota para destacar el área a segmentar; luego, se aplica la nueva arquitectura de segmentación semántica NODE-UNet++ a la imagen preprocesada para obtener un mapa de probabilidad en escala de grises; finalmente, se utiliza el algoritmo de watershed con marcación para separar los glóbulos rojos adheridos en el mapa en escala de grises, obteniendo el resultado final de segmentación de glóbulos rojos. Los resultados experimentales muestran que el coeficiente Dice alcanza el 96.89%, la precisión media de píxeles es del 98.97% y el IoU medio es del 96.33%. Los resultados de la segmentación en diferentes imágenes de frotis sanguíneos demuestran que este método puede extraer cada glóbulo rojo de manera eficiente y precisa, satisfaciendo las necesidades del procesamiento posterior de imágenes de glóbulos rojos.

segmentación de imágenes;glóbulos rojos;ecuaciones diferenciales ordinarias neuronales;algoritmo de watershed con marcación