血小板与红细胞显微图像分割数据集.zip：医学图像处理入门实战指南

1次阅读

共计 2313 个字符，预计需要花费 6 分钟才能阅读完成。

血小板与红细胞显微图像分割数据集.zip 通常包含以下文件结构：

images/：存放原始显微图像（.png 或.tiff 格式）
masks/：对应标注的二进制掩膜图像
metadata.csv：可能包含图像尺寸、采集设备等元信息

显微图像通常为单通道灰度图（8 位或 16 位），标注 mask 中不同像素值代表不同细胞类型（如血小板 =1，红细胞 =2）。建议先用 OpenCV 或 PIL 检查图像与 mask 的对应关系。

标准化处理（消除光照差异）：

import cv2
import numpy as np

def normalize_image(img):
    # 转换为 float32 并归一化
    img = img.astype(np.float32) / 255.0
    # 全局对比度归一化
    img = (img - np.mean(img)) / np.std(img)
    return img

数据增强示例（使用 albumentations 库）：

import albumentations as A

train_transform = A.Compose([A.RandomRotate90(),
    A.Flip(),
    A.ElasticTransform(alpha=120, sigma=120*0.05, alpha_affine=120*0.03),
    A.RandomBrightnessContrast(p=0.5),
    A.GaussNoise(var_limit=(10.0, 50.0)),
])

U-Net：轻量级，适合小样本，医学图像经典结构
优点：跳跃连接保留空间信息，训练速度快
缺点：对重叠细胞分割精度有限
Mask R-CNN：两阶段检测 + 分割框架
优点：可同时获取细胞位置和轮廓
缺点：需要更大显存，训练时间更长

初学者建议从 U -Net 开始，参考如下 PyTorch 实现骨架：

import torch
import torch.nn as nn

class DoubleConv(nn.Module):
    """(卷积 => [BN] => ReLU) * 2"""
    def __init__(self, in_ch, out_ch):
        super().__init__()
        self.double_conv = nn.Sequential(nn.Conv2d(in_ch, out_ch, kernel_size=3, padding=1),
            nn.BatchNorm2d(out_ch),
            nn.ReLU(inplace=True),
            nn.Conv2d(out_ch, out_ch, kernel_size=3, padding=1),
            nn.BatchNorm2d(out_ch),
            nn.ReLU(inplace=True)
        )

    def forward(self, x):
        return self.double_conv(x)

数据加载器示例：

from torch.utils.data import Dataset

class CellDataset(Dataset):
    def __init__(self, img_dir, mask_dir, transform=None):
        self.img_paths = sorted(Path(img_dir).glob("*.png"))
        self.mask_paths = sorted(Path(mask_dir).glob("*.png"))
        self.transform = transform

    def __getitem__(self, idx):
        img = cv2.imread(str(self.img_paths[idx]), cv2.IMREAD_GRAYSCALE)
        mask = cv2.imread(str(self.mask_paths[idx]), cv2.IMREAD_GRAYSCALE)

        if self.transform:
            augmented = self.transform(image=img, mask=mask)
            img, mask = augmented['image'], augmented['mask']

        return torch.tensor(img).unsqueeze(0), torch.tensor(mask).long()

Dice 系数 ：衡量分割区域重叠度
$$Dice = \frac{2|X \cap Y|}{|X| + |Y|}$$
IoU（Jaccard 指数）：交集与并集之比
$$IoU = \frac{|X \cap Y|}{|X \cup Y|}$$

实现代码：

def dice_coeff(pred, target):
    smooth = 1.
    pred_flat = pred.view(-1)
    target_flat = target.view(-1)
    intersection = (pred_flat * target_flat).sum()
    return (2. * intersection + smooth) / (pred_flat.sum() + target_flat.sum() + smooth)