宫颈细胞学涂片检查是宫颈癌早期筛查中一种广泛应用的方法,精确分割宫颈细胞是提取细胞特征参数的支撑条件和对细胞进行定性分析的重要步骤。本文以计算机辅助宫颈细胞学筛查诊断为应用背景,以运用深度学习技术开展对宫颈细胞涂片图像中宫颈细胞核、细胞质的精确分割为研究内容,进行了深入研究。本文通过对近年来国内外关于宫颈细胞涂片图像分割的方法进行研究和分析,针对宫颈细胞学涂片图像中染色剂分布不均匀、细菌感染、杂质及光照变化、细胞重叠等众多干扰和挑战,提出了一种基于深度学习模型的宫颈细胞自动化分割方法CRP-PSN(Cellular Region Proposal and Pixel-level Segmentation Network)。本方法主要包含对宫颈细胞涂片图像中细胞个体级定位和像素级分割两个部分。其中,细胞结构个体级定位通过设计和采用CRPN(Cellular Region Proposal network)模型对显微镜下涂片图像中的宫颈细胞进行检测、定位和边界回归,将游离的单细胞、部分重叠的细胞采用边界框的方式进行分离。本文通过对CRPN模型的改进和优化,进一步克服和排除了涂片图像中的背景噪声、杂质等干扰,有效提高了CRPN模型对宫颈细胞检测定位的召回率和准确率,为宫颈细胞的像素级分割提供了有利条件。此外,本文设计并提出了像素级分割模型PSN(Pixel-level Segmentation Network),该模型由下采样特征提取和上采样特征映射两个单元组成,并进一步将GAN(Generative adversarial network)的思想与结构对细胞分割模型PSN进行改进和优化,通过细胞分割生成器和分割结果判别器的对抗训练和学习,进一步提高了对目标区域分割的准确性。本文针对提出的CRP-PSN模型与目前较典型的宫颈细胞分割方法进行了试验研究和分析对比。试验数据表明,本文提出的算法模型可以有效提高对宫颈细胞学涂片图像中细胞质和细胞核的分割准确性,为推进宫颈细胞学涂片图像的自动化判读和提高诊断可靠性提供了有力支撑。