大脑是最重要的器官之一,控制着身体的大多数活动。虽然医学在很多方面都发展迅速,但是对于脑的结构及工作原理的研究却仍然没有重大突破,仍面临着很多难题。随着技术的不断强大,我们可以轻而易举获得大规模高质量的组织病理学图像。想要系统性地研究脑细胞之间的联系与区别,并从中识别出病理细胞,从脑图像中准确地分割出细胞是基础和关键。本文数据集来自华中科技大学光电实验室,数据集为小鼠脑的冠状面切片。本文的目的是准确分割出医学类图像中的神经细胞,但是这种像素级别的医学类图像相对于其它类图像,构成十分复杂,如细胞相互粘连,血管的干扰,前景背景对比不明显。这些原因使得以往对图像进行分割的算法不适用于本文的数据。本文针对微观医学类图像的特点,对以往的算法进行改善。首先通过深度学习对图像中的像素进行分类。然后结合深度学习训练出来的结果,通过聚类对之进行边缘检测。为避免拟合效果不佳,在通过深度学习对图像做分类的过程中,首先对图像做图像增强,加大样本量,增加噪声。然后采用适合对医学类图像做分割的U-net网络进行分类,最终基于像素点的平均正确率达到90.32%,基于细胞的平均正确率达到91.60%,相对于以往正确率在65%到85%之间的分割算法,此方法的准确率更高。分析得到原图像中像素值的分布后,结合U-net网络训练出来的结果,将对应位置的像素值点乘,然后通过聚类检测边缘。当类别数设为5时,既能够准确地识别细胞边缘,又能够将正常的神经细胞与U-net识别错误的血管壁细胞区分开来。